CN117273237B - 一种基于人工智能的汽车零部件产能预测方法及系统 - Google Patents
一种基于人工智能的汽车零部件产能预测方法及系统 Download PDFInfo
- Publication number
- CN117273237B CN117273237B CN202311519671.4A CN202311519671A CN117273237B CN 117273237 B CN117273237 B CN 117273237B CN 202311519671 A CN202311519671 A CN 202311519671A CN 117273237 B CN117273237 B CN 117273237B
- Authority
- CN
- China
- Prior art keywords
- weight
- data
- model
- following formula
- design
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 16
- 238000013461 design Methods 0.000 claims abstract description 42
- 230000004913 activation Effects 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000004519 manufacturing process Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 239000002994 raw material Substances 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Manufacturing & Machinery (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能的汽车零部件产能预测方法及系统，方法包括数据采集、数据预处理、建立产能预测模型、模型初始权重搜索和实时运行。本发明属于预测分析技术领域，具体是指一种基于人工智能的汽车零部件产能预测方法及系统，本方案基于设计神经网络，通过设计激活函数、设计损失函数和设计非线性函数进行更新模型；通过生成变异向量和测试向量增加搜索多样性和灵活性，基于设计自适应惯性权重进行位置更新。
Description
技术领域
本发明涉及预测分析技术领域，具体是指一种基于人工智能的汽车零部件产能预测方法及系统。
背景技术
基于人工智能的汽车零部件产能预测方法是利用机器学习和数据分析技术，结合汽车零部件生产过程中的特征数据和历史产能数据，通过模型建立对未来的汽车零部件产能进行准确预测的方法。但是传统产能预测模型存在非线性关系捕捉能力弱，模型学习能力弱及难以适应数据变化的问题；一般搜索算法存在搜索局限性，搜索多样性和搜索力度弱导致搜索效率低的问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于人工智能的汽车零部件产能预测方法及系统，针对传统产能预测模型存在非线性关系捕捉能力弱，模型学习能力弱及难以适应数据变化的问题，本方案基于设计神经网络，通过设计激活函数、设计损失函数和设计非线性函数进行更新模型，增强模型鲁棒性和准确性；针对一般搜索算法存在搜索局限性，搜索多样性和搜索力度弱导致搜索效率低的问题，本方案通过生成变异向量和测试向量增加搜索多样性和灵活性，基于设计自适应惯性权重进行位置更新，提高搜索适应性，增加搜索力度，进而提高搜索效率。
本发明采取的技术方案如下：本发明提供的一种基于人工智能的汽车零部件产能预测方法，该方法包括以下步骤：
步骤S1：数据采集，采集特征数据、周期数据、目标数据和权重数据；
步骤S2：数据预处理；
步骤S3：建立产能预测模型，基于设计神经网络，通过设计激活函数、设计损失函数和设计非线性函数进行更新模型；
步骤S4：模型初始权重搜索，基于生成变异向量和生成测试向量进行位置更替，基于设计自适应惯性权重更新权重位置；
步骤S5：实时运行。
进一步地，在步骤S1中，特征数据包括生产线产能利用率、生产设备运行状态、原材料供应稳定性、生产效率；周期数据是不同周期内的特征数据；目标数据是汽车零部件产能数据；权重数据是影响特征之间关系的数据。
进一步地，在步骤S2中，所述数据预处理是对采集的数据进行数据清洗、特征选择和归一化处理。
进一步地，在步骤S3中，所述建立产能预测模型具体包括以下步骤：
步骤S31：设计神经网络，所用公式如下：
；
式中，y是模型输出，γ0是初始学习率，k是当前训练次数，kmax是最大训练次数，A是周期内特征矩阵；σ是激活函数，X是用于预测汽车零部件产能的参数矩阵，b是偏置矩阵；
步骤S32：设计激活函数，所用公式如下：
；
式中，p是幂函数的指数，ξ是控制指数函数的斜率；
步骤S33：设计损失函数J（·），所用公式如下：
；
式中，nI是矩阵数量，I是矩阵索引；F是目标值矩阵，表示每个时间周期的实际产能；
