基于关联规则及组合模型的面料需求预测

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.

关键词：需求预测、Apriori、关联分析、Prophet、LSTM、量子粒子群算法

所属期刊栏目：22

分类号：TP391(计算技术、计算机技术)

资助基金：国家重点研发计划;湖南省重点领域研发计划;湖南省重点领域研发计划;湖南省研究生科研创新项目

在线出版日期：2023-02-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：15697-15707