于偉強(qiáng) 孫元峰 姜茂林 王浩男 劉曉紅

摘要：煙草公司所擁有的零售戶庫存檢測，對(duì)于煙草投放量和后續(xù)市場營銷策略等相關(guān)決策的制定具有重要意義。煙草公司每個(gè)季度甚至每個(gè)月需要對(duì)下設(shè)煙草零售戶庫存進(jìn)行統(tǒng)計(jì)，以便通過對(duì)各煙草零售戶庫存的掌握實(shí)時(shí)把握市場狀況，從而有效進(jìn)行煙草品牌投放，提高投放效率，削減市場運(yùn)營成本等。首先，文章對(duì)目前煙草公司在零售戶庫存檢測方面遇到的難題進(jìn)行描述和分析，從而確定這些問題的關(guān)鍵環(huán)節(jié)；其次，對(duì)煙草公司零售戶的庫存檢測數(shù)據(jù)進(jìn)行深入分析，確定能夠?qū)齑媪慨a(chǎn)生影響的直接和間接變量；最后，在深入分析數(shù)據(jù)基礎(chǔ)上對(duì)各類模型構(gòu)建類型和預(yù)測工具進(jìn)行廣泛比較分析，最后確定使用BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型，對(duì)零售戶總庫存量和不同品牌庫存進(jìn)行預(yù)測分析，通過使用MATLAB軟件工具導(dǎo)入數(shù)據(jù)后，在經(jīng)歷了眾多次機(jī)器學(xué)習(xí)后，得到了較為理想的預(yù)測模型，通過設(shè)計(jì)代碼命令導(dǎo)入數(shù)據(jù)進(jìn)行驗(yàn)證后得到了較為理想的結(jié)果。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)，零售戶庫存監(jiān)測模型，品牌庫存監(jiān)測模型

中圖分類號(hào)：F426.8；F274???文獻(xiàn)標(biāo)識(shí)碼：A???文章編號(hào)：1005-6432（2024）011-0000-04

[DOI]10.13939/j.cnki.zgsc.2024.11.046

1???國內(nèi)外研究現(xiàn)狀

1.1??國外研究狀況：

1.1.1???庫存控制的研究。

首先是關(guān)于確定性需求的庫存控制問題研究。的經(jīng)典公式是在需求為常數(shù)的假設(shè)前提下得到的。該公式自誕生以來就在實(shí)際中得到了廣泛的應(yīng)用，也取得了顯著的經(jīng)濟(jì)效益但隨著應(yīng)用的推廣和深入，人們逐漸發(fā)現(xiàn)在使用該模型時(shí)會(huì)受到很多實(shí)際因素的制約，因?yàn)樵撃Ｐ褪窃诒容^理想的假設(shè)下推導(dǎo)和發(fā)展的，它沒有考慮周圍環(huán)境變化所產(chǎn)生的影響。

其次，關(guān)于隨機(jī)性需求的庫存控制問題研究。在現(xiàn)實(shí)中，一般的庫存系統(tǒng)都具有隨機(jī)性，即訂貨提前期是隨機(jī)的，單位時(shí)間內(nèi)的需求量也是隨機(jī)的。關(guān)于隨機(jī)庫存控制問題的研究主要分為，對(duì)單期隨機(jī)庫存控制模型的研究和對(duì)隨機(jī)定點(diǎn)訂貨模型的研究。

1.1.2???庫存控制信息系統(tǒng)的研究現(xiàn)狀。

國外在庫存控制的理論研究方面，無論是運(yùn)籌學(xué)角度的研究還是管理方法角度的研究，都已經(jīng)取得了優(yōu)異的成果。作為這些理論、方法的實(shí)現(xiàn)載體，庫存控制信息系統(tǒng)也相應(yīng)取得了很大的進(jìn)展，出現(xiàn)了很多優(yōu)秀的庫存控制軟件。庫存控制信息系統(tǒng)有些是作為獨(dú)立的軟件予以運(yùn)作，但更多的是作為其它大型軟件如企業(yè)資源計(jì)劃即軟件、供應(yīng)鏈管理軟件的一部分以實(shí)現(xiàn)其功能庫存控制子系統(tǒng)在這些軟件中，發(fā)揮著至關(guān)重要的作用。這些庫存控制軟件子系統(tǒng)的算法和模型相當(dāng)豐富，針對(duì)不同的行業(yè)、不同的企業(yè)，可選擇不同的算法和模型此類軟件的使用大大優(yōu)化了庫存管理水平，幫助企業(yè)更好的實(shí)現(xiàn)了企業(yè)管理和供應(yīng)鏈管理。