步骤S34：计算梯度，所用公式如下：
；
步骤S35：设计非线性函数，所用公式如下：
；
步骤S36：更新模型，所用公式如下：
；
步骤S37：模型判断，预先设有损失阈值，若模型损失函数值低于损失阈值时，模型训练完成，否则继续训练。
进一步地，在步骤S4中，所述模型初始权重搜索具体包括以下步骤：
步骤S41：初始化权重位置，将基于权重位置建立的模型性能作为权重适应度值，初始化权重位置的公式如下：
；
式中，x是权重位置，n是权重数量；
步骤S42：生成变异向量V，所用公式如下：
；
式中，i是向量索引，r1、r2和r3是随机选择的三个权重索引，C1是方差因子，C1是0到1的随机数；
步骤S43：生成测试向量U，所用公式如下：
；
式中，j是维度索引，randi，j[0，1]和Rc是相互独立的0到1的随机数；
步骤S44：位置选择，所用公式如下：
；
式中，是最终选择的权重位置，f（·）是适应度值；
步骤S45：设计自适应惯性权重，所用公式如下：
；
式中，ω是惯性权重，u是迭代中最佳适应度值；
步骤S46：更新权重位置，所用公式如下：
；
式中，t是当前迭代次数，tmax是最大迭代次数，b是常数系数，l是0到1的随机数，xbest（t）是最优权重位置，C是0到2的随机数；
步骤S47：搜索判定，预先设有适应度阈值，当存在权重个体适应度值高于适应度阈值时，基于权重个体位置建立产能预测模型；若达到最大迭代次数，则重新初始化权重个体进行搜索；否则继续迭代搜索。
进一步地，在步骤S5中，所述实时运行是实时采集汽车零部件生产数据，基于步骤S4搜索的权重位置建立产能预测模型实现对汽车零部件产能预测。
本发明提供的一种基于人工智能的汽车零部件产能预测系统，包括数据采集模块、数据预处理模块、产能预测模型建立模块、模型初始权重搜索模块和实时运行模块；
所述数据采集模块采集特征数据、周期数据、目标数据和权重数据，并将数据发送至数据预处理模块；
所述数据预处理模块对采集的数据进行数据清洗、特征选择和归一化处理，并将数据发送至产能预测模型建立模块；
所述产能预测模型建立模块基于设计神经网络，通过设计激活函数、设计损失函数和设计非线性函数进行更新模型，并将数据发送至模型初始权重搜索模块；
所述模型初始权重搜索模块基于生成变异向量和生成测试向量进行位置更替，基于设计自适应惯性权重更新权重位置，并将数据发送至实时运行模块；
所述实时运行模块实时采集汽车零部件生产数据，基于步骤S4搜索的权重位置建立产能预测模型实现对汽车零部件产能预测。
采用上述方案本发明取得的有益效果如下：
（1）针对传统产能预测模型存在非线性关系捕捉能力弱，模型学习能力弱及难以适应数据变化的问题，本方案基于设计神经网络，通过设计激活函数、设计损失函数和设计非线性函数进行更新模型，增强模型鲁棒性和准确性。
（2）针对一般搜索算法存在搜索局限性，搜索多样性和搜索力度弱导致搜索效率低的问题，本方案通过生成变异向量和测试向量增加搜索多样性和灵活性，基于设计自适应惯性权重进行位置更新，提高搜索适应性，增加搜索力度，进而提高搜索效率。
附图说明
图1为本发明提供的一种基于人工智能的汽车零部件产能预测方法的流程示意图；
图2为本发明提供的一种基于人工智能的汽车零部件产能预测系统的示意图；
图3为步骤S3的流程示意图；
图4为步骤S4的流程示意图。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
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。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的一种基于人工智能的汽车零部件产能预测方法，该方法包括以下步骤：
步骤S1：数据采集，采集特征数据、周期数据、目标数据和权重数据；
步骤S2：数据预处理；
步骤S3：建立产能预测模型，基于设计神经网络，通过设计激活函数、设计损失函数和设计非线性函数进行更新模型；
步骤S4：模型初始权重搜索，基于生成变异向量和生成测试向量进行位置更替，基于设计自适应惯性权重更新权重位置；
步骤S5：实时运行。
实施例二，参阅图1，该实施例基于上述实施例，在步骤S1中，特征数据包括生产线产能利用率、生产设备运行状态、原材料供应稳定性、生产效率；周期数据是不同周期内的特征数据；目标数据是汽车零部件产能数据；权重数据是影响特征之间关系的数据。
实施例三，参阅图1，该实施例基于上述实施例，在步骤S2中，数据预处理是对采集的数据进行数据清洗、特征选择和归一化处理。
实施例四，参阅图1和图3，该实施例基于上述实施例，在步骤S3中，建立产能预测模型具体包括以下步骤：
步骤S31：设计神经网络，所用公式如下：
；
式中，y是模型输出，γ0是初始学习率，k是当前训练次数，kmax是最大训练次数，A是周期内特征矩阵；σ是激活函数，X是用于预测汽车零部件产能的参数矩阵，b是偏置矩阵；
步骤S32：设计激活函数，所用公式如下：
；
式中，p是幂函数的指数，ξ是控制指数函数的斜率；
步骤S33：设计损失函数J（·），所用公式如下：
；
式中，nI是矩阵数量，I是矩阵索引；F是目标值矩阵，表示每个时间周期的实际产能；
