.png){kind=icon}
返回
Demand forecasting using KAN-RNN
.png){kind=icon}
PRE
AI
DOI：10.1007/s00521-025-11514-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在当今高度竞争的商业环境中，组织持续努力保持其竞争力并实现可持续的利润率，以支持长期增长和发展。准确的需求预测已成为决策者的关键工具，因为它能够实现更好的资源分配、库存管理和战略规划。循环深度学习方法，利用门控机制来维持与时间序列数据一致的内隐状态，是提高预测精度最广泛使用的策略之一。尽管这些模型取得了成功，但通过重新设计其门控机制，它们仍展现出显著未被充分挖掘的潜力。为解决此问题，我们提出了一种受柯尔莫哥洛夫-阿诺德网络（KANs）启发的创新需求预测方法，其特点是具有改进的循环架构和重构的门控机制。这一创新利用KAN原理增强模型捕捉复杂时序依赖关系并适应不断变化的需求模式的能力。实验评估表明，所提出的方法优于当前最先进的方法，凸显了其提供更准确可靠的需求预测结果的能力。
Keyword:
Demand forecasting
Recurrent networks
Kolmogorov–Arnold networks (KANs)
Deep learning
Time series
期刊
IF:
4.5
论文数:
940
被引数:
3.2W
机构
引用论文
.png){kind=icon}
Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation使用RNN编码器-解码器学习统计机器翻译的短语表示
OAAI
OAAI分享收藏分享收藏
查看更多内容