張明藍(lán)，孫林夫+，鄒益勝

(1.西南交通大學(xué) 計(jì)算機(jī)與人工智能學(xué)院，四川 成都 610031；2.四川省制造業(yè)產(chǎn)業(yè)鏈協(xié)同與信息化支撐技術(shù)重點(diǎn)實(shí)驗(yàn)室，四川 成都 610031)

0 引言

汽車行業(yè)作為中國制造業(yè)的行業(yè)標(biāo)桿，經(jīng)過多年的發(fā)展已經(jīng)成為我國支柱性產(chǎn)業(yè)之一[1]。調(diào)研統(tǒng)計(jì)結(jié)果顯示，2019年汽車生產(chǎn)量與銷售量較上年減少7.5%和8.2%[2]，但是汽車配件售后市場依然是汽車企業(yè)和汽車零配件企業(yè)的主要收益來源之一。當(dāng)前汽車配件代理商的備件模式是配件代理商企業(yè)向整車制造廠或配件供應(yīng)商進(jìn)行配件采購，儲備在自己的倉庫中，再將配件銷售給服務(wù)商[3]。由于汽車配件種類繁多，需求波動性大，備件過程中容易出現(xiàn)信息不完備與多樣性的問題，從而導(dǎo)致供需匹配不及時、庫存積壓或不足。因此，對于配件代理商企業(yè)，如何實(shí)時高效地對汽車配件進(jìn)行備件是一個亟待解決的問題。

目前，國內(nèi)外學(xué)者對汽車備件的研究如下。MALVIYA等[4]運(yùn)用選擇性庫存控制技術(shù)對汽車備件庫存審核與控制進(jìn)行研究;MEHDIZADEH[5]將ABC分析與粗糙集理論相結(jié)合，對汽車零部件供應(yīng)鏈中經(jīng)銷商的庫存進(jìn)行控制;SADEGHI等[6]提出了考慮選址—路徑問題的綠色閉環(huán)供應(yīng)鏈網(wǎng)絡(luò)設(shè)計(jì)的混合整數(shù)線性規(guī)劃模型;IDRISSI等[7]提出一種基于多Agent系統(tǒng)和多目標(biāo)線性規(guī)劃的混合方法，實(shí)現(xiàn)環(huán)境客戶協(xié)作過程的自動化和便捷化;任春華等[8]提出了面向多價(jià)值鏈的需求組合預(yù)測模型(Light GBM_GRU_AM)與半組合預(yù)測模型(LightGBM_GRU_SC);CHANDRIAH等[9]提出了帶修正Adam優(yōu)化器的遞歸神經(jīng)網(wǎng)絡(luò)/長短時記憶方法來預(yù)測備件需求量。

在上述研究中，學(xué)者們傾向于汽車備件的庫存、物流與需求等方面，較少考慮備件決策對汽車配件的影響。目前大多數(shù)備件決策主要集中于航天、軍工、鐵路等領(lǐng)域。王亞東等[10]提出了基于動態(tài)進(jìn)化算法的多階段備件供應(yīng)優(yōu)化決策;何勇等[11]建立了面向分階段預(yù)防性維護(hù)與備件彈性訂貨的聯(lián)合優(yōu)化模型;楊志遠(yuǎn)等[12]建立了系統(tǒng)維修與備件訂購決策優(yōu)化模型;蔣偉等[13]研究的T/R組件維修決策問題可以為裝備保障人員提供維修決策支持;張海軍等[14]提出一種基于數(shù)字孿生的制造資源動態(tài)優(yōu)選決策方法;ANDREW等[15]提出一種利用模糊邏輯和動態(tài)調(diào)度開發(fā)維修計(jì)劃智能決策方法。但目前的備件決策大多是單一層次的，未對數(shù)據(jù)進(jìn)行二級細(xì)致劃分，可能導(dǎo)致備件決策的制定出現(xiàn)偏差。

