迁移性鸟优化使一维量子卷积神经网络成为供应链需求预测的一维量子卷积神经网络.
Mohamed Irhuma1, Ahmad Alzubi1, Tolga Öz1
1Institute of Social Sciences, University of Mediterranean Karpasia, Mersin, Turkey.
PloS one
|March 3, 2025
概括
本研究介绍了一种新型的,支持迁移鸟优化的一维量子卷积神经网络 (MiA+1D-QNN),用于供应链中先进的需求预测. 拟议的方法提高了预测准确性和资源优化.
科学领域:
- 供应链管理 供应链管理
- 人工智能的人工智能
- 数据科学数据科学数据科学
背景情况:
- 需求预测对于供应链优化至关重要,但面临着动态时间序列和数据要求的挑战.
- 现有的方法经常与复杂的模式和数据完整性问题作斗争.
- 准确的需求预测可以提高资源配置和运营效率.
研究的目的:
- 为供应链管理提出一个先进的需求预测模型.
- 解决现有方法在处理动态时间序列和数据质量方面的局限性.
- 提高需求预测的准确性和可靠性.
主要方法:
- 开发了一种支持迁移鸟优化的一维量子卷积神经网络 (MiA + 1D-QNN).
- 利用迁移式鱼优化 (MAO) 进行超参数调整.
- 采用K-最近邻居归算来处理缺失的数据值.
主要成果:
- 在供应链分析数据集中,MiA+1D-QNN模型实现了0.929的相关性和7.34的MSE.
- 在DataCo智能SC数据集上,该模型达到了0.957的相关性和6.00的MSE.
- 该模型以低的平均绝对误差 (MAE) 和根平均平方误差 (RMSE) 值显示了高精度.
结论:
- 拟议的MiA + 1D-QNN模型为供应链的需求预测提供了显著的进步.
- MAO和1D-QNN的整合提供了高效和准确的预测.
- 该方法有效地处理数据的复杂性,改善整体供应链资源管理.
更多相关视频
06:19Integration of Animal Behavioral Assessment and Convolutional Neural Network to Study Wasabi-Alcohol Taste-Smell Interaction
Published on: August 16, 2024
359
06:21Author Spotlight: Understanding Processing of Olfactory and Spatial Information by Brain with Real-Time Behavioral Analysis
Published on: September 20, 2024
673
