基于多指标与卷积神经网络的化工产品需求预测

作者：吴学华; 马晓华; 娄海川; 韩晓春; 丁杰; 侯卫锋

来源：自动化仪表, 2018, 39(08): 15-22.

DOI：10.16086/j.cnki.issn1000-0380.2018020042

• 变异系数
• 帕累托分类
• 神经网络
• 预测
• 时间序列
• 确定性

针对化工行业上下游产品关联大、规格多、市场需求变化规律性不明显的特点,提出了一种基于多指标与卷积神经网络(CNN)相结合的产品需求预测框架。首先,利用变异系数法,计算出每种产品的加权变异系数,对需求产品进行初步划分。然后,利用帕累托分类法,将产品以需求量为基准进行A/B分类,从而得到4种不同类别的产品划分:高需求量高不确定性、高需求量低不确定性、低需求量高不确定性、低需求量低不确定性。由于统计预测方法对高波动性时序数据的预测效果较差,因此对4种类别产品分别构建基于细颗粒度时序的CNN模型,并进行预测。对某化工企业的有机硅与农化7大类共202种具体产品牌号历史订单量进行测试建模,并与自回归滑动平均(ARMA)、乘法分解预测以及同类型的4种不同结构的CNN模型进行对比。对比结果表明,长输入多卷积常池化神经网络(LMN-CNN)模型在大类产品的平均预测精度为89.22%,明显高于传统的时间序列预测模型,且优于不同类型的CNN。该结果验证了LMN-CNN模型的有效性。

• 单位
  浙江中控软件技术有限公司