汽車配件種類繁多且需求波動較大，針對汽車備件決策過程中信息不完備與多樣性的問題，本文基于第三方云平臺，提出一種正則化VIT-BiLSTM兩級備件決策模型。該模型能夠?qū)ζ嚺浼N類進(jìn)行兩級劃分，并自適應(yīng)地提取較為全面的特征信息，為汽車配件代理商提供兩級備件決策。首先，利用VIT(vision transformer)模型的多頭注意力機(jī)制充分融合全局和區(qū)域特征，并學(xué)習(xí)目標(biāo)特定的信息，提取配件決策數(shù)據(jù)中的多尺度深層特征。然后，使用雙向長短時記憶循環(huán)神經(jīng)網(wǎng)絡(luò)(Bidirectional Long Short Term Memory, BiLSTM)捕捉特征信息的時間依賴性，對雙向全局時間特征進(jìn)行充分提取，為了防止過擬合，融入組套索正則化模塊進(jìn)而實(shí)現(xiàn)二級決策。最后通過實(shí)驗(yàn)，并與其他模型進(jìn)行對比，驗(yàn)證了所提方法的有效性與優(yōu)異性。

1 問題描述

汽車零部件多產(chǎn)業(yè)鏈業(yè)務(wù)協(xié)同云服務(wù)平臺(http://www.autosaas.cn/)(簡稱第三方云平臺或平臺)[16]是一個為汽車供應(yīng)鏈相關(guān)企業(yè)提供生產(chǎn)、制造、銷售和售后維修等信息化系統(tǒng)服務(wù)的第三方云平臺。平臺運(yùn)行10余年來，已經(jīng)聚集了上萬家制造企業(yè)、零部件供應(yīng)商企業(yè)、配件代理商、經(jīng)銷商等中小型企業(yè)，積累了大量的整車銷售、配件銷售、配件采購和售后服務(wù)數(shù)據(jù)。

汽車配件銷售情況是備件決策的核心參考依據(jù)，經(jīng)過對第三方云平臺上面的配件銷售業(yè)務(wù)的梳理分析，平臺上的配件銷售模式可以分為以下過程，如圖1所示。首先，配件供應(yīng)商將配件銷售給整車制造廠，同時配件供應(yīng)商也可以向配件代理商直接進(jìn)行配件銷售。然后，整車制造廠根據(jù)下游配件代理商或者是直屬的服務(wù)站的配件訂單的訂貨量，將配件按單發(fā)貨給配件代理商或者是服務(wù)站。最后，配件代理商根據(jù)服務(wù)站的配件訂單按需銷售配件給相關(guān)服務(wù)站。

由圖1可知，配件代理商擁有對配件的銷售自主權(quán)，可以直接向制造廠買斷配件并存于自身庫存中。這種方式雖然能使代理商擺脫受制造廠控制的局面，快速響應(yīng)服務(wù)商的購買需求，但是代理商對配件自負(fù)盈虧就會增加備件成本。由于配件類型多、更新快，配件的需求量波動很大，備件決策過程中將導(dǎo)致信息不完備與多樣性的問題，使備件決策的難度大大增加。因而，本文更注重的是在控制現(xiàn)有成本的基礎(chǔ)上，提高配件代理商進(jìn)行備件決策的準(zhǔn)確性，防止因庫存過多而導(dǎo)致備件積壓的情況發(fā)生，或是因?yàn)槿必浂鴮?dǎo)致備件無法及時供應(yīng)的現(xiàn)象出現(xiàn)，實(shí)現(xiàn)全供應(yīng)鏈的庫存降低，減少浪費(fèi)。

考慮到配件多種類、差異性大的特點(diǎn)，本文從配件代理商的角度，將汽車配件按照不同類型進(jìn)行兩極劃分，設(shè)計(jì)了一種正則化VIT-BiLSTM兩級備件決策模型，為配件代理商提供二級備件與輔助采購決策，幫助代理商避免庫存積壓或者庫存不足等問題。