步骤S34：计算梯度，所用公式如下：
；
步骤S35：设计非线性函数，所用公式如下：
；
步骤S36：更新模型，所用公式如下：
；
步骤S37：模型判断，预先设有损失阈值，若模型损失函数值低于损失阈值时，模型训练完成，否则继续训练。
通过执行上述操作，针对传统产能预测模型存在非线性关系捕捉能力弱，模型学习能力弱及难以适应数据变化的问题，本方案基于设计神经网络，通过设计激活函数、设计损失函数和设计非线性函数进行更新模型，增强模型鲁棒性和准确性。
实施例五，参阅图1和图4，该实施例基于上述实施例，在步骤S4中，模型初始权重搜索具体包括以下步骤：
步骤S41：初始化权重位置，将基于权重位置建立的模型性能作为权重适应度值，初始化权重位置的公式如下：
；
式中，x是权重位置，n是权重数量；
步骤S42：生成变异向量V，所用公式如下：
；
式中，i是向量索引，r1、r2和r3是随机选择的三个权重索引，C1是方差因子，C1是0到1的随机数；
步骤S43：生成测试向量U，所用公式如下：
；
式中，j是维度索引，randi，j[0，1]和Rc是相互独立的0到1的随机数；
步骤S44：位置选择，所用公式如下：
；
式中，是最终选择的权重位置，f（·）是适应度值；
步骤S45：设计自适应惯性权重，所用公式如下：
；
式中，ω是惯性权重，u是迭代中最佳适应度值；
步骤S46：更新权重位置，所用公式如下：
；
式中，t是当前迭代次数，tmax是最大迭代次数，b是常数系数，l是0到1的随机数，xbest（t）是最优权重位置，C是0到2的随机数；
步骤S47：搜索判定，预先设有适应度阈值，当存在权重个体适应度值高于适应度阈值时，基于权重个体位置建立产能预测模型；若达到最大迭代次数，则重新初始化权重个体进行搜索；否则继续迭代搜索。
通过执行上述操作，针对一般搜索算法存在搜索局限性，搜索多样性和搜索力度弱导致搜索效率低的问题，本方案通过生成变异向量和测试向量增加搜索多样性和灵活性，基于设计自适应惯性权重进行位置更新，提高搜索适应性，增加搜索力度，进而提高搜索效率。
实施例六，参阅图1，该实施例基于上述实施例，在步骤S5中，实时运行是实时采集汽车零部件生产数据，基于步骤S4搜索的权重位置建立产能预测模型实现对汽车零部件产能预测。
实施例七，参阅图2，该实施例基于上述实施例，本发明提供的一种基于人工智能的汽车零部件产能预测系统，包括数据采集模块、数据预处理模块、产能预测模型建立模块、模型初始权重搜索模块和实时运行模块；
所述数据采集模块采集特征数据、周期数据、目标数据、权重数据，并将数据发送至数据预处理模块；
所述数据预处理模块对采集的数据进行数据清洗、特征选择和归一化处理，并将数据发送至产能预测模型建立模块；
所述产能预测模型建立模块基于设计神经网络，通过设计激活函数、设计损失函数和设计非线性函数进行更新模型；
所述模型初始权重搜索模块基于生成变异向量和生成测试向量进行位置更替，基于设计自适应惯性权重更新权重位置，并将数据发送至实时运行模块；
所述实时运行模块实时采集汽车零部件生产数据，基于步骤S4搜索的权重位置建立产能预测模型实现对汽车零部件产能预测。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (3)
1.一种基于人工智能的汽车零部件产能预测方法，其特征在于：该方法包括以下步骤：
步骤S1：数据采集，采集特征数据、周期数据、目标数据和权重数据；
步骤S2：数据预处理；
步骤S3：建立产能预测模型，基于设计神经网络，通过设计激活函数、设计损失函数和设计非线性函数进行更新模型；
步骤S4：模型初始权重搜索，基于生成变异向量和生成测试向量进行位置更替，基于设计自适应惯性权重更新权重位置；
步骤S5：实时运行；
在步骤S3中，所述建立产能预测模型具体包括以下步骤：
步骤S31：设计神经网络，所用公式如下：
；
式中，y是模型输出，γ0是初始学习率，k是当前训练次数，kmax是最大训练次数，A是周期内特征矩阵；σ是激活函数，X是用于预测汽车零部件产能的参数矩阵，B是偏置矩阵；
步骤S32：设计激活函数，所用公式如下：
；
式中，p是幂函数的指数，ξ是控制指数函数的斜率；
步骤S33：设计损失函数J（·），所用公式如下：
；
式中，nI是矩阵数量，I是矩阵索引；F是目标值矩阵，表示每个时间周期的实际产能；
步骤S34：计算梯度，所用公式如下：
；
式中，BI-1是前一层神经网络的偏置矩阵，BI是当前层神经网络的偏置矩阵；
步骤S35：设计非线性函数，所用公式如下：
；
步骤S36：更新模型，所用公式如下：
；
步骤S37：模型判断，预先设有损失阈值，若模型损失函数值低于损失阈值时，模型训练完成，否则继续训练；
在步骤S4中，所述模型初始权重搜索具体包括以下步骤：
步骤S41：初始化权重位置，将基于权重位置建立的模型性能作为权重适应度值，初始化权重位置的公式如下：
；
式中，x是权重位置，n是权重数量；
步骤S42：生成变异向量V，所用公式如下：
；
式中，i是向量索引，r1、r2和r3是随机选择的三个权重索引，C1是方差因子，C1是0到1的随机数；
步骤S43：生成测试向量U，所用公式如下：
；
