声明
摘要
第1章绪论
1．1 研究背景
1．1．1 汽车维修备件在4S店库存成本中占用比例较高
1．1．2汽车4S店维修备件的库存需求明显受到天气因素的影响
1．1．3 考虑天气因素的4S店维修备件库存需求预测方法研究的必要性
1．2问题的提出
1．2．1 影响汽车4S店维修备件库存需求的天气因素分析及权重确定
1．2．2考虑天气因素的汽车4S店维修备件库存需求预测方法
1．3研究目的与研究意义
1．3．1 研究目的
1．3．2研究意义
1．4研究内容、研究思路与研究方法
1．4．1研究内容
1．4．2研究思路
1．4．3研究方法
1．5本文章节安排
第2章相关研究文献综述
2．1文献检索情况概述
2．1．1文献检索范围分析
2．1．2相关文献情况分析
2．1．3学术趋势分析
2．2 关于维修备件库存管理方法的相关研究
2．2．1 基于分类的维修备件库存管理方法
2．2．2基于预测的维修备件库存管理方法
2．2．3 基于库存控制策略的维修备件库存管理方法
2．3 关于维修备件库存需求预测方法的相关研究
2．3．1 基于历史数据的维修备件库存需求预测方法
2．3．2基于可靠性的维修备件库存需求预测方法
2．3．3 基于机器学习的维修备件库存需求预测方法
2．4关于考虑天气(季节)因素的需求预测方法的相关研究
2．4．1 基于季节指数的需求预测方法
2．4．2基于自回归移动差分模型的需求预测方法
2．4．3 基于机器学习的需求预测方法
2．5 已有研究的贡献与不足
2．5．1主要贡献
2．5．2不足之处
2．5．3对本文研究问题的启示
2．6本章小结
第3章研究框架及相关方法介绍
3．1本文研究框架
3．2相关属性值的预处理和表示方法
3．2．1 数值型属性的预处理和表示方法
3．2．2符号型属性的预处理和表示方法
3．3 BP神经网络
3．3．1 BP神经网络概述
3．3．2 BP神经网络的主要参数
3．3．3 BP神经网络的学习算法
3．4基于机器学习的预测模型
3．4．1 支持向量机(SVM)
3．4．2极限学习机(ELM)
3．5 本章小结
第4章影响汽车4S店维修备件库存需求的天气因素分析及权重确定
4．1 影响汽车4S店维修备件库存需求的天气因素分析
4．1．1气温因素分析
4．1．2可视度因素分析
4．1．3路面湿滑程度因素分析
4．2含有天气因素信息的备件历史库存需求数据的预处理
4．2．1 天气因素信息的规范化描述
4．2．2天气因素的数值化描述
4．2．3滞后性维修备件库存需求的处理与描述
4．3基于BP神经网络的天气因素权重确定
4．3．1相关符号说明
4．3．2天气因素的模式划分与输入数据降噪处理
4．3．3 BP神经网络结构的设计
4．3．4 BP神经网络训练
4．3．5天气因素权重的计算
4．4本章小结
第5章考虑天气因素的汽车4S店维修备件库存需求预测方法
5．1 考虑天气因素的相似案例提取
5．1．1相关符号说明
5．1．2单一天气因素的案例相似度计算
5．1．3 案例综合相似度计算及相似案例提取
5．2 使用相似案例的汽车4S店维修备件库存需求预测
5．2．1 相关符号说明
5．2．2基于ELM的汽车4S店维修备件库存需求预测
5．2．3 基于SVM的汽车4S店维修备件库存需求预测
5．3 预测模型精度度量及模型选择
5．3．1模型精度度量指标
5．3．2预测模型的选择
5．4 本章小结
第6章应用研究：沈阳LM汽车4S店维修备件库存需求的预测
6．1 背景分析
6．1．1沈阳LM汽车4S店概况
6．1．2沈阳LM汽车4S店维修备件订货管理现状
6．1．3 沈阳LM汽车4S店汽车维修备件订货管理存在问题的分析
6．2影响4S店维修备件库存需求的天气因素权重确定
6．2．1 含有天气因素的备件历史数据预处理
6．2．2基于BP神经网络的天气因素权重确定
6．3 考虑天气因素的4S店维修备件库存需求预测
6．3．1 考虑天气因素的相似案例提取
6．3．2使用相似案例的维修备件库存需求预测
6．4提出方法的有效性分析
6．4．1 不考虑天气因素的库存需求预测结果
6．4．2不考虑相似案例提取的库存需求预测结果
6．4．3不同模型的结果比较
6．5 本章小结
第7章结论与展望
7．1 本文的主要研究成果及结论
7．2本文的主要贡献
7．3本文的研究局限
7．4进一步需要开展的研究工作
参考文献
致谢
东北大学;