2 正則化VIT-BiLSTM兩級備件決策模型

2.1 相關(guān)理論

2.1.1 VIT模型

VIT(Vision Transformer)是一種完全基于Transformer[17]的架構(gòu)，Transformer遵循“編碼器—解碼器”結(jié)構(gòu)，其核心是自注意力機(jī)制，通過建立權(quán)重參數(shù)來表示輸入序列的各個部分與最終結(jié)果之間的相關(guān)性，能夠在不依賴任何循環(huán)網(wǎng)絡(luò)的情況下并行處理順序數(shù)據(jù)[18]。與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)架構(gòu)不同，CNN模型關(guān)鍵在于它所采用的局部連接和共享權(quán)值的方式避免了傳統(tǒng)識別算法中復(fù)雜的特征提取和數(shù)據(jù)重建過程，而VIT主要利用Transformer的編碼器模塊來執(zhí)行一些操作，其采用的多頭注意力機(jī)制不僅關(guān)注局部不同區(qū)域信息，還整合全局信息，VIT結(jié)構(gòu)如圖2所示。

由圖2可知，Transformer編碼器由兩個主要子組件構(gòu)成：多頭自注意力模塊(Multi-head Self Attention, MSA)和多層感知機(jī)模塊(Multi Layer Perceptron, MLP)。多頭自注意力模塊和多層感知機(jī)模塊中都含有歸一化層(LN)，在每個模塊前對輸入進(jìn)行歸一化，在每個模塊后利用殘差連接，以降低模型訓(xùn)練的難度。

在多頭注意力模塊中，文獻(xiàn)[17]構(gòu)造了標(biāo)準(zhǔn)的q,k,v計(jì)算方法，其中：q表示要查詢的特征，k表示要匹配的特征，v表示要查詢和匹配的特征的相關(guān)測度值。對經(jīng)過位置編碼處理后的數(shù)據(jù)進(jìn)行線性變換可得q,k,v，可表示為:

q=Wqz,

(1)

k=Wkz,

(2)

v=Wvz。

(3)

其中：Wq、Wk和Wv為線性變換的權(quán)值;z為經(jīng)過位置編碼處理后的數(shù)據(jù)。

將q與k的匹配度在D維空間歸一化后，通過softmax函數(shù)可以得到注意力權(quán)值A(chǔ)，T為序列長度。最后，將注意力權(quán)重A與相關(guān)測度值v的匹配值進(jìn)行計(jì)算，可得到自注意力SA的權(quán)重，可表示為：

(4)

SA(z)=Av。

(5)

改變線性變換Wq的隨機(jī)初始化映射權(quán)值，Wk和Wv可以將輸入向量映射到不同的子空間，使得模型可以對輸入序列進(jìn)行多角度的解讀。將同時計(jì)算多個自注意力的方法稱為多頭注意力機(jī)制，其通過對k個SA的取值進(jìn)行加權(quán)得到，可表示為：

MSA(z)=[SA1(z);SA2(z);…;SAk(z)]Umsa。

(6)

其中Umsa表示加權(quán)求和的權(quán)重矩陣。

多層感知機(jī)模塊主要由一個多層感知器組成，其中包含一個激活函數(shù)GeLU與兩個全連接層。整個VIT模型的編碼過程可以表示為:

(7)

(8)

(9)

其中L為線性函數(shù)，將多頭注意力和多層感知機(jī)連接在一起。

本文主要根據(jù)不同配件類型對備件決策的數(shù)據(jù)集進(jìn)行二級劃分，數(shù)據(jù)特征較多，而VIT模型作為深度網(wǎng)絡(luò)模型的熱點(diǎn)，其多頭注意力機(jī)制在處理該類數(shù)據(jù)集的特征時具有一定優(yōu)勢。

