隨著汽車售后市場競爭的不斷加劇,高效準確的配件需求預(yù)測對代理商制定配件銷售決策具有重要參考意義。以汽車產(chǎn)業(yè)鏈協(xié)同平臺上多價值鏈數(shù)據(jù)為來源,構(gòu)建多鏈數(shù)據(jù)集。然后利用隨機森林提取與配件需求相關(guān)度較高的特征因素,并將其投入LSTM神經(jīng)網(wǎng)絡(luò)中進行模型訓(xùn)練,得出預(yù)測結(jié)果。最后采用平臺上某代理商的多鏈數(shù)據(jù)對預(yù)測模型進行實例驗證。結(jié)果表明,相比于單一組件模型,該組合模型的預(yù)測效果具有更高的穩(wěn)定性和準確性。 

【文章來源】：現(xiàn)代計算機. 2020,(24)

【文章頁數(shù)】：6 頁

【部分圖文】：

多價值鏈數(shù)據(jù)抽取示意圖22.2配件需求影響特征選取

研究現(xiàn)狀分析，本文針對汽車產(chǎn)業(yè)鏈協(xié)同平臺上代理商配件銷售數(shù)據(jù)以及需求影響特征數(shù)據(jù)進行實驗，構(gòu)建隨機森林（RF）和長短期時間記憶神經(jīng)網(wǎng)絡(luò)模型（LSTM）的組合預(yù)測模型。首先利用隨機森林（RF）算法對影響配件銷量的多種特征（包括配件故障率、適配車型整車保有量以及配件滯銷比等）進行選取，提取出最優(yōu)特征子集，消除特征集中的噪聲，并降低其維度。然后將其提取的特征子集作為LSTM的訓(xùn)練數(shù)據(jù)，得到預(yù)測結(jié)果，結(jié)果表明，該組合預(yù)測模型相比于單一組件模型具有更高的預(yù)測精度和更快的收斂速度。圖1代理商多價值鏈數(shù)據(jù)來源示意圖2多鏈數(shù)據(jù)集構(gòu)建22.1多鏈數(shù)據(jù)抽取價值鏈數(shù)據(jù)的具體表現(xiàn)形式是產(chǎn)品供應(yīng)鏈業(yè)務(wù)數(shù)據(jù)，主要指供應(yīng)商，制造廠，代理商等鏈上的節(jié)點企業(yè)日常業(yè)務(wù)中的銷售、采購、庫存和計劃等信息數(shù)據(jù)[14]。本文研究所依托的汽車產(chǎn)業(yè)鏈協(xié)同平臺是一個為汽車供應(yīng)鏈中小型企業(yè)提供信息化系統(tǒng)服務(wù)，同時實現(xiàn)聯(lián)盟成員之間的信息共享的第三方平臺。目前在平臺上已經(jīng)積累了大量的整車銷售、配件采購、配件銷售和售后服務(wù)數(shù)據(jù)。其中平臺數(shù)據(jù)空間面向汽車產(chǎn)業(yè)全生命周期，采用分布式多元存儲的方式，將汽車產(chǎn)業(yè)多價值鏈數(shù)據(jù)整合匯聚在一起，為本文多鏈數(shù)據(jù)集構(gòu)建提供數(shù)據(jù)支持。由于配件市場需求預(yù)測具有較強的時效性，所以本文采用增量抽取方法，在數(shù)據(jù)空間對應(yīng)的數(shù)據(jù)表上構(gòu)建插入、修改、刪除三個觸發(fā)器，然后在源數(shù)據(jù)表操作數(shù)據(jù)的時候，將其經(jīng)過統(tǒng)計計算再進行插入、修改并存入特征屬性表中，其具體過程如圖2所示。圖2多價值鏈數(shù)據(jù)抽取示意圖22.2配件需求影響特征選取明確了多鏈條數(shù)據(jù)來源，還需要對需要提取的數(shù)據(jù)內(nèi)容進行確定。本文以汽車產(chǎn)業(yè)鏈協(xié)同平臺上多鏈條數(shù)據(jù)為實驗對象。

，在通過重復(fù)以上過程得到若干個特征集以及對應(yīng)的袋外誤差，選取誤差最小的特征集作為最優(yōu)特征子集。圖3配件需求預(yù)測組合模型結(jié)構(gòu)示意圖（2）LSTM原理分析LSTM神經(jīng)網(wǎng)絡(luò)模型[2]是RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）的改進模型，其解決了RNN的梯度消失問題，引入信息長時間選擇性有效的機制。其內(nèi)部結(jié)構(gòu)在RNN的基礎(chǔ)上進行了優(yōu)化，增加了輸入門（inputgate），遺忘門（forgetgate），輸出門（outputgate）三個邏輯控制單元，且各自聯(lián)結(jié)到一個乘法元件上[12]。具體結(jié)構(gòu)如圖4所示。圖4LSTM隱藏層內(nèi)部結(jié)構(gòu)示意圖LSTM模型中各門控單元的描述如下：①遺忘門：其輸入數(shù)據(jù)包含上一時刻隱藏層的輸

【參考文獻】：
期刊論文
[1]基于XGBoost和LSTM加權(quán)組合模型在銷售預(yù)測的應(yīng)用[J]. 馮晨,陳志德.  計算機系統(tǒng)應(yīng)用. 2019(10)
[2]Prophet-LSTM組合模型的銷售量預(yù)測研究[J]. 葛娜,孫連英,石曉達,趙平.  計算機科學(xué). 2019(S1)
[3]面向汽車產(chǎn)業(yè)鏈的云服務(wù)平臺信息支撐體系[J]. 李斌勇,孫林夫,王淑營,田冉.  計算機集成制造系統(tǒng). 2015(10)
[4]基于變權(quán)組合模型的汽車后市場零配件需求預(yù)測[J]. 孫其偉,宮劍,趙恒.  中國管理信息化. 2014(09)
[5]隨機森林方法研究綜述[J]. 方匡南,吳見彬,朱建平,謝邦昌.  統(tǒng)計與信息論壇. 2011(03)
[6]面向服務(wù)的汽車配件需求預(yù)測模型[J]. 廖偉智,孫林夫,杜平安.  計算機集成制造系統(tǒng). 2010(08)
[7]基于核心能力的供應(yīng)鏈網(wǎng)絡(luò)多價值鏈整合[J]. 羅文標,程功.  商業(yè)時代. 2008(05)



本文編號：3143511