Kombinatorische Modelle des Deep Learning für intelligente Prognosen der Nachfrage in der Lieferkette

Ein kohlenstoffarmer und umweltfreundlicher Lebensstil hat die Marktnachfrage nach neuen Energie-Fahrzeugen angekurbelt und die Entwicklung der Industrie für neue Energie-Fahrzeuge gefördert. Eine genaue Nachfrageprognose kann eine wichtige Entscheidungsgrundlage für Unternehmen im Bereich neuer Energie-Fahrzeuge bieten, was der Entwicklung neuer Energie-Fahrzeuge zugutekommt. Aus der Perspektive einer intelligenten Lieferkette untersuchte diese Studie die Nachfrageprognose für neue Energie-Fahrzeuge und schlug ein innovatives SARIMA-LSTM-BP-Kombinationsmodell für die Prognosemodellierung vor. Die Daten zeigten, dass die RMSE-, MSE- und MAE-Werte des SARIMA-LSTM-BP-Kombinationsmodells mit 2.757, 7.603 und 1.912 alle niedrigere Werte aufwiesen als die der einzelnen Modelle. Diese Studie zeigte somit, dass das SARIMA-LSTM-BP-Kombinationsmodell im Vergleich zu traditionellen ökonometrischen Prognosemodellen und Deep-Learning-Prognosemodellen, wie dem Random Forest, der Support Vector Regression (SVR), der Long Short-Term Memory (LSTM) und den Backpropagation-Neuronalen Netzen (BP), herausragend mit höherer Genauigkeit und besserer Prognoseleistung abschnitt.