基于自适应Q学习的间歇性备品备件需求预测

摘要

间歇性备件具有高价值、需求中断和关键性等特点。有效的需求预测有助于优化库存管理，确保设备得以及时维护，从而保持其正常运行所需的可靠性和安全性。因此，本文提出一种基于自适应Q学习的间歇性备件需求预测方法。首先利用相似度指标和K-means对备件需求数据进行预处理和聚类；其次，采用Q学习算法动态调整聚类后的备件类别与预测模型的匹配关系，为每类数据自适应匹配预测模型，以期达到更好的预测精度；最后，采用间歇性备件数据集对所提方法进行验证。结果表明：自适应Q学习可以显著降低备件预测误差，且E_nrmse、E_mae、E_mase等3个指标均低于Croston、ARIMA、Deep Renewal Exact等6种对比模型，各类别的均值分别为8.921 0、1.485 6、0.395 0。因此，所提出的自适应Q学习方法的预测精度准确且结果可靠，能够用于间歇性备件的需求预测。

关键词

K-means聚类 / Q学习 / 间歇性备件 / 需求预测

基金资助

国家自然科学基金资助面上项目(52475524)