CN115186910A - 一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法 - Google Patents
一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法 Download PDFInfo
- Publication number
- CN115186910A CN115186910A CN202210843565.0A CN202210843565A CN115186910A CN 115186910 A CN115186910 A CN 115186910A CN 202210843565 A CN202210843565 A CN 202210843565A CN 115186910 A CN115186910 A CN 115186910A
- Authority
- CN
- China
- Prior art keywords
- lstm
- model
- machine
- xgboost
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000004744 fabric Substances 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 15
- 239000002994 raw material Substances 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000004519 manufacturing process Methods 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000009795 derivation Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims 1
- 239000004753 textile Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法,属于产能预测技术领域,包括以下步骤:S1:数据探索和数据预处理;S2:特征设计;S3:单变量分析;S4:LSTM模型结构;S5:样本划分;S6:模型训练:S7:混合模型:S8:针对新机台的冷启动问题;S9:由模型预测输出结果得到机台的运行效率,根据原材料的需求量公式。本发明提出的一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法,通过全面分析产能影响因素,采用了XGBoost与LSTM混合模型进行时间序列产能预测方法,根据历史30天的数据,可实现预测未来30天的机台产能。
Description
技术领域
本发明涉及产能预测技术领域,特别涉及一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法。
背景技术
随着智能制造技术的应用推广,我国纺织服装行业也在不断升级改造,以数字化为基础,将数字化与互联网以及工业云技术相结合,驱动着纺织行业供应链的智能化转型提升。本项目是针对纺织供应链中坯布厂作为金融授信主体,为了确认授信主体的授信额度大小,即对坯布厂的金融订单的资金需求主要是采购原材料,那么对坯布厂进行未来产能预测迫在眉睫,如图1所示。以往纺织行业工厂开工率、设备运行效率预测,大多是以业内人的经验估算、传统的单变量预测或采用机器学习算法进行预测。
发明内容
本发明的目的在于提供一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法,包括以下步骤:
S1:数据探索和数据预处理;
S2:特征设计;
S3:单变量分析;
S4:LSTM模型结构;
S5:样本划分;
S6:模型训练;
S7:混合模型;
S8:针对新机台的冷启动问题;
S9:由模型预测输出结果得到机台的运行效率,根据原材料的需求量公式。
进一步地,针对S1中:整合汇总内外部数据源所有的原始字段,包括以下步骤;
S11:异常数据和缺失数据进行数据清洗和预处理,剔除缺失率高、相同值的变量,或物联网采集数据存在上抛异常进行数据清洗;
S12:数值型进行归一化;
S13:类别变量转为数值型:对于多状态类型可以先进行类别合并,城市名称,可作为一线城市、二线城市、三线城市归类处理,再采用one-hot编码转化为数值型。
进一步地,针对S2中:基于S1将原始字段进行变量衍生,按时间窗口切片、最大值、最小值、次数、求和、平均值、波动值、变异系数;
其中,工厂机台生产运行情况与长时间段内信息有强相关性,对生产过程机台的运行指标,按时间窗口切片做特征衍生,长周期的30、60、90天的机台故障次数、均值,由原子变量和衍生变量生成初版宽表。
