10.16208/j.issn1000-7024.2015.09.043
基于QPSO-SVR的售后配件库存需求预测
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.
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
36
TP393.07(计算技术、计算机技术)
国家科技支撑计划基金项目2012BAH20F01;成都市重大科技成果转化基金项目11ZHZD038;制造业产业链协同与信息化支撑技术四川省重点实验室开放基金项目2013002
2015-11-25(万方平台首次上网日期,不代表论文的发表时间)
共6页
2539-2543,2571