典型文献
基于深度网络的汽车配件两级备件决策
文献摘要：
备件业务是汽车配件售后市场重要组成部分,针对汽车备件决策过程中信息不完备与多样性的问题,提出一种正则化VIT-BiLSTM两级备件决策模型.首先,根据配件类型对数据进行两级划分,以获取其内在联系.然后,利用Vision Transformer(VIT)模型对配件数据进行关键特征的提取.随后,通过双向长短时记忆循环神经网络(BiLSTM)捕捉特征之间的双向长时依赖关系,并在每个序列单元中融入组套索正则化项,进一步提高模型准确率.最后,利用第三方云平台的配件数据进行算例分析.实验结果表明,模型一级与二级的决策准确率分别高达99％、97％,召回率分别为97.3％、96.6％,F值分别为0.977、0.964,说明本模型可以为配件代理商提供实时数据参考,辅助其进行备件决策.
文献关键词：
汽车配件;深度网络;两级备件决策;VIT模型;BiLSTM模型;组套索正则化
中图分类号：
作者姓名：
张明蓝;孙林夫;邹益胜
作者机构：
西南交通大学 计算机与人工智能学院,四川 成都 610031;四川省制造业产业链协同与信息化支撑技术重点实验室,四川 成都 610031
文献出处：
引用格式：
[1]张明蓝;孙林夫;邹益胜-.基于深度网络的汽车配件两级备件决策)[J].计算机集成制造系统,2022(12):3820-3829
A类：
两级备件决策,组套索正则化
B类：
深度网络,汽车配件,售后,后市场,汽车备件,决策过程,中信,信息不完备,VIT,BiLSTM,决策模型,Vision,Transformer,件数,关键特征,特征的提取,双向长短时记忆,长短时记忆循环神经网络,依赖关系,模型准确率,算例分析,召回率,代理商,实时数据
AB值：
0.292445
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