2.1.2 BiLSTM神經(jīng)網(wǎng)絡(luò)模型

BiLSTM是循環(huán)神經(jīng)網(wǎng)絡(luò)的一種變體[19]，由兩個方向相反的長短時記憶循環(huán)神經(jīng)網(wǎng)絡(luò)(LSTM)神經(jīng)網(wǎng)絡(luò)構(gòu)成。LSTM模型由輸入門it、遺忘門ft、輸出門ot及記憶單元ct構(gòu)成，通過這些門控單元對網(wǎng)絡(luò)中的信息進(jìn)行選擇性的輸入、輸出以及遺忘操作，能夠有效克服一般神經(jīng)網(wǎng)絡(luò)所存在的梯度消失問題。LSTM單元的內(nèi)部結(jié)構(gòu)如圖3所示。

整個過程用數(shù)學(xué)公式可表示為：

it=σ(Wi·X+bi)，

ft=σ(Wf·X+bf)，

ot=σ(Wo·X+bo)，

ct=ft?ct-1+it?tanh(Wc·X+bc)，

ht=ot·tanh(ct)。

(10)

式中:xt為t時刻輸入LSTM的數(shù)據(jù);ht為t時刻的隱藏層狀態(tài);W和b分別為LSTM的權(quán)值和偏置;σ為激活函數(shù)sigmoid;?為逐點(diǎn)乘積;tanh為激活函數(shù)。

雖然LSTM能夠解決長期依賴問題，但是它只是利用了過去的信息，并沒有考慮未來的信息。BiLSTM由兩個方向相反的LSTM層構(gòu)成，在每個時刻，BiLSTM神經(jīng)網(wǎng)絡(luò)可學(xué)習(xí)到其前后時間點(diǎn)的序列信息，使得BiLSTM神經(jīng)網(wǎng)絡(luò)可以綜合考慮序列信息的歷史數(shù)據(jù)和未來數(shù)據(jù)，增加模型可利用的信息，有助于提升模型的性能[20-21]。BiLSTM內(nèi)部結(jié)構(gòu)如圖4所示。

(11)

其中T為序列長度。

本文研究集中在汽車配件的備件決策，由于汽車配件種類繁多，數(shù)據(jù)量大小不同，決策難度與時間成本會大大增加。BiLSTM作為經(jīng)典的深度網(wǎng)絡(luò)模型，利用BiLSTM通過兩層相反方向的數(shù)據(jù)流對配件特征進(jìn)行處理，兼顧配件的歷史特征信息和未來特征信息，從而減少時間成本。

2.1.3 正則化模塊

由于配件數(shù)據(jù)關(guān)聯(lián)性不強(qiáng)且差異性較大，為增強(qiáng)本文模型的泛化能力，采用稀疏化的正則化方法對模型進(jìn)行優(yōu)化。組套索正則化可以實(shí)現(xiàn)變量組的稀疏，使得變量組別同時為零或同時不為零[22]。將組套索正則化引入到BiLSTM模型中，對輸入權(quán)重w進(jìn)行正則化處理。稀疏組套索懲罰RSGL分別由l2,1和l1懲罰項(xiàng)的疊加構(gòu)成[23]:

RSGL(w)=Rl2,1(w)+Rl1(w)

(12)

式中：w為權(quán)重;|g|為傳感器向量g的維度，它保證了每個組都得到統(tǒng)一加權(quán)。相對于‖g‖2范數(shù)的次優(yōu)解稀疏方法，正則化表示采用的是絕對值的形式。此方法優(yōu)勢在于讓更多的系數(shù)歸結(jié)為0，加快收斂速度。稀疏組套索(Sparse Group Lasso, SGL)懲罰與構(gòu)成它的范數(shù)具有相同的性質(zhì)，通過式(12)即可輸出稀疏正則化的最優(yōu)解。

2.2 正則化VIT-BiLSTM兩級備件決策模型

從汽車產(chǎn)業(yè)鏈配件代理商的角度，針對汽車備件決策過程中信息不完備與多樣性的問題，本文提出正則化VIT-BiLSTM兩級備件決策模型，幫助配件代理商進(jìn)行不同周期下的多類型備件決策與輔助采購決策。由于多頭自注意力機(jī)制，VIT模型不僅能夠自適應(yīng)提取配件數(shù)據(jù)中的局部特征，還考慮了全局信息，減小對先驗(yàn)知識的依賴以及人為選擇特征導(dǎo)致的誤差。而BiLSTM能夠從前后兩個方向?qū)W習(xí)序列的時間依賴性，每個序列單元中融入的正則化方法能對結(jié)果進(jìn)行約束，提升決策結(jié)果的準(zhǔn)確性。本文結(jié)合兩種模型的優(yōu)勢，構(gòu)建了正則化VIT-BiLSTM兩級備件決策模型，模型結(jié)構(gòu)如圖5所示。

正則化VIT-BiLSTM兩級備件決策模型將從第三方平臺上獲取的配件相關(guān)數(shù)據(jù)作為樣本數(shù)據(jù)，由VIT模塊提取多尺度抽象特征，之后利用BiLSTM從前向和后向?qū)ζ溥M(jìn)行序列建模，充分學(xué)習(xí)特征在時間上的前后依賴性，同時對每個序列單元加入正則化項(xiàng)對結(jié)果進(jìn)行約束，將結(jié)果進(jìn)行輸出。算法實(shí)現(xiàn)流程如圖6所示。

由圖6可以看出，正則化VIT-BiLSTM兩級備件決策模型具體實(shí)現(xiàn)步驟如下：

步驟1將配件銷售數(shù)據(jù)根據(jù)配件類型按照一級指標(biāo)與二級指標(biāo)進(jìn)行分類，一級指標(biāo)分為7類，二級指標(biāo)分為20類；

步驟2輸入樣本數(shù)據(jù){x1,x2,…,xn}，對數(shù)據(jù)進(jìn)行預(yù)處理；

步驟3將處理后的數(shù)據(jù)經(jīng)過VIT模型進(jìn)行特征提取，得到特征數(shù)據(jù){z1,z2,…,zm}；

步驟4將特征數(shù)據(jù){z1,z2,…,zm}輸入BiLSTM模型，得到結(jié)果{p1,p2,…,pt}，即一級指標(biāo)與二級指標(biāo)下的配件備件概率；

步驟5在BiLSTM模型的每個時間序列中融入組套索正則化項(xiàng)，通過正則化項(xiàng)對BiLSTM模型進(jìn)行修正與約束；

步驟6將數(shù)據(jù){p1,p2,…,pt}與平均銷量進(jìn)行計(jì)算，得到備件輔助采購量{y1,y2,…,yt}，為汽車配件備件提供二級決策。

3 實(shí)驗(yàn)與分析

3.1 數(shù)據(jù)和參數(shù)調(diào)優(yōu)

3.1.1 數(shù)據(jù)和實(shí)驗(yàn)環(huán)境

汽車配件的歷史銷售數(shù)據(jù)對備件決策有著極為重要的參考價(jià)值，本文以第三方云平臺上某配件代理商的相關(guān)配件銷售數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)集，基于平臺提取相關(guān)數(shù)據(jù)。通過對數(shù)據(jù)進(jìn)行清洗、篩選、整理等操作，可得到用于配件備件決策的數(shù)據(jù)集。實(shí)驗(yàn)平臺為Inter?CoreTMi7-9750H CPU，16G RAM，Inter?UHD Graphics 630以及Windows 10 64位操作系統(tǒng)。軟件平臺采用Pycharm，編程語言采用Python 3.6。

表1 不同配件的配件類別號

本文選取的數(shù)據(jù)時間范圍為2018年3月～2021年3月，該數(shù)據(jù)集按7:3比例劃分為訓(xùn)練集與驗(yàn)證集。為了得到準(zhǔn)確的備件決策，全面挖掘多類型配件的深層關(guān)系，將汽車配件20個類型的銷售數(shù)據(jù)作為數(shù)據(jù)集的特征。這些配件相關(guān)數(shù)據(jù)構(gòu)成了配件的備件決策數(shù)據(jù)集，部分?jǐn)?shù)據(jù)如表2所示。

表2 部分備件決策數(shù)據(jù)

