计算机工程与设计
計算機工程與設計
계산궤공정여설계
Computer Engineering and Design
2015年
9期
2539-2543,2571
,共6页
配件库存%需求预测%支持向量回归%量子粒子群算法%参数优化
配件庫存%需求預測%支持嚮量迴歸%量子粒子群算法%參數優化
배건고존%수구예측%지지향량회귀%양자입자군산법%삼수우화
parts inventory%demand prediction%support vector regression%quantum particle swarm algorithm%parameters optimization
为实现对售后配件库存需求量的准确预测,优化配件库存,提出支持向量回归(SVR)的预测方法;采用量子粒子群算法(QPSO)对SVR参数进行优化选择,设计基于QPSO-SVR的售后配件库存需求预测流程.以汽车产业链协同平台的售后配件库存历史需求量为样本数据进行实例仿真,将QPSO-SVR预测模型与反向传播神经网络(BPNN)和PSO-SVR模型做比较,实验和比较结果表明,QPSO-SVR预测方法有效可行,其预测精度和泛化能力均优于其它两种方法.
為實現對售後配件庫存需求量的準確預測,優化配件庫存,提齣支持嚮量迴歸(SVR)的預測方法;採用量子粒子群算法(QPSO)對SVR參數進行優化選擇,設計基于QPSO-SVR的售後配件庫存需求預測流程.以汽車產業鏈協同平檯的售後配件庫存歷史需求量為樣本數據進行實例倣真,將QPSO-SVR預測模型與反嚮傳播神經網絡(BPNN)和PSO-SVR模型做比較,實驗和比較結果錶明,QPSO-SVR預測方法有效可行,其預測精度和汎化能力均優于其它兩種方法.
위실현대수후배건고존수구량적준학예측,우화배건고존,제출지지향량회귀(SVR)적예측방법;채용양자입자군산법(QPSO)대SVR삼수진행우화선택,설계기우QPSO-SVR적수후배건고존수구예측류정.이기차산업련협동평태적수후배건고존역사수구량위양본수거진행실례방진,장QPSO-SVR예측모형여반향전파신경망락(BPNN)화PSO-SVR모형주비교,실험화비교결과표명,QPSO-SVR예측방법유효가행,기예측정도화범화능력균우우기타량충방법.