1.2???國內(nèi)研究狀況

圍繞煙草零售庫存方面的相關(guān)研究目前主要集中于以下方面：

1.2.1??零售客戶卷煙庫存決策與管理研究。

這一領(lǐng)域是目前對(duì)煙草零售庫存研究最為集中的一個(gè)議題，蔡萍萍，吳錚等（2012）為了“按客戶訂單組織貨源”，規(guī)范和優(yōu)化企業(yè)內(nèi)部流程，降低資源配置成本和經(jīng)營風(fēng)險(xiǎn)，提高客戶服務(wù)水平，快速響應(yīng)零售市場，提出了零售業(yè)庫存決策模型。李會(huì)景，彭甜，段靈芝（2011）分析了煙草商業(yè)卷煙庫存形成機(jī)制、存在問題，并提出了相應(yīng)發(fā)展對(duì)策。認(rèn)為，卷煙商品的特殊性使得對(duì)卷煙庫存的控制具有一定的難度，并嘗試使用?ABC?分類法、訂貨點(diǎn)法和?VMI?方法對(duì)卷煙庫存進(jìn)行控制，舉例介紹訂貨點(diǎn)法的應(yīng)用，卷煙商業(yè)企業(yè)可以根據(jù)實(shí)際采用其中一種或多種方法對(duì)庫存進(jìn)行控制，以達(dá)到卷煙庫存優(yōu)化的目的。黃昕竹（2018）對(duì)卷煙庫存管理現(xiàn)狀進(jìn)行分析，從市場需求預(yù)測、卷煙采購協(xié)同、卷煙出入庫管理等方面提出解決對(duì)策，以進(jìn)一步優(yōu)化庫存管理模式，確保既能滿足日常銷售的流轉(zhuǎn)需求。1.2.2????零售客戶庫存識(shí)別方法分析研究。

盛劍，樊紅等（2017）為準(zhǔn)確了解市場庫存和需求，減小商業(yè)庫存壓力，實(shí)現(xiàn)對(duì)零售客戶進(jìn)行按需供貨，發(fā)現(xiàn)零售客戶群體共性特征，通過考察零售客戶的年銷售量和年庫存量，基于?Spark+MLlib?的?kmeans++?算法實(shí)現(xiàn)對(duì)零售客戶行為的聚類，并根據(jù)收集所得的卷煙銷售掃碼數(shù)據(jù)采用?KMeans+?進(jìn)行聚類分析，將客戶分為三大類別，得到了較為合適的分類結(jié)果，給出了相應(yīng)的銷售和庫存的管理策略，這為卷煙銷售和庫存管理策略的制定提供決策支持。唐彬（2022）建立了不允許缺貨的卷煙訂購存貯模型，通過案例分析證明了模型的有效性，并提供了一系列卷煙庫存控制措施，為零售客戶科學(xué)制定卷煙訂購策略提供了理論支撐。馮明亮（2021）基于神經(jīng)網(wǎng)絡(luò)修正灰色殘差的建模方法，通過系統(tǒng)的收集零售客戶的庫存現(xiàn)狀，分析了庫存積壓的原因，并從提高零售客戶對(duì)卷煙品牌（規(guī)格）的需求預(yù)測準(zhǔn)確度出發(fā)，構(gòu)建以消費(fèi)者需求為導(dǎo)向的組合預(yù)測模型。

通過對(duì)上述有關(guān)零售客戶庫存方面德研究可以看出，目前這方面的研究主要集中在對(duì)零售客戶庫存和煙草公司之間訂貨量方式，識(shí)別和銷量預(yù)測方面?？疾鞜煵萘闶劭蛻粼诓煌瑫r(shí)期階段向煙草公司訂貨而產(chǎn)生的庫存，確實(shí)可以能夠一定程度上掌握零售客戶的銷售情況和銷售能力，但這種庫存并不是零售客戶的實(shí)際庫存或者即時(shí)庫存，甚至其實(shí)際銷量對(duì)于煙草公司來說也很難掌握。主要原因在于，由于煙草零售客戶千差萬別，比如商超里面的煙草零售客戶所使用的信息采集系統(tǒng)相對(duì)完善，銷售數(shù)據(jù)采集和存儲(chǔ)方式比較正規(guī)，軟硬件使用較為齊備。然而，還有很多煙草零售客戶規(guī)模較小，銷售數(shù)據(jù)采集手段比較落后甚至有些銷售數(shù)據(jù)有缺失現(xiàn)象，這種采集數(shù)據(jù)和人力方面的差異導(dǎo)致銷售數(shù)據(jù)和實(shí)際庫存煙草公司無法準(zhǔn)確獲取，這就導(dǎo)致前述所說，無法有效掌握零售客戶即時(shí)庫存，從而對(duì)市場狀況把握不及時(shí)，降低了煙草投放效率，對(duì)整體業(yè)績產(chǎn)生負(fù)面影響。而本次研究項(xiàng)目主要集中于對(duì)煙草零售客戶即時(shí)庫存的估算，對(duì)實(shí)際庫存的監(jiān)測更具有現(xiàn)實(shí)意義，可以真正掌握目前市場總體銷售狀況，據(jù)此進(jìn)行有效市場投放。