进一步地,针对S3中:基于S2进一步探索特征变量与目标变量的关系,运行效率和节假日变量相关性分析,计算相关系数R值,取值范围为[-1,1],绝对值越接近1,相关性越强,绝对值越接近0,相关性越弱,利用曲线图直观表现,设置R值阈,删除与目标变量无关的特征变量,最终形成输入模型宽表。
进一步地,针对S4中:采用四层LSTM网络堆叠设计,LSTM模块的层数越多,训练的时候就比较难收敛,Sequential用于初始化神经网络,LSTM 用于添加长短期隐藏层,Dropout用于添加防止过拟合的dropout层,Dens用于添加全连接的神经网络层,最后会加一层普通的神经网路层用于输出结果的降维。
进一步地,针对S5中:数据时间范围9个月,一个机台一班次为一条记录数据,其中前8个月作为训练集600w和测试150w、后1个月作为验证集 50w。
进一步地,针对S6中:基于S5中LSTM模型输入是某机台历史30天多维特征数据,模型输出是对应机台未来30天运行效率,模型训练和测试过程,XGBoost模型输入某机台历史1天多维特征数据,输出对应机台未来30天后的预测数据,循环30次。
进一步地,针对S7中:通过对LSTM和XGB模型预测结果对比分析发现,LSTM对于机台运行生命周期中停机或低效运行预测效果表现良好,XGB 对于正常运行预测表现良好,结合LSTM和XGB的机台不同状态预测表现;
当LSTM预测结果<0.5,混合模型预测结果输出为LSTM预测结果;
当LSTM预测结果>=0.5时,混合模型预测结果输出为XGBoost预测结果。
进一步地,针对S8中:对于新工厂的机台,完全冷启动预测,模型判断是否为新机台,按最近区域的原则、找机台型号、产品类型相同的机台,利用机台历史30天数据,作为输入模型预测再求均值;
对于生产数据不满30天的机台,取相同区域内的机台特征相似度计算排序,将相似度最高的机台运行数据填充,再用模型做预测;
进一步地,针对S9中:产量=运行时长*车速/纬密/100;车速和纬密可根据订单信息获取,即可得到产量值,从而推算出购买原材料所需的金额。
与现有技术相比,本发明的有益效果是:
本发明提出的一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法,通过全面分析影响工厂生产的因素,从市场行情、宏观政策、工厂、设备IOT数据、员工属性、生产管理等角度出发,将传统机器学习与深度学习方法相结合,采用XGBoost+LSTM混合模型,实现多维特征输入多输出的时间序列预测;提升机台产能预测准确率,减小估算出客户订单的原料需求量和所需资金的偏差。通过全面分析产能影响因素,采用了XGBoost与LSTM 混合模型进行时间序列产能预测方法,根据历史30天的数据,可实现预测未来30天的机台产能。
附图说明
图1为现有技术的设备组机台IOT数据流图;
图2为本发明的XGBoost与LSTM混合模型预测结构;
图3为本发明的新机台的冷启动预测解决方案流程图;
图4为本发明的多层LSTM网络结构图;
图5为本发明的LSTM模型训练和预测过程演示图;
图6为本发明的XGBoost模型训练和预测过程演示图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,为了实现纺织坯布厂梭织机生产场景下,预测未来30天的运行效率,从业务角度分析,外部因素:市场行情、期货交易、气候环境、区域限电政策、电商平台营销模式、进出口外贸、节假日和季节性;内部因素:工厂属性、机台属性、商品属性、员工属性、生产过程、机台故障和维修等影响因素;基于以上分析,整合汇总内部和外部数据源,开展模型开发工作;
一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法,包括以下步骤:
步骤一:数据探索和数据预处理;
整合汇总内外部数据源所有的原始字段,包括以下步骤;
第一步:异常数据和缺失数据进行数据清洗和预处理,剔除缺失率高、相同值的变量,或物联网采集数据存在上抛异常进行数据清洗;
第二步:数值型进行归一化;
第三步:类别变量转为数值型:对于多状态类型可以先进行类别合并,城市名称,可作为一线城市、二线城市、三线城市归类处理,再采用one-hot 编码转化为数值型。
步骤二:基于步骤一将原始字段进行变量衍生,按时间窗口切片、最大值、最小值、次数、求和、平均值、波动值、变异系数;其中,工厂机台生产运行情况与长时间段内信息有强相关性,对生产过程机台的运行指标,按时间窗口切片做特征衍生,长周期的30、60、90天的机台故障次数、均值,由原子变量和衍生变量生成初版宽表。
步骤三:单变量分析;基于步骤二进一步探索特征变量与目标变量的关系,运行效率和节假日变量相关性分析,计算相关系数R值,取值范围为[-1,1],绝对值越接近1,相关性越强,绝对值越接近0,相关性越弱,利用曲线图直观表现,设置R值阈,删除与目标变量无关的特征变量,最终形成输入模型宽表
步骤四:LSTM模型结构;采用四层LSTM网络堆叠设计,如图4所示, LSTM模块的层数越多,训练的时候就比较难收敛,Sequential用于初始化神经网络,LSTM用于添加长短期隐藏层,Dropout用于添加防止过拟合的 dropout层,Dens用于添加全连接的神经网络层,最后会加一层普通的神经网路层用于输出结果的降维;
