2003年日本钼深加工制品预测需求增长2%

由上表知:1、2003年日本从钼粉到钼丝共需求562吨,与去年同比增加约9%;2、钼粉将增加29%,钼棒丝将增加2%,板材和异型材将各增加5%,而钼丝却减少19%。

基于主成分分析-BP神经网络的风电备件需求预测

风电机组具有结构复杂,运维困难,且长期处于恶劣的工作环境的特点。风电备件的需求预测有助于为风电场配备最合适的备件数,以确保风电场的平稳、高效运行。构建主成分分析-反向传播(principal component analysis-back propagation,PCA-BP)模型,针对受多因素影响的复杂备件,先利用PCA将影响风电备件的要素进行筛选,再利用BP神经网络算法,得到最为精确的预测结果。比较自回归积分滑动平均(autoregressive integrated moving average,ARIMA)模型、BP神经网络预测和PCA-BP神经网络预测的结果。结果表明:PCA能显著降低神经网络预测误差,预测的精度为93.94%,高于BP神经网络预测的88.39%和ARIMA模型的85.31%,所以PCA-BP神经网络模型的预测精度准确且有可靠结果,能够适用于风机备件的需求预测。

融合LSTM预测需求的线型材料多批次优化下料方法

针对小批量多批次生产模式下的线型材料优化下料问题,提出利用长短期记忆网络(LSTM)对后续批次的下料需求进行预测的方法。按照集中下料思想,将预测得到的多个批次下料需求整合成一个较大规模的优化下料问题进行求解,并通过补偿下料对预测误差产生的缺料进行补偿以满足实际下料需求。基于LSTM和经典的列生成法构建型材优化下料模型,根据收集到的下料需求历史数据对模型进行训练和测试。仿真实验结果表明,该模型对切割零件需求预测精度较高(平均决定系数R2达到0.93),相比批次下料方法和基于库存下料方法,原材料利用率分别提升了0.14%和0.03%,原材料成本分别减少了14963.4元和14332.4元,证明了模型的有效性。

基于Adaboost回归算法的安徽省物流需求短期预测研究

【目的】物流需求预测有助于调整物流资源的分配,对促进物流业发展具有重要意义。【方法】选取安徽省1995—2022年与物流需求相关的指标数据为原始样本数据,用货运量来表征物流需求。通过XGBoost特征选择算法筛选出6个用于预测的指标。在此基础上,使用3种方法分别构建模型,并对这些模型进行对比分析。最终,选择精度最高的Adaboost回归算法来预测安徽省短期物流需求。【结果】2023—2026年,安徽省的物流需求预测值分别为402 942.428万t、369 877.222万t、380 884.375万t、382 319.5万t。【结论】未来四年,安徽省物流的货运量呈不稳定发展态势。根据安徽省的区位优势及疫情的全面开放,安徽省物流业表现出较大的发展潜力。

面向动态交通分配的交通需求深度学习预测方法

为满足动态交通分配对高精度、高时效性交通需求的要求,本文建立了一种交通需求深度学习预测方法。根据动态交通分配要求确定交通需求数据的时间间隔,构建对复杂交通需求预测性能较优的长短期记忆神经网络预测方法;针对动态交通分配中交通需求的周期性、随机性和非线性等特征,为减少数据噪声的干扰,引入局部加权回归周期趋势分解方法将交通需求数据分解,将其中的趋势分量和余项分量作为深度学习预测方法的输入量,周期分量采用周期估计进行预测;选用具有随机寻优能力强、寻优效率高等特点的布谷鸟寻优算法优化预测方法的隐藏层单元数量、学习速率和训练迭代次数等核心参数。应用西安市长安区的卡口车牌数据验证该方法。结果表明:本文模型的预测结果在高峰及平峰各连续4个时段内相比于自回归滑动平均模型、长短期记忆神经网络模型、支持向量回归模型,平均绝对误差降低了10.55%~19.80%,均方根误差降低了11.20%~17.99%,决定系数提升了8.62%~12.48%;相比遗传算法、粒子群算法优化的模型,平均绝对误差降低了7.36%~13.81%,均方根误差降低了4.23%~10.67%,决定系数提升了3.50%~7.01%,且本文模型运行时间最短。说明与对比模型相比,本文所建立的预测方法在面向动态交通分配的交通需求预测中具有更高的预测精度。