2???相關(guān)理論

BP神經(jīng)網(wǎng)絡(luò)最早是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出的，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP神經(jīng)網(wǎng)絡(luò)算法是在BP神經(jīng)網(wǎng)絡(luò)現(xiàn)有算法的基礎(chǔ)上提出的，是通過任意選定一組權(quán)值，將給定的目標(biāo)輸出直接作為線性方程的代數(shù)和來建立線性方程組，解得待求權(quán)，不存在傳統(tǒng)方法得局部極小及收斂速度慢的問題，且更容易理解。這種網(wǎng)絡(luò)能夠?qū)W習(xí)和存儲(chǔ)大量的輸入—輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和闕值，使網(wǎng)絡(luò)的誤差平法和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input）、隱含層（hide?layer）和輸出層（output?layer）。每一個(gè)神經(jīng)元接收到其他神經(jīng)元的信息，并由一個(gè)加權(quán)鏈路進(jìn)行傳輸，神經(jīng)元將所有信息相加獲得一個(gè)總的輸入量，再與神經(jīng)元的闕值相比較（模擬闕值），再經(jīng)過“激活函數(shù)”的處理，獲得最后的輸出（模擬闕值），并以此為基礎(chǔ)，層層向下傳遞。

3???煙草零售戶庫存監(jiān)測模型構(gòu)建

首先，運(yùn)行MATLAB軟件，在工作界面中的“工作區(qū)”新建要素變量，即將決定零售戶庫存的七個(gè)要素導(dǎo)入工作區(qū)并命名為輸入變量“X”，因?yàn)槲覀円O(jiān)測的是零售戶庫存，所以再新建一個(gè)輸出變量并命名為“Y”。顯然輸入“X”作為七個(gè)要素變量是原數(shù)據(jù)中選取25303個(gè)零售戶而來，輸出“Y”是原數(shù)據(jù)中是零售戶已經(jīng)盤點(diǎn)過的庫存25303條，目的是使用這些數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練。

其次，構(gòu)建輸入和輸出變量以后，打開神經(jīng)網(wǎng)絡(luò)擬合工具箱（Neural?Fitting?nfTool）其主要運(yùn)行邏輯為，具有?sigmoid?隱藏神經(jīng)元和線性輸出神經(jīng)元?（fitnet）?的兩層前饋網(wǎng)絡(luò)可以很好地?cái)M合多維映射問題，前提是隱藏層中存在一致的數(shù)據(jù)和足夠的神經(jīng)元。網(wǎng)絡(luò)將使用?Levenberg-Marquardt?反向傳播算法?（trainlm）?進(jìn)行訓(xùn)練，除非內(nèi)存不足，在這種情況下將使用縮放共軛梯度反向傳播?（trainscg）。在將輸入“X”和輸出“Y”導(dǎo)入神經(jīng)網(wǎng)絡(luò)工具后，最終形成神經(jīng)網(wǎng)絡(luò)邏輯。接下去就是針對(duì)這個(gè)模型進(jìn)行訓(xùn)練，其中選取貝葉斯模型算法進(jìn)行計(jì)算訓(xùn)練，該算法通常需要更多時(shí)間，但可以對(duì)困難、小型或嘈雜的數(shù)據(jù)集產(chǎn)生良好的泛化效果。訓(xùn)練根據(jù)自適應(yīng)權(quán)重直到最小化（正則化）就會(huì)停止。直到該模型訓(xùn)練結(jié)束可以看到整體模型訓(xùn)練效果，經(jīng)過1000次迭代以后，模型訓(xùn)練的結(jié)果無限接近于最優(yōu)狀態(tài)，因此可以認(rèn)為模型的效果是比較理想的，再觀察模型的擬合度可以看到其回歸擬合度比較理想，R值為1。在系統(tǒng)中保存該模型，同時(shí)在“工作區(qū)”新建一個(gè)驗(yàn)證輸入變量為“newX”，其含義是在現(xiàn)有零售戶庫存數(shù)據(jù)中另外選取936個(gè)零售戶的數(shù)據(jù)（僅包含七個(gè)要素），使用訓(xùn)練后的模型進(jìn)行庫存監(jiān)測驗(yàn)證（前者25303條數(shù)據(jù)是為模型訓(xùn)練而選?。?xùn)練好的模型則以?“net”文件名保存在工作區(qū)中。