步骤五:样本划分;数据时间范围从2021年5月-2022年2月一个机台一班次为一条记录数据,其中21年5月-22年1月作为训练集600w和测试 150w、2022年2月作为验证集50w;
步骤六:模型训练:基于步骤五中LSTM模型输入是某机台历史30天多维特征数据,模型输出是对应机台未来30天运行效率,模型训练和测试过程,如图5所示;XGBoost模型输入某机台历史1天多维特征数据,输出对应机台未来30天后的预测数据,循环30次,如图6所示;
步骤七:混合模型:如图2所示通过对LSTM和XGB模型预测结果对比分析发现,LSTM对于机台运行生命周期中停机或低效运行预测效果表现良好,XGB对于正常运行预测表现良好,结合LSTM和XGB的机台不同状态预测表现;
当LSTM预测结果<0.5,混合模型预测结果输出为LSTM预测结果;
当LSTM预测结果>=0.5时,混合模型预测结果输出为XGBoost预测结果。
通过全面分析影响工厂生产的因素,从市场行情、宏观政策、工厂、设备IOT数据、员工属性、生产管理等角度出发,利用机台历史30天的生产运行数据,预测未来30天的机台运行效率,将传统机器学习与深度学习方法相结合,采用XGBoost+LSTM混合模型,实现多维特征输入多输出的时间序列预测;
步骤八:如图3所示针对新机台的冷启动问题;对于新工厂的机台,完全冷启动预测,模型判断是否为新机台,按最近区域的原则、找机台型号、产品类型相同的机台,利用机台历史30天数据,作为输入模型预测再求均值;
实际应用过程中会遇到的新机台的冷启动问题,分两类:第一类新合作的工厂,属于完全冷启动问题,第二类IOT数据不满足30天的机台,缺少历史生产运行数据,属于非完全冷启动问题。对于冷启动的解决方案,本项目采用基于情景信息的方法,利用工厂地域、工厂规模、设备型号、加工商品等特征矩阵,通过相似度计算排序寻找新机台的最近邻。对于完全冷启动的机台,可直接取相似度最高的机台未来30天的产能预测结果;对于不满足30 天生产记录,采用缺失生产数据,可采用相似度最高的机台历史运行数据填充后,再做机台产能预测;
对于生产数据不满30天的机台,取相同区域内的机台特征相似度计算排序,将相似度最高的机台运行数据填充,再用模型做预测;解决方案流程如图4所示;
步骤九:由模型预测输出结果得到机台的运行效率,根据原材料的需求量公式,产量=运行时长*车速/纬密/100;车速和纬密可根据订单信息获取,即可得到产量值,从而推算出购买原材料所需的金额。
提升机台产能预测准确率,减小估算出客户订单的原料需求量和所需资金的偏差。通过全面分析产能影响因素,采用了XGBoost与LSTM混合模型进行时间序列产能预测方法,同时提出了遇到新机台冷启动问题的解决方案。
综上所述;本发明的一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法,通过全面分析影响工厂生产的因素,从市场行情、宏观政策、工厂、设备IOT数据、员工属性、生产管理等角度出发,将传统机器学习与深度学习方法相结合,采用XGBoost+LSTM混合模型,实现多维特征输入多输出的时间序列预测;提升机台产能预测准确率,减小估算出客户订单的原料需求量和所需资金的偏差。通过全面分析产能影响因素,采用了XGBoost与 LSTM混合模型进行时间序列产能预测方法,根据历史30天的数据,可实现预测未来30天的机台产能。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法,其特征在于,包括以下步骤:
S1:数据探索和数据预处理;
S2:特征设计;
S3:单变量分析;
S4:LSTM模型结构;
S5:样本划分;
S6:模型训练;
S7:混合模型;
S8:针对新机台的冷启动问题;
S9:由模型预测输出结果得到机台的运行效率,根据原材料的需求量公式。
2.如权利要求1所述的一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法,其特征在于,针对S1中:整合汇总内外部数据源所有的原始字段,包括以下步骤;
S11:异常数据和缺失数据进行数据清洗和预处理,剔除缺失率高、相同值的变量,或物联网采集数据存在上抛异常进行数据清洗;
S12:数值型进行归一化;
S13:类别变量转为数值型:对于多状态类型可以先进行类别合并,城市名称,可作为一线城市、二线城市、三线城市归类处理,再采用one-hot编码转化为数值型。
3.如权利要求1所述的一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法,其特征在于,针对S2中:基于S1将原始字段进行变量衍生,按时间窗口切片、最大值、最小值、次数、求和、平均值、波动值、变异系数;
其中,工厂机台生产运行情况与长时间段内信息有强相关性,对生产过程机台的运行指标,按时间窗口切片做特征衍生,长周期的30、60、90天的机台故障次数、均值,由原子变量和衍生变量生成初版宽表。