2025-2035年中国天然石墨资源需求预测

天然石墨广泛应用于传统工业和战略性新兴产业,是支撑我国高新技术发展的重要原材料。本文论述了我国天然石墨资源现状,并通过分析天然石墨主要消费部门需求,预测了未来耐火材料、铸造、铅笔、密封材料、摩擦材料、润滑吸附材料、锂电池负极材料等产业对天然石墨的需求。研究发现:我国天然石墨资源丰富,未来需求量将快速增长,预计到2025年、2030年、2035年我国天然石墨的需求量将分别达到109.0万t、188.3万t和278.3万t。全球天然石墨供给侧正在重塑,我国在全球天然石墨产业链供应链中的地位正在下降。我国石墨消费重心正从传统产业向战略性新兴产业转移,高端石墨产业发展面临机遇,为天然石墨产业发展带来新的增长点。通过健全天然石墨产业链和加强天然石墨资源保护力度,使我国从石墨资源大国发展成为石墨资源强国,支撑我国未来在新能源、关键装备密封润滑材料、高温材料等高端领域的石墨产品需求发展。

基于BA-SVR混合模型的果蔬生鲜物流需求预测模型研究

本文通过构建BA-SVR混合模型对果蔬生鲜物流需求进行预测研究。首先通过互联网大数据搜索技术构建果蔬生鲜需求指数相关网络关键词词库,进而采用皮尔森(Pearson)相关分析和逐步回归选择预测因子。其次,结合果蔬自身特点以及物流市场变动因素,提出了果蔬生鲜物流指数(Fruit&Vegetable Logistic Index, FVLI)概念,分析了FVLI变动的影响变量,使其成为反映物流市场信息变动的重要指标。再次,利用蝙蝠算法(Bat Algorithm, BA)自动更新迭代参数的优势,将其引入到支持向量回归(Support Vector Regression, SVR)模型中,用于优化SVR模型中自由参数值,进而构建BA-SVR混合模型对北京市果蔬生鲜需求变化趋势进行模拟仿真及实证预测。最后根据构建的性能预测指标,通过确立的基准模型与其进行对比,评估BA-SVR混合模型性能的优劣,从而提出一种可以用于果蔬生鲜物流信息短期预测的改进方法。

基于改进Croston方法的多需求模式零备件预测

维修备件管理是提高产线可靠性、实现降本增效的关键。针对具备间歇性与随机性特征的维修备件需求预测问题,提出了基于改进Croston方法的备件需求预测模型。依据Syntetos准则基于间断性与波动性特征将备件需求划分为4类。针对含有波动性特征的需求,基于Croston方法主要思想将备件需求预测分解为需求发生状态预测和需求量预测两类问题,设计了集合经验模态分解(ensemble empirical mode decomposition,EEMD)-长短期记忆网络集成(long short-term memory,LSTM)预测模型。EEMD方法将剧烈波动序列分解为若干相对平稳的分量,进而采用LSTM方法对各分量进行预测。针对含有间断性特征的需求,引入信号处理技术中的信号调制技术,将需求发生状态0-1二值序列进行连续化处理。所提方法解决了备件需求波动性强、间断性大的难题,已应用于湖北中烟武汉卷烟厂,证明了方法的优越性与可行性。

基于太阳能和风能的无线充电站建模和电动汽车充电需求预测

电动汽车(Electric vehicle, EV)和新能源发电相结合,有助于推动可持续能源转型,减缓气候变化,实现环境友好的能源利用和交通方式.为了在未来几年彻底取代传统燃油汽车,必须解决EV的充电和续航问题.为此,提出了基于太阳能和风能的EV无线充电仿真模型,利用太阳能和风能对无线充电站的电池进行充电,并通过2个互耦线圈之间的感应功率对EV进行无线充电.此外,提出了基于改进深度学习算法的EV充电需求预测模型.建立基于编码器-解码器结构的注意力双向门限递归单元(Attention-based Gated Reccurent Unit, Att-BiGRU)框架,对充电站的EV充电需求进行预测.结果表明,新能源无线充电站能够提高EV充电的安全性和舒适性,且所提方法能够准确预测不同时间间隔的EV充电需求.与传统模型相比,所提改进模型在充电需求预测任务中具有更快的收敛速度和更低的误差率,能够有效解决EV充电需求的随机性和波动性.

