| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 课题研究背景和意义 | 第11-12页 |
| 1.1.1 引言及问题的提出 | 第11-12页 |
| 1.1.2 准备解决的问题 | 第12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 安全库存研究现状 | 第12-13页 |
| 1.2.2 LSTM研究现状 | 第13-14页 |
| 1.3 论文研究内容及章节安排 | 第14-15页 |
| 第2章 安全库存预测基本理论与方法 | 第15-27页 |
| 2.1 库存及安全库存的理论概述 | 第15-17页 |
| 2.1.1 库存的理论概述 | 第15页 |
| 2.1.2 安全库存的理论概述 | 第15-17页 |
| 2.2 安全库存定量方法分析 | 第17-20页 |
| 2.3 汽车配件安全库存预测原理 | 第20-22页 |
| 2.3.1 问题描述 | 第20-21页 |
| 2.3.2 影响汽车配件安全库存预测的指标 | 第21-22页 |
| 2.4 本文实验所用数据集及数据归一化处理 | 第22-26页 |
| 2.4.1 安全库存预测数据集 | 第22-23页 |
| 2.4.2 其他数据集 | 第23-25页 |
| 2.4.3 数据的特征归一化处理 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于LSTM的安全库存预测模型研究 | 第27-43页 |
| 3.1 RNN神经网络模型原理 | 第27-28页 |
| 3.2 LSTM神经网络模型原理 | 第28-31页 |
| 3.3 基于LSTM的汽车配件安全库存预测模型设计 | 第31-37页 |
| 3.3.1 模型训练的输入输出与结构设计 | 第31-32页 |
| 3.3.2 选取模型的激活函数 | 第32-34页 |
| 3.3.3 选取LSTM网络模型训练的优化方法 | 第34-36页 |
| 3.3.4 避免过拟合的LSTM网络结构设计 | 第36-37页 |
| 3.4 实验设置及结果分析 | 第37-42页 |
| 3.4.1 实验环境及参数设置 | 第37-38页 |
| 3.4.2 实验数据处理及实验结果 | 第38-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于BA-LSTM的安全库存预测模型的建立 | 第43-59页 |
| 4.1 蝙蝠算法基本模型 | 第43-44页 |
| 4.2 BA-LSTM算法模型 | 第44-46页 |
| 4.3 BA-LSTM在安全库存预测上的仿真实验 | 第46-50页 |
| 4.3.1 实验设计 | 第46页 |
| 4.3.2 BA-LSTM与LSTM的对比实验 | 第46-49页 |
| 4.3.3 BA-LSTM在不同蝙蝠数量下的对比实验 | 第49-50页 |
| 4.4 BA-LSTM与BA-BP算法比较分析 | 第50-54页 |
| 4.4.1 BP算法模型 | 第50-52页 |
| 4.4.2 实验结果与实验结论 | 第52-54页 |
| 4.5 BA-SVR与BA-LSTM算法比较分析 | 第54-58页 |
| 4.5.1 SVR算法模型 | 第54-56页 |
| 4.5.2 实验结果与实验结论 | 第56-58页 |
| 4.6 本章小结 | 第58-59页 |
| 第5章 BA-LSTM在配件安全库存预测中的应用 | 第59-68页 |
| 5.1 系统需求分析 | 第59-60页 |
| 5.1.1 项目背景 | 第59-60页 |
| 5.1.2 系统开发环境 | 第60页 |
| 5.2 系统的数据库设计 | 第60-61页 |
| 5.3 系统设计与实现 | 第61-64页 |
| 5.4 系统各个模块结果展示 | 第64-67页 |
| 5.4.1 实时库存查询模块展示 | 第64-65页 |
| 5.4.2 安全库存预测模型训练模块展示 | 第65-66页 |
| 5.4.3 安全库存量预测模块展示 | 第66-67页 |
| 5.5 本章小结 | 第67-68页 |
| 总结与展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第74页 |
