基于LSTM-MHKAN的离散制造业物料需求预测方法研究
吴小芳1
成益盈2
杨美怡1
杨磊3
1.河南科技大学信息工程学院,河南洛阳 4710232.中信重工机械股份有限公司,河南洛阳 4710033.河南科技大学信息工程学院,河南洛阳 471023;中信重工机械股份有限公司,河南洛阳 471003
摘要：在工业生产中,物料需求量受到众多因素的影响,表现出高度复杂且多变的动态特性.这些动态特性包括非线性关系、短期波动以及潜在的长期趋势,从而导致传统预测方法无法精确应对这些挑战.针对这一问题,设计了一种结合长短期记忆网络(LSTM)与Kolmogorov-Arnold网络(KAN)以及多头注意力机制(MHA)的LSTM-MHKAN物料需求预测方法.该方法通过3个步骤来优化物料需求预测过程.首先,利用LSTM捕捉物料需求数据中的时序依赖,识别短期变化并调整模型参数以适应动态波动.其次,引入MHA对LSTM输出结果进行加权,增强模型对关键需求波动的敏感性.最后,KAN算法对加权后的注意力输出进行建模,捕捉非线性关系并自适应预测未来需求.实验结果表明,与传统预测算法相比,LSTM-MHKAN能有效降低均方误差和平均绝对误差,并提高决定系数.这些结果验证了 LSTM-MHKAN算法在离散制造业物料需求预测中的有效性,为减少制造业成本提供了有力的决策支持.
关键词：物料预测LSTM神经网络Multi Head AttentionKolmogorov-Arnold网络时间序列预测
分类号：TP183.9(自动化基础理论)
资助基金：国家自然科学基金(61976243)河南省重点研发专项项目(231111222600)
论文发表日期：2025-04-25
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：11( 48-58 )
英文信息