典型文献
基于关联规则及组合模型的面料需求预测
文献摘要：
由于服装的面料组成具有复杂性,企业在不同时间对不同规格型号面料需求量不一致,传统的人工预测及单维度智能预测模型难以解决问题.针对服装企业面料需求非确定性、预测难的痛点,提出基于关联规则及组合模型的面料需求预测方法.首先构建Apriori面料型号关联模型,挖掘多批多类面料间的型号关联规则;然后构建Prophet时间序列模型与长短期记忆神经网络(long short-term memory,LSTM)的组合预测模型Prophet-LSTM,结合其在解决面料需求预测问题上的优势;最后将挖掘出的高关联面料型号历史需求数据作为输入,采用量子粒子群算法(quantum particle swarm optimization,QPSO)优化组合模型权值系数,进行关联面料需求量预测.使用均方根误差(root mean squared error,RMSE)及平均绝对误差(mean abso-lute error,MAE)作为评价指标设计对比实验,实验结果表明:采用量子粒子群优化的QPSOProphet-LSTM面料需求预测模型RMSE较Prophet降低5.464,较LSTM降低1.184;MAE较Prophet降低4.261,较LSTM降低0.819,需求预测精度更高,支持服装企业面料柔性生产.
文献关键词：
需求预测;Apriori;关联分析;Prophet;LSTM;量子粒子群算法
中图分类号：
作者姓名：
李长云;李亭立;何频捷;黎建波;王松烨;毛鑫鑫
作者机构：
湖南工业大学计算机学院,株洲412000;湖南省智能信息感知及处理技术重点实验室,株洲412000
文献出处：
引用格式：
[1]李长云;李亭立;何频捷;黎建波;王松烨;毛鑫鑫-.基于关联规则及组合模型的面料需求预测)[J].科学技术与工程,2022(35):15697-15707
A类：
abso,QPSOProphet
B类：
关联规则,组合模型,面料,需求预测,不同规格,规格型号,智能预测,难以解决,服装企业,Apriori,料型,关联模型,多批,时间序列模型,长短期记忆神经网络,long,short,term,memory,组合预测模型,挖掘出,需求数据,量子粒子群算法,quantum,particle,swarm,optimization,优化组合,权值系数,需求量预测,root,mean,squared,error,RMSE,平均绝对误差,lute,MAE,评价指标设计,设计对比,量子粒子群优化,柔性生产
AB值：
0.322323
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