式中，j是维度索引，randi，j[0，1]和Rc是相互独立的0到1的随机数；
步骤S44：位置选择，所用公式如下：
；
式中，是最终选择的权重位置，f（·）是适应度值；
步骤S45：设计自适应惯性权重，所用公式如下：
；
式中，ω是惯性权重，u是迭代中最佳适应度值；
步骤S46：更新权重位置，所用公式如下：
；
式中，t是当前迭代次数，tmax是最大迭代次数，b是常数系数，l是0到1的随机数，xbest（t）是最优权重位置，C是0到2的随机数；
步骤S47：搜索判定，预先设有适应度阈值，当存在权重个体适应度值高于适应度阈值时，基于权重个体位置建立产能预测模型；若达到最大迭代次数，则重新初始化权重个体进行搜索；否则继续迭代搜索；
在步骤S1中，特征数据包括生产线产能利用率、生产设备运行状态、原材料供应稳定性、生产效率；周期数据是不同周期内的特征数据；目标数据是汽车零部件产能数据；权重数据是影响特征之间关系的数据。
2.根据权利要求1所述的一种基于人工智能的汽车零部件产能预测方法，其特征在于：在步骤S2中，所述数据预处理是对采集的数据进行数据清洗、特征选择和归一化处理。
3.根据权利要求1所述的一种基于人工智能的汽车零部件产能预测方法，其特征在于：在步骤S5中，所述实时运行是实时采集汽车零部件生产数据，基于步骤S4搜索的权重位置建立产能预测模型实现对汽车零部件产能预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311519671.4A CN117273237B (zh) | 2023-11-15 | 2023-11-15 | 一种基于人工智能的汽车零部件产能预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311519671.4A CN117273237B (zh) | 2023-11-15 | 2023-11-15 | 一种基于人工智能的汽车零部件产能预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117273237A CN117273237A (zh) | 2023-12-22 |
| CN117273237B true CN117273237B (zh) | 2024-02-27 |
Family
ID=89206652
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311519671.4A Active CN117273237B (zh) | 2023-11-15 | 2023-11-15 | 一种基于人工智能的汽车零部件产能预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117273237B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117788165B (zh) * | 2024-02-27 | 2024-05-14 | 薪海数字科技(烟台)有限公司 | 基于人工智能的企业供应链交易风险预测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463359A (zh) * | 2014-12-01 | 2015-03-25 | 河海大学常州校区 | 一种基于bp神经网络的疏浚作业产量预测模型分析方法 |
| CN111898867A (zh) * | 2020-07-05 | 2020-11-06 | 西北工业大学 | 一种基于深度神经网络的飞机总装生产线产能预测方法 |
| CN113393057A (zh) * | 2021-07-13 | 2021-09-14 | 四川农业大学 | 一种基于深度融合机器学习模型的小麦产量集成预测方法 |
| CN114169505A (zh) * | 2021-12-10 | 2022-03-11 | 天津科技大学 | 一种产量预测模型的训练方法、系统及相关设备 |
| US11487273B1 (en) * | 2021-04-30 | 2022-11-01 | Dalian University Of Technology | Distributed industrial energy operation optimization platform automatically constructing intelligent models and algorithms |
| CN116739174A (zh) * | 2023-06-19 | 2023-09-12 | 淮阴工学院 | 一种轻工业品预测及产能优化方法 |
-
2023
- 2023-11-15 CN CN202311519671.4A patent/CN117273237B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463359A (zh) * | 2014-12-01 | 2015-03-25 | 河海大学常州校区 | 一种基于bp神经网络的疏浚作业产量预测模型分析方法 |
