论文部分内容阅读
据中国汽车工业协会统计,我国的汽车产销量已连续九年蝉联全球第一。汽车需求量的不断提高,同时带动了汽车零配件市场的发展。由于零配件预备库存方面存在很大的不确定性,且许多汽车厂商、4S店、代理商等在汽车零配件库存方面缺少合理的库存方案,同时由于目前要完全实现理想的“零库存”生产、销售还不太实际。因此持有安全库存也就成为了解决突发状况的最有效手段。本文就汽车配件安全库存量设置问题,首先分析了几种常见的库存控制方法,包括ABC分类法、效用值法、边际分析法等。但这些传统的库存定量方法比较依赖于已有的实践经验和总结,效率低且缺乏准确性。随着人工智能的发展,人们开始应用BP神经网络来预测安全库存量,成效显著。可是传统的BP神经网络并未考虑安全库存数据的时序性,存在一定的缺陷。因此本文采用一种基于长短期记忆单元(Long-Short Term Memory,LSTM)的递归神经网络模型来解决汽车配件安全库存量预测问题。本文以三种配件的安全库存数据和UCI网站上下载的数据集作为本文的实验数据,通过在Anconda3软件上进行模型仿真实验。首先,建立了安全库存预测的LSTM模型结构,通过实验选择了该模型合适的输入输出、激活函数、循环体层数以及优化函数等。同时由于LSTM的网络结构、初始连接权值和阈值的选择对网络性能的影响较大,却又无法准确获得。针对这个问题本文采用蝙蝠算法(Bat Algorithm)对LSTM神经网络的初始化权值和阈值进行优化,解决安全库存预测问题以提高预测效率及准确率。并且将该模型与LSTM、BP、BA-BP、BA-SVR等算法模型进行对比实验,使用均方误差(MSE)对预测数据和原始数据进行误差处理分析。通过实验结果证明:相比LSTM、BP、BA-BP、BA-SVR算法,BA-LSTM算法收敛速度更快,预测误差率更低,更适用于解决汽车配件安全库存预测问题。最后,本文设计并实现了汽车配件安全库存预测系统,并将本文提出的BA-LSTM算法用于该系统中,以实现安全库存量预测功能。