4.如权利要求1所述的一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法,其特征在于,针对S3中:基于S2进一步探索特征变量与目标变量的关系,运行效率和节假日变量相关性分析,计算相关系数R值,取值范围为[-1,1],绝对值越接近1,相关性越强,绝对值越接近0,相关性越弱,利用曲线图直观表现,设置R值阈,删除与目标变量无关的特征变量,最终形成输入模型宽表。
5.如权利要求1所述的一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法,其特征在于,针对S4中:采用四层LSTM网络堆叠设计,LSTM模块的层数越多,训练的时候就比较难收敛,Sequential用于初始化神经网络,LSTM用于添加长短期隐藏层,Dropout用于添加防止过拟合的dropout层,Dens用于添加全连接的神经网络层,最后会加一层普通的神经网路层用于输出结果的降维。
6.如权利要求1所述的一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法,其特征在于,针对S5中:数据时间范围9个月,一个机台一班次为一条记录数据,其中前8个月作为训练集600w和测试150w、后1个月作为验证集50w。
7.如权利要求1所述的一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法,其特征在于,针对S6中:基于S5中LSTM模型输入是某机台历史30天多维特征数据,模型输出是对应机台未来30天运行效率,模型训练和测试过程,XGBoost模型输入某机台历史1天多维特征数据,输出对应机台未来30天后的预测数据,循环30次。
8.如权利要求1所述的一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法,其特征在于,针对S7中:通过对LSTM和XGB模型预测结果对比分析发现,LSTM对于机台运行生命周期中停机或低效运行预测效果表现良好,XGB对于正常运行预测表现良好,结合LSTM和XGB的机台不同状态预测表现;
当LSTM预测结果<0.5,混合模型预测结果输出为LSTM预测结果;
当LSTM预测结果>=0.5时,混合模型预测结果输出为XGBoost预测结果。
9.如权利要求1所述的一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法,其特征在于,针对S8中:对于新工厂的机台,完全冷启动预测,模型判断是否为新机台,按最近区域的原则、找机台型号、产品类型相同的机台,利用机台历史30天数据,作为输入模型预测再求均值;
对于生产数据不满30天的机台,取相同区域内的机台特征相似度计算排序,将相似度最高的机台运行数据填充,再用模型做预测;
10.如权利要求1所述的一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法,其特征在于,针对S9中:产量=运行时长*车速/纬密/100;车速和纬密可根据订单信息获取,即可得到产量值,从而推算出购买原材料所需的金额。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210843565.0A CN115186910A (zh) | 2022-07-18 | 2022-07-18 | 一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210843565.0A CN115186910A (zh) | 2022-07-18 | 2022-07-18 | 一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115186910A true CN115186910A (zh) | 2022-10-14 |
Family
ID=83519507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210843565.0A Withdrawn CN115186910A (zh) | 2022-07-18 | 2022-07-18 | 一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115186910A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307526A (zh) * | 2023-02-06 | 2023-06-23 | 四化信息科技(深圳)有限公司 | 一种基于数学模型智慧工厂产能分析系统 |
CN117521922A (zh) * | 2024-01-08 | 2024-02-06 | 江苏恒力化纤股份有限公司 | 一种织机了机时间预测方法 |
-
2022