| CN111898867A (zh) * | 2020-07-05 | 2020-11-06 | 西北工业大学 | 一种基于深度神经网络的飞机总装生产线产能预测方法 |
| US11487273B1 (en) * | 2021-04-30 | 2022-11-01 | Dalian University Of Technology | Distributed industrial energy operation optimization platform automatically constructing intelligent models and algorithms |
| CN113393057A (zh) * | 2021-07-13 | 2021-09-14 | 四川农业大学 | 一种基于深度融合机器学习模型的小麦产量集成预测方法 |
| CN114169505A (zh) * | 2021-12-10 | 2022-03-11 | 天津科技大学 | 一种产量预测模型的训练方法、系统及相关设备 |
| CN116739174A (zh) * | 2023-06-19 | 2023-09-12 | 淮阴工学院 | 一种轻工业品预测及产能优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 化工企业烧碱产能预测的研究;秘春号;张磊;王卫娜;马琳;;计算机仿真;20150815(第08期);第369-373页 * |
| 改进粒子群算法优化SVM的水泥烧成系统故障诊断;王敏洁;艾红;;化工自动化及仪表;20191210(第12期);第21-25页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117273237A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117273237B (zh) | 一种基于人工智能的汽车零部件产能预测方法及系统 | |
| CN108063961B (zh) | 一种基于强化学习的自适应码率视频传输方法以及系统 | |
| CN108021754A (zh) | 一种无人机自主空战决策框架及方法 | |
| CN108075975B (zh) | 一种物联网环境中的路由传输路径的确定方法及确定系统 | |
| CN109215344B (zh) | 用于城市道路短时交通流量预测的方法和系统 | |
| CN107909145A (zh) | 一种卷积神经网络模型的训练方法 | |
| CN108573303A (zh) | 一种基于改进强化学习的复杂网络局部破坏的自改进恢复策略 | |
| CN113239639B (zh) | 策略信息生成方法、装置、电子装置和存储介质 | |
| CN113708976B (zh) | 一种基于深度强化学习的异质作战网络瓦解方法 | |
| CN105978732A (zh) | 一种基于粒子群优化最简回声状态网络参数的方法和系统 | |
| CN114167898B (zh) | 一种无人机收集数据的全局路径规划方法及系统 | |
| CN112887239A (zh) | 基于深度混合神经网络的快速准确水声信号调制方式识别方法 | |
| CN117114144A (zh) | 基于人工智能的水稻耐盐碱性能预测方法及系统 | |
| CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
| CN111832817A (zh) | 基于mcp罚函数的小世界回声状态网络时间序列预测方法 | |
| CN115272774A (zh) | 基于改进自适应差分进化算法的对抗样本攻击方法及系统 | |
| CN108733921A (zh) | 基于模糊信息粒化的变压器绕组热点温度波动范围预测方法 | |
| CN117436707B (zh) | 基于人工智能的消防安全管理方法及系统 | |
| CN105426959B (zh) | 基于bp神经网络与自适应mbfo算法的铝电解节能减排方法 | |
| CN115115021A (zh) | 基于模型参数异步更新的个性化联邦学习方法 | |
| CN112528556B (zh) | 一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法 | |
| Gutierrez-Estevez et al. | Learning to communicate with intent: An introduction | |
| CN117236809B (zh) | 基于人工智能的汽车零部件生产管理方法及系统 | |
| CN105426960B (zh) | 基于bp神经网络与mbfo算法的铝电解节能减排控制方法 | |
| CN113191487B (zh) | 基于分布式ppo算法的自适应连续功率控制方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |