支持向量回归在不确定面向订单装配环境下交货期预测中的应用

计算机应用 ›› 2013, Vol. 33 ›› Issue (08): 2362-2365.

支持向量回归在不确定面向订单装配环境下交货期预测中的应用

孙德厂¹,²,史海波¹,刘昶¹

1. 中国科学院沈阳自动化研究所，沈阳 110016;
2. 中国科学院大学，北京 100049

收稿日期:2013-03-05 修回日期:2013-04-16 发布日期:2013-09-11 出版日期:2013-08-01
通讯作者: 孙德厂
作者简介:孙德厂(1976-)，男，河南兰考人，工程师,博士研究生，主要研究方向：制造执行系统、生产计划与控制、先进制造系统;
史海波(1966-)，男，浙江宁波人，研究员，博士生导师，博士，主要研究方向：制造业信息化、制造执行系统;
刘昶(1973-)，女，辽宁辽阳人，副研究员，博士，主要研究方向：制造过程建模与仿真、生产调度、生产优化。
基金资助:
国家科技重大专项

Application of support vector regression in prediction of due date under uncertain assemble-to-order environment

SUN Dechang¹,²,SHI Haibo¹,LIU Chang¹

1. Shenyang Institute of Automation, Chinese Academy of Sciences, Shenyang Liaoning 110016, China
2. University of Chinese Academy of Sciences, Beijing 100049, China

Received:2013-03-05 Revised:2013-04-16 Online:2013-09-11 Published:2013-08-01
Contact: SUN Dechang

摘要/Abstract

摘要： 针对面向订单装配(ATO)生产环境，如何根据订单信息、生产系统特性快速地估算出准确、可靠的交货期问题，在分析不确定性要素对交货期影响机制的基础上，构建了订单交货期预测模型。模型参数包括三个部分：订单上线时间、装配周期和异常拖期。订单上线时间基于零部件、生产能力的可用性，订单装配周期和异常拖期采用基于实际生产历史数据的支持向量回归(SVR)方法进行预测。案例研究表明该模型预测结果与实际交货期接近，可以用于指导订单交货期协商。

关键词: 不确定性, 面向订单装配, 交货期预测, 支持向量回归

Abstract: For the issue of how to quickly estimate the accurate, reliable due date according to the order information and the features of the production system in Assembly To Order (ATO), a due date prediction model was constructed based on the influential mechanism analysis of the uncertainty factors. The model parameters included three parts: order release time, assembly cycle time and abnormal tardiness. Order release time was based on the availability of materials and production capacity. The assembly cycle time and abnormal tardiness were predicted by using Support Vector Regression (SVR) method based on actual production history data. The case study shows that the predicted results of the model are close to actual due date and it can be used to guide the order's delivery time consultation.

Key words: uncertainty, Assembly To Order (ATO), due date prediction, Support Vector Regression (SVR)

中图分类号:

TP31

孙德厂史海波刘昶. 支持向量回归在不确定面向订单装配环境下交货期预测中的应用[J]. 计算机应用, 2013, 33(08): 2362-2365.

SUN Dechang SHI Haibo LIU Chang. Application of support vector regression in prediction of due date under uncertain assemble-to-order environment[J]. Journal of Computer Applications, 2013, 33(08): 2362-2365.

[1]	李伟, 张晓蓉, 陈鹏, 李清, 张长青. 基于正态逆伽马分布的多尺度融合人群计数算法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2243-2249.
[2]	周妍, 李阳. 用于脑卒中病灶分割的具有注意力机制的校正交叉伪监督方法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1942-1948.
[3]	李健京, 李贯峰, 秦飞舟, 李卫军. 基于不确定知识图谱嵌入的多关系近似推理模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1751-1759.
[4]	任帅, 纪元法, 孙希延, 韦照川, 林子安. 基于改进灰狼优化与支持向量回归的滑坡位移预测[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 972-982.
[5]	王逸, 裴生雷, 王煜. 基于CSI和K-means-SVR的多指纹库室内定位方法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1636-1640.
[6]	王昊, 王子成, 张超, 马韵升. 基于生成对抗网络的数据不确定性量化方法[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1094-1101.
[7]	张玉莲, 姚姗姗, 王超, 畅江. 基于不确定性学习的文本无关的说话人确认方法[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3727-3732.
[8]	李艳, 郭劼, 范斌. 元学习的不确定性特征构建及初步分析[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 343-348.
[9]	谢鑫, 张贤勇, 王旋晔, 唐鹏飞. 变精度邻域等价粒的邻域决策树构造算法[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 382-388.
[10]	曹玉红, 徐海, 刘荪傲, 王紫霄, 李宏亮. 基于深度学习的医学影像分割研究综述[J]. 《计算机应用》唯一官方网站, 2021, 41(8): 2273-2287.
[11]	裴仪瑶, 郭会明, 张丹普, 陈文博. 基于定位不确定性的鲁棒3D目标检测方法[J]. 计算机应用, 2021, 41(10): 2979-2984.
[12]	杨晨, 王婕婷, 李飞江, 钱宇华. 基于概率的支持向量数据描述方法[J]. 计算机应用, 2019, 39(11): 3134-3139.
[13]	翟俊海, 张素芳, 王聪, 沈矗, 刘晓萌. 基于MapReduce的大数据主动学习[J]. 计算机应用, 2018, 38(10): 2759-2763.
[14]	黄凤, 王晓明. 增强的单幅图像自学习超分辨方法[J]. 计算机应用, 2017, 37(9): 2636-2642.
[15]	汤建国, 汪江桦. 基于粗糙集的古典密码模型[J]. 计算机应用, 2017, 37(4): 993-998.