對于模型而言，本文采用混淆矩陣(Confusion Matrix)計(jì)算實(shí)際樣本值和模型輸出的精準(zhǔn)率、召回率和F值作為評價(jià)指標(biāo)[24]，并根據(jù)這3個指標(biāo)的結(jié)果對算法模型的有效性以及精準(zhǔn)度進(jìn)行判斷。精準(zhǔn)率(Precision)、召回率(Recall)和F值的具體計(jì)算公式如下：

(13)

(14)

(15)

其中：C為樣本總數(shù);c為配件類別總數(shù);TPi為被正確分到第i個類別上的正樣本;TNi為被正確分到第i個類別上的負(fù)樣本;FPi為被錯誤分到第i個類別上的正樣本;FNi為被錯誤分到第i個類別上的負(fù)樣本。

3.1.2 參數(shù)調(diào)優(yōu)

在本文的模型結(jié)構(gòu)中，VIT模塊使用Adam優(yōu)化器[25]對網(wǎng)絡(luò)進(jìn)行訓(xùn)練并提取配件數(shù)據(jù)抽象特征，設(shè)置學(xué)習(xí)率為0.001，批量大小為50。BiLSTM模塊從雙向提取時間序列信息，設(shè)置其隱藏層為40。經(jīng)過多次實(shí)驗(yàn)后，最終確定的模型參數(shù)如表3所示。

表3 正則化VIT-BiLSTM兩級備件決策模型參數(shù)

3.2 兩級備件決策模型實(shí)驗(yàn)

3.2.1 兩級備件決策模型有效性分析

針對汽車備件決策過程中信息不完備與多樣性的問題，本文提出正則化VIT-BiLSTM兩級備件決策模型。模型訓(xùn)練集與驗(yàn)證集的損失函數(shù)曲線如圖7所示。可以看出，驗(yàn)證集與訓(xùn)練集都有較好的收斂效果，迭代30次后趨于平穩(wěn)，未出現(xiàn)過擬合現(xiàn)象，表明了網(wǎng)絡(luò)訓(xùn)練過程有效。

3.2.2 兩級備件決策模型準(zhǔn)確率分析

為了驗(yàn)證模型對多類別配件的決策準(zhǔn)確性，將訓(xùn)練得到的模型應(yīng)用于測試集，結(jié)果如圖8所示。便于展示，只選取了前100天的數(shù)據(jù)進(jìn)行分析?？梢钥闯?，本文模型的決策準(zhǔn)確率高達(dá)98%，可以為配件代理商提供準(zhǔn)確的多類型汽車配件的備件決策。

汽車配件種類繁多，正則化VIT-BiLSTM兩級備件決策模型從一級指標(biāo)與二級指標(biāo)對汽車配件進(jìn)行實(shí)驗(yàn)與分析，結(jié)果如表4所示?？梢钥闯?，正則化VIT-BiLSTM兩級備件決策模型的一級決策準(zhǔn)確率為99%，二級決策準(zhǔn)確率為97%。雖然二級決策準(zhǔn)確率稍低于一級決策，這主要是由于在二級指標(biāo)的劃分下，汽車配件差異性逐漸增大，但是模型的決策準(zhǔn)確率依然優(yōu)于VIT模型與BiLSTM模型。本文模型具有較高的決策準(zhǔn)確率，說明其能為配件代理商提供下一階段的需要采購的配件類型，幫助其了解不同類型下的配件備貨情況。

表4 正則化VIT-BiLSTM兩級備件決策模型準(zhǔn)確率

續(xù)表4

汽車配件具有周期性，配件代理商在備件時必須要考慮周期性的問題，因此需要分析周、月、季、年的模型準(zhǔn)確率。不同周期下的正則化VIT-BiLSTM模型、VIT模型與BiLSTM模型準(zhǔn)確率如圖9所示。