- 2022-07-18 CN CN202210843565.0A patent/CN115186910A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307526A (zh) * | 2023-02-06 | 2023-06-23 | 四化信息科技(深圳)有限公司 | 一种基于数学模型智慧工厂产能分析系统 |
CN116307526B (zh) * | 2023-02-06 | 2023-11-07 | 四化信息科技(深圳)有限公司 | 一种基于数学模型智慧工厂产能分析系统 |
CN117521922A (zh) * | 2024-01-08 | 2024-02-06 | 江苏恒力化纤股份有限公司 | 一种织机了机时间预测方法 |
CN117521922B (zh) * | 2024-01-08 | 2024-03-19 | 江苏恒力化纤股份有限公司 | 一种织机了机时间预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115186910A (zh) | 一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法 | |
CN111199343A (zh) | 一种多模型融合的烟草市场监管异常数据挖掘方法 | |
CN110866819A (zh) | 一种基于元学习的自动化信贷评分卡生成方法 | |
CN111080408B (zh) | 一种基于深度强化学习的订单信息处理方法 | |
CN113642826B (zh) | 一种供应商违约风险预测方法 | |
CN113837859B (zh) | 一种小微企业画像构建方法 | |
CN116468536A (zh) | 一种自动化风险控制规则生成的方法 | |
CN117034197A (zh) | 基于多维Isolate-Detect多变点检测的企业用电典型模式分析方法 | |
CN115759460A (zh) | 基于卷积神经网络的核心企业与供应商合作关系预测方法 | |
CN115689331A (zh) | 一种基于mlp的输变电工程量合理性分析方法 | |
Wang | Research on enterprise financial performance evaluation method based on data mining | |
CN111199319A (zh) | 基于多任务最小二乘支持向量机的股票指数预测方法 | |
Pan | Big Data Logistics Inventory Control Model Based on Error Correction Model | |
Meng et al. | Understanding Influential Factors in Selecting Sustainable Third-party Logistics Providers: An Interpretive Structural Modeling and MICMAC Analysis | |
CN117875726B (zh) | 基于深度学习的价值链优化管控方法 | |
Liashenko et al. | The Impact of Data Analytics on the Nature of Doing Business | |
CN117973904B (zh) | 智能制造的产能分析方法及系统 | |
Colla et al. | Genetic algorithms applied to discrete distribution fitting | |
CN116596578A (zh) | 一种面向大宗商品的需求预测方法及设备 | |
CN116108079A (zh) | 基于大数据挖掘的企业研发方向推荐方法 | |
Liu et al. | Product quality prediction based on integrated feature selection | |
CN117151867A (zh) | 一种基于大数据的企业异常识别方法及系统 | |
Zhang et al. | Using neural network to automatic manufacture product label in enterprise under IoT environments | |
CN117973846A (zh) | 基于产业链的企业风险预测方法和系统 | |
Jafarian-Namin et al. | An integrated MOEA and MCDM for multi-objective optimization (case study: control chart design) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221014 |
|
WW01 | Invention patent application withdrawn after publication |