关键词:
物料预测
LSTM神经网络
Multi Head Attention
Kolmogorov-Arnold网络
时间序列预测
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。