面向精细化管理的停车需求短时预测

停车诱导系统(PGS)是缓解交通拥堵的有效办法,但停车需求短时精准预测作为空余车位发布的关键技术并没有得到有效解决.利用停车需求时变特征曲线的线型稳定性,以及在周内各工作日间的振幅的显著差异性对数据进行分组,采用不仅具备记忆时间序列数据能力,同时有着更简洁的逻辑门控制结构的GRU (gated recurrent un...     

网约车出行需求预测方法

随着互联网出行方式的迅速变化,城市居民快速增长的网约车(Internet private hire vehicle,IPHV)出行需求与服务车辆资源之间的供需矛盾日渐突出.针对网约车出行需求预测基础理论的研究,对国内外大量文献进行了梳理和分析.首先分析了网约车用户出行影响因素;然后从时间维度和事件维度详细综述了网约车出行需求预测的内容、方法和关键技术,对比了各类预测方法的优缺点;最后,总结了既有研究存在的主要问题,并进一步提出了未来的研究方向.     

装备制造企业人力资源规划实证研究

人力资源规划是企业人力资源管理活动的重要组成部分,是整个人力资源管理的"选、用、育、留"四大职能的起点。目前国内外对装备制造业人力资源规划的研究相对较少。本文以装备制造业的骨干企业A公司为例,使用三维度人力资源规划模型对A公司的生命周期、发展战略、人力资源现状进行了分析,并运用二次指数平滑法等技术对企业的人力资源进行需求预测和供给预测,预见人才需求的数量和质量要求,保证企业人力资源的供需平衡,为实现公司的长期持续发展提供战略参考。     

具有激励特征的科技人才需求预测方法

针对经济体制转换时期的特殊情况，提出了具有激励特征和动态特征的科技人才需求预测方法，并对Ｌ省Ｓ市２０００￣２０１０年科技人才需求量及具有预期学历结构约束的人才补充量进行了预测。     

物流网络中多地区配送需求预测方法研究

物流网络较为复杂,当前预测方法只采用一种方法对物流网络中多地区配送需求进行预测,无法保证预测精度。提出一种新的需求预测方法, 通过两个或两个以上不一样的预测方法,对物流网络中多地区配送需求进行预测,构建物流网络中多地区配送需求组合预测模型,对不同方法进行加权组合,通过熵值法对组合预测模型的组合权重进行计算,充分利用不同预测方法的优点,获取较优的预测结果。通过残差检验和后验差检验,对组合预测模型的配送需求预测能力进行评价。实验结果表明,所提方法具有很高的预测精度。     

中国食糖需求预测实证研究

本文详细地研究了回归法在中国食糖需求预测中的应用。     

Bowman库存策略下的供应链稳定性及需求放大分析

为了研究不同库存策略对供应链稳定性的影响,基于一般线性需求预测,在考虑在途库存的Bowman库存补给策略和不考虑在途库存的(R,S)库存补给策略2种情况下,研究了供应链的稳定性,并在考虑在途库存的Bowman库存补给策略下对需求放大进行了度量和分析.结果表明:在考虑在途库存的Bowman库存补给策略下,当订单平滑参数满足0<γ≤1时供应链稳定;不考虑在途库存的(R,S)库存补给策略,当提前期由小于2变到等于2再变到大于2时,供应链从稳定变到边际稳定再变到不稳定;考虑在途库存的Bowman库存策略中,不同的参数对需求放大程度会产生不同的影响,合理选择参数可以减小需求放大程度.     

流程型企业原材料需求预测与库存决策方法及应用

以石化企业化工原辅料库存管理同题为背景,研究流程型企业与生产计划相关的原材料库存管理问题.从订购提前期与生产计划是否确定的角度,将流程型企业原材料需求分为四类,重点研究了订购提前期与生产计划不确定下的需求预测方法,并给出了确定其库存决策的建议策略及再订购点和订购批量的确定方法.应用结果则证明了所提出的预测与决策方法的适用性.     

基于关联规则及组合模型的面料需求预测

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。文章首先构建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RMES(root mean squared error,RMSE)及MAE(mean absolute 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RMES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。     

考虑建成环境交互影响的共享单车需求预测

共享单车的发展有利于交通的节能减排绿色发展。建成环境是影响共享单车出行需求的重要因素,然而很少有学者探究考虑其交互作用。为了准确分析建成环境中各影响因素的交互作用以达到精确预测共享单车出行需求的目的,本文使用了深圳市共享单车出行数据、兴趣点数据（point of interest,POI）、路网数据和公交线路数据等多源数据,采用梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型预测共享单车出行需求,并与BP(Back Propagation)神经网络模型预测结果进行比较;最后借助SHAP(SHapley Additive explanation)方法解释GBDT模型中各种影响因子对共享单车出行需求产生的影响,并分析各影响因素及其交互作用。实验结果表明：GBDT模型预测结果平均绝对误差为0.683,均方根误差为0.728,较BP神经网络模型预测准确性更高;通过SHAP方法发现自行车道密度、公交站点数等交通属性因素对于共享单车出行需求作用明显,土地利用中土地利用混合度不是简单线性作用且不同POI间存在复杂交互关系。可见通过借助GBDT模型和SHAP方法可以用来共享单车出行需求预测以及影响因素分析,从而为共享单车发展提出改善建议。