基于需求模式自适应匹配的间歇性需求预测方法

大型制造企业售后配件的需求分布稀疏、波动性大,需求频率和需求数量不确定性较高,序列呈现出典型的间歇性特点。在实际运维中,配件需求在频率和数量方面存在较大波动,从而产生变化多样的需求模式,而现有间歇性需求预测主要采用单一或静态组合的固定预测模型,难以充分挖掘不同需求模式下需求序列的演化规律,预测精度和稳定性均难以保证。为解决上述问题,提出一种基于需求模式自适应匹配的间歇性需求预测方法,通过动态识别和匹配需求模式提升间歇性序列预测效果。该方法包括两个阶段:在模型训练阶段,首先,根据配件历史需求数据的间歇性特征,将它划分为需求量序列和间隔量序列,并对两类序列分别进行聚类,以捕获每类序列对应的不同需求和间隔模式;其次,建立包含统计学分析模型、浅层机器学习模型及深度学习模型的预测模型库,测试各模型对每种需求模式的预测效果,识别并标记每类需求模式的最优预测模型。在预测阶段,将待预测序列划分为需求量序列和间隔量序列,确定需求模式并匹配最佳预测模型,进而将需求量和间隔量的预测值合并,形成最终预测结果。在美国汽车公司和英国空军的间歇性配件需求数据集上的实验结果表明,所提方法可适用于不同需求模式的配件历史数据,通过自适应匹配需求模式和最优预测模型,有效提升了预测精度。

重大传染病疫情下应急医疗物资需求预测和配置研究

为了科学合理地进行应急医疗物资配置,提高重大传染病疫情防控效率,根据疫情演化不同阶段的特点开展应急医疗物资需求预测和配置研究。首先,根据疫情数据特征,提出传染病模型SEIR(Susceptible Exposed Infectious Recovered)和长短期记忆(Long Short-Term Memory,LSTM)网络相结合的模型(SEIR-LSTM)预测各需求点的应急医疗物资需求量,该方法利用LSTM对时间序列数据良好的学习能力预测感染率,输入SEIR模型提高预测准确率。然后,根据传染病疫情演化关键阶段的特点,考虑物资配送成本、需求紧迫度和分配公平性等因素构建分阶段多目标物资配置模型。最后,以上海新冠肺炎疫情进行实例分析,结果表明,基于SEIR-LSTM的应急物资需求量预测方法准确率较高,根据分阶段配置模型求出的方案能够满足各个阶段物资分配的要求,验证了提出的模型和算法的有效性。

一种用于季节性产品需求预测的多元化堆叠回归模型

产品需求预测是智慧供应链的核心环节。针对具有季节性的快消品的需求特点,设计了一种结合Blending线性与多机器学习模型融合的多元化堆叠回归模型RXOEL-X。首先,介绍了RXOEL-X模型的构建及运行步骤,然后基于一组公开数据将此模型与五种传统单一化模型进行比较,证明其在预测精度方面比其他模型更优。同时基于某饮料公司的实际销售数据,对模型性能进行进一步测试,证明RXOEL-X模型在预测精度、数据拟合能力、时间效率等方面整体表现最佳。RXOEL-X模型为季节性产品乃至更广泛的企业供应链管理中的需求预测问题提供了一种前沿的解决策略,有利于帮助企业在节省成本、减少库存积压的同时,提高对市场变化的响应速度和供应链的整体灵活性。

基于ISSA-LSTM模型的可再生能源电力需求预测

为了更精准地预测未来能源结构调整方向及成效,选用ISSA-LSTM组合预测模型对中国2023-2030年可再生能源的电力需求进行预测。首先,利用Circle混沌映射改进麻雀搜索算法(SSA)以提高搜索能力以及种群多样性;然后引入长短期记忆神经网络(LSTM)以有效捕捉可再生能源电力需求随机波动性和时序性;最后,通过ISSA-LSTM模型预测长期可再生能源的电力需求,验证测试集数据,并与其他传统模型进行对比。结果表明:ISSA-LSTM模型预测结果能够满足对可再生能源电力需求预测的精度要求;在未来2023-2030年可再生能源电力需求稳定,波动幅度不大,可达到全国用电量的1/3;利用Circle混沌映射改进策略能有效提升SSA寻优能力。与PSO算法相比,SSA算法寻找LSTM超参数最优解的能力更优,ISSA-LSTM模型预测可再生能源电力需求精度更高。

基于时空注意力机制的网约车出行需求预测模型

解决网约车运营中的乘客出行需求预测问题,以降低车辆空载率、减少乘客等待时间。在考虑乘客出行需求的动态时空依赖性的基础上,提出一种基于空间数据可视化和格兰杰因果检验的乘客出行需求空间依赖性分析方法,并结合卷积神经网络和注意力机制,建立了一种基于注意力机制的时空图卷积神经网络模型来预测乘客出行需求。实例研究表明,本模型能有效捕获乘客出行需求时空依赖性的动态特征,提升模型的预测性能,具有较高的准确性和实用性。

