基于特征扩充和LSTM模型的多变量工业订单预测

张 提

（同济大学电子与信息工程学院，上海 201804）

对于工业企业来说，订单量的不确定性给库存管理带来了巨大的风险，尤其是生产和运输提前期较长的企业，以及严格按照订单进行生产的企业，订单更是作为连接企业与客户的桥梁。对订单量进行精准预测，可以帮助企业及时改进生产计划，作出合理决策，提高市场竞争力。

工业订单可以作为时间序列数据进行研究。自回归差分移动平均模型（ARIMA）由G.P.Box和G.M.Jenkins于21世纪70年代初提出，是非常著名的线性单变量时间序列预测模型［1］。W.J.Kim基于时间序列，使用ARIMA模型对海外施工订单进行预测［2］。然而，ARIMA模型很难捕捉到时间序列的非线性特性。人工神经网络（ANN）可以有效地处理非线性问题，该方法也被广泛地应用于预测。黄建强等［3］使用低偏差序列混合遗传粒子群优化算法对灰色神经网络参数进行优化，并将其用于冰箱订单预测。华晓晖等［4］利用BP神经网络组合径向基神经网络建立订单预测模型，提高对订单数据的预测精度。M.Khashei等［5］和Voronin［6］利用ARIMA与ANN模型分别比较线性与非线性建模的优势，有效地将ARIMA和ANN模型进行混合建模，提高了模型的预测精度。此外，还有一些其他机器学习方法也成功地应用在时间序列的非线性回归问题中，并受到越来越多的关注。例如，支持向量机（SVM）［7］、多层感知器（MLP）［8］、贝叶斯神经网络［9］、广义回归神经网络（GRNN）［10-11］、K近邻回归算法［12］、分类与回归树（CART）［13］与高斯过程回归［14］。Nesreen K.Ahmed等［15］对用于时间序列预测问题的机器学习模型进行大规模的比较研究，验证了机器学习在时间序列预测领域的可行性。……