来源：期刊VIP网 时间：
作者：吴小芳;成益盈;杨美怡;杨磊;
单位：河南科技大学信息工程学院;中信重工机械股份有限公司;
摘要：在工业生产中，物料需求量受到众多因素的影响，表现出高度复杂且多变的动态特性。这些动态特性包括非线性关系、短期波动以及潜在的长期趋势，从而导致传统预测方法无法精确应对这些挑战。针对这一问题，设计了一种结合长短期记忆网络(LSTM)与Kolmogorov-Arnold网络(KAN)以及多头注意力机制(MHA)的LSTM-MHKAN物料需求预测方法。该方法通过3个步骤来优化物料需求预测过程。首先，利用LSTM捕捉物料需求数据中的时序依赖，识别短期变化并调整模型参数以适应动态波动。其次，引入MHA对LSTM输出结果进行加权，增强模型对关键需求波动的敏感性。最后，KAN算法对加权后的注意力输出进行建模，捕捉非线性关系并自适应预测未来需求。实验结果表明，与传统预测算法相比，LSTM-MHKAN能有效降低均方误差和平均绝对误差，并提高决定系数。这些结果验证了LSTM-MHKAN算法在离散制造业物料需求预测中的有效性，为减少制造业成本提供了有力的决策支持。
关键词：物料预测;;LSTM神经网络;;Multi Head Attention;;Kolmogorov-Arnold网络;;时间序列预测
基金资助：国家自然科学基金项目(61976243);; 河南省重点研发专项项目(231111222600)