由圖9可知，在短周期的情況下，三個模型的汽車配件備件決策率稍有波動，隨著周期逐漸增大，尤其是到了季、年以上的周期時，模型的準(zhǔn)確率都出現(xiàn)了下降。這主要是因?yàn)槠嚺浼窍男臀锲?，幾乎每天都有銷量，所以周期為天或者周時，數(shù)據(jù)量是比較大的，隨機(jī)性較小，因而決策準(zhǔn)確率高。而當(dāng)周期為月、季、年時，數(shù)據(jù)量會減少，隨機(jī)性增大，所以準(zhǔn)確率較低。盡管如此，本文正則化VIT-BiLSTM模型在不同周期下的準(zhǔn)確率依然維持在97%左右，高于VIT模型與BiLSTM模型。

3.2.3 兩級備件輔助采購決策分析

3.3 對比實(shí)驗(yàn)

為進(jìn)一步體現(xiàn)本文所提正則化VIT-BiLSTM兩級備件決策模型的有效性，本文選擇VIT模型、BiLSTM模型、CNN模型、VIT-LSTM模型、VIT-CNN模型與本文模型進(jìn)行比較，結(jié)果如圖11所示。

由圖11可知，隨著迭代次數(shù)的增加，本文模型與對比模型的二級決策準(zhǔn)確率都有逐漸上升的趨勢。VIT-LSTM模型與VIT-CNN模型的準(zhǔn)確率稍低于本文正則化VIT-BiLSTM兩級備件決策模型，且當(dāng)?shù)螖?shù)到達(dá)25時，本文模型準(zhǔn)確率預(yù)先達(dá)到最高值，接近99%，突出了本文模型備件決策的優(yōu)異性。另外，相較于BiLSTM模型與CNN模型，VIT模型的準(zhǔn)確率較高，這主要?dú)w因于VIT模型的多頭注意力機(jī)制在提取特征時具有優(yōu)勢。

表5 不同模型實(shí)驗(yàn)結(jié)果對比

從表5可以看出，無論是精準(zhǔn)率、召回率或F值，本文正則化VIT-BiLSTM兩級備件決策模型的各項(xiàng)指標(biāo)均具有較好的表現(xiàn)，一級決策性能略優(yōu)于二級。在前3種單模型中，VIT與BiLSTM的精準(zhǔn)率與召回率都遠(yuǎn)遠(yuǎn)高于CNN模型。另外，相較于VIT-LSTM與VIT-CNN模型，本文模型精準(zhǔn)率高達(dá)98%，F(xiàn)值高達(dá)96.4%，具有更優(yōu)的可信度。這主要得益于本文正則化VIT-BiLSTM模型有效利用了VIT模型的多頭注意力機(jī)制，既關(guān)注局部信息又考慮了全局信息。本文所提正則化VIT-BiLSTM模型決策準(zhǔn)確率高，且不需要專家經(jīng)驗(yàn)與物理背景知識，具有較強(qiáng)的實(shí)時性與適用性，能夠幫助汽配企業(yè)進(jìn)行二級備件決策。

4 結(jié)束語

本文站在配件代理商的角度，針對汽車備件決策過程中信息不完備與多樣性的問題，提出一種正則化VIT-BiLSTM兩級備件決策模型。模型先對汽車配件種類進(jìn)行兩級劃分，然后采用VIT模型的多頭注意力機(jī)制以提取數(shù)據(jù)中的多尺度深層特征，再通過BiLSTM模型對雙向全局時間特征進(jìn)行充分提取，同時在序列單元中融入組套索正則化模塊防止過擬合。通過第三方云平臺的數(shù)據(jù)進(jìn)行算例驗(yàn)證，本文模型一級與二級決策準(zhǔn)確率、召回率與F值均高達(dá)96%以上，說明模型能夠有效地幫助汽車配件代理商進(jìn)行備件決策，同時滿足一級與二級指標(biāo)下的多類型汽車配件輔助采購。盡管本文提出的二級備件決策模型能為配件代理商提供實(shí)時備件參考與采購依據(jù)，但模型在訓(xùn)練過程中增加了一些時間開銷。未來也將進(jìn)一步降低模型的時間成本。