基于多元回归模型的新一代信息技术人才需求预测与分析——以山东省为例

新一代信息技术是战略性新兴产业,作为新旧动能转化的催化剂,人才是其发展必不可少的要素。运用科学的方法做好人才需求预测可为新一代信息技术产业人才规划的制定提供依据。以山东省为例,在深入分析人才需求影响因素的基础上,从宏观与微观两个层面选取指标因素,采用2013—2022年的数据进行检验,预测2023—2025年山东省新一代信息技术人才缺口较大。除要加大人才培养力度外,还需多措并举引进具有科研创新能力的新一代信息技术人才,应从“聚力内培,加强人才培养”与“注重外引,实施人才战略”两方面着手,不断完善山东科研创新人才队伍建设。

基于组合预测法的云南省生鲜农产品冷链物流需求预测

冷链物流需求预测是区域冷链物流基础设施规划的基础工作,建立合适的预测模型,较为准确地预测生鲜农产品冷链物流需求量具有重要的现实意义。该文章在单一预测模型的基础上,通过熵值法赋予灰色预测GM(1,1)、时间序列ARIMA法和二次平滑指数法三种单一预测模型权重建立组合预测模型,利用云南省2009—2020年六类生鲜农产品生产量数据对2021—2030年相关物流量进行预测,预测结果表明组合预测法的预测精度要优于三种单一预测方法。该研究选用组合预测模型预测云南省冷链物流需求量,结果显示云南省生鲜农产品冷链物流需求保持一定幅度的线性增长趋势,年均增长率将达到2.94%。通过冷链物流基础设施对比得到云南省冷链物流基础设施和其他省份存在较大差距,难以满足生鲜农产品冷链物流需求日益增长的速度。本文从云南省政府、企业和农民的角度,提出加速云南省冷链物流发展的对策建议。

生鲜农产品需求预测方法综述

生鲜农产品对于我国经济发展和社会稳定具有重要影响,但生鲜易腐性结合需求的不确定性带来了巨大的损失,因此寻找合适的需求预测方法是有必要的。文章结合生鲜农产品需求预测相关文献,依据数据分析方式对其分类,梳理总结两类需求预测方法的研究成果,进行系统性综述,最后给出未来发展方向,以期为新型市场环境下生鲜决策提供研究参考。

基于GM(1,1)模型的河南省物流需求组合预测

为了能够更加准确地预测河南省未来物流需求,文章首先采用灰色关联分析法对物流需求相关影响因素进行分析,进而确定文章所需要的指标,然后结合相关数据计算出多元线性回归方程,最后通过采用灰色预测和多元线性回归相结合的方式来预测未来5年河南省物流需求。结果表明,相较于单一的灰色预测方法,灰色预测和多元线性回归相结合的方式具有更高的精确度。除此之外,文章结合河南省物流发展状况提出了三点建议:完善物流服务体系、推动物流服务价值链延伸、提升应急物流水平。

高质量背景下长三角地区生鲜农产品冷链物流需求预测

以上海市、江苏省、浙江省、安徽省三省一市为研究对象,选取2000年至2022年三省一市生鲜农产品产量作为数据研究,采用长短时记忆(long short-term memory,LSTM)神经网络模型和门控循环单元(gated recurrent unit,GRU)模型进行训练和验证。结果表明,通过两种模型的训练计算,在精度相似的情况下GRU模型的参数测试时长、训练速度、内存消耗更小,比LSTM模型平均减少0.035 s、106.295 s、1.55 MiB。选取GRU模型对长三角地区生鲜农产品产量进行预测,进而判断长三角地区冷链物流服务的需求程度。结果显示,2023年至2025年长三角地区生鲜农产品冷链物流需求持续上升,最后针对长三角地区三省一市持续上升的冷链物流需求给出几点建议。

安徽省生鲜农产品冷链物流需求预测研究

生鲜农产品等冷链产品市场需求快速增长,冷链物流的供给无法满足人们的需求给生鲜农产品带来新的挑战.安徽省作为一个农产品丰富的地区,生鲜农产品的供应对于满足市场需求至关重要.收集了2001~2022年生鲜农产品产量数据,采用反向传播神经网络(Back Propagation Neural Network,BP神经网络)、长短时记忆(long short-term memory,LSTM)、粒子群算法优化的长短期记忆神经网络(Particle Swarm Optimization-Long Short-Term Memory,PSO-LSTM)三种模型进行训练和验证,通过三种模型的对比分析,三种模型相对误差分别为0.13%、0.06%、0.02%.结果表明,PSO-LSTM模型预测精度最高,拟合效果最好,能够有效预测未来四年安徽省生鲜农产品冷链物流需求,以应对不断增长的冷链物流需求压力.