最后，調(diào)出編輯器在編輯器中編寫一套語句，語句的作用就是將936條驗(yàn)證數(shù)據(jù)輸入訓(xùn)練好的模型，然后得出零售戶庫存量的預(yù)測結(jié)果，具體語句命令代碼如下所示：

predict_y?=?zeros（936，1）;?%?初始化predict_y

for?i?=?1：?936

result?=?sim（net，?newX（i，：）'）;

predict_y（i）?=?result;

end

disp（'預(yù)測值為：'）

disp（predict_y）

將上述編輯好的命令語句拷貝到“命令行窗口”中，此時(shí)已經(jīng)得到了零售戶庫存的預(yù)測結(jié)果，可以將預(yù)測值拷貝到原數(shù)據(jù)文件EXCEL軟件中進(jìn)行比較可以發(fā)現(xiàn)與原有庫存實(shí)際盤點(diǎn)數(shù)據(jù)誤差在接受范圍內(nèi)，結(jié)果比較理想，如表1所示。

經(jīng)過了多次模型訓(xùn)練，最終得出的模型效果比較理想，庫存預(yù)測值與左側(cè)實(shí)際盤點(diǎn)庫存值差距不大。

4???煙草不同品牌庫存預(yù)測模型構(gòu)建

首先，軟中華品牌預(yù)測模型的構(gòu)建?？梢允紫冗x取軟中華庫存數(shù)據(jù)作為果變量，因變量的選取至關(guān)重要，因?yàn)樵谏窠?jīng)網(wǎng)絡(luò)模型構(gòu)建訓(xùn)練過程中會(huì)對(duì)最終模型的算法模式產(chǎn)生直接影響，從而影響最終預(yù)測結(jié)果的準(zhǔn)確度。在這種情況下，需要對(duì)不同變量選取搭配進(jìn)行不斷驗(yàn)證，這一步驟顯得相對(duì)復(fù)雜和繁瑣。通過不斷的嘗試和驗(yàn)證后，最終選取了五個(gè)變量加入模型進(jìn)行計(jì)算，即總庫存、總銷量、單品銷量、總庫存比和單品存銷比。通過MATLAB軟件當(dāng)中的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行模型構(gòu)建，經(jīng)過多次模型訓(xùn)練，最終得到預(yù)測結(jié)果模型?？梢钥吹侥Ｐ蛿M合度比較理想，檢測度達(dá)到R=0.97，最終模型總體擬合度達(dá)到R=0.96，使用剩余10%數(shù)據(jù)進(jìn)行驗(yàn)證比較可以看到預(yù)測值和真實(shí)值之間的差距在比較理想的范圍內(nèi)，如表2所示。

其次，硬中華庫存預(yù)測模型。根據(jù)上述因變量和果變量的設(shè)定，選取五個(gè)變量在神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練計(jì)算，得到模型以及回歸模型效果，從上圖的模型擬合度可以看到，通過使用貝葉斯算法10層神經(jīng)網(wǎng)絡(luò)的模型訓(xùn)練構(gòu)建的模型擬合度R=0.973，將剩余數(shù)據(jù)使用模型進(jìn)行驗(yàn)證發(fā)現(xiàn)結(jié)果比較理想，如表3所示。

從上表可以看出，左側(cè)是實(shí)際盤點(diǎn)的硬中華庫存，左側(cè)為模型預(yù)測值，對(duì)比后發(fā)現(xiàn)實(shí)際差距在理想誤差范圍內(nèi)，這說明使用神經(jīng)網(wǎng)絡(luò)構(gòu)建的模型能夠較為精準(zhǔn)和有效預(yù)測庫存。

最后，紅旗渠等品牌庫存模型預(yù)測。根據(jù)上述因變量和果變量的設(shè)定，選取五個(gè)變量在神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練計(jì)算，得到模型以及回歸模型效果，模型所得到的擬合以及最終訓(xùn)練結(jié)果Validation?R?=0.995，綜合擬合度All：?R=0.988，最后使用剩余數(shù)據(jù)對(duì)該模型進(jìn)行驗(yàn)證，結(jié)果如表4所示。

從上表可以清楚看出，左邊為實(shí)際盤點(diǎn)庫存值，右邊為模型預(yù)測值，比較以后可以得到非常理想的預(yù)測結(jié)果。

5???庫存預(yù)測精準(zhǔn)度和效率提升策略

首先，在對(duì)全市煙草零售戶庫存采集方法需要進(jìn)一步加強(qiáng)。從目前來看使用云POS以及實(shí)際盤點(diǎn)的零售戶數(shù)量還是比較有限，這樣數(shù)據(jù)獲取的精準(zhǔn)度就無法保證，因此在今后還需要加大網(wǎng)絡(luò)電子設(shè)備的普及度。

其次，在庫存數(shù)據(jù)的搜集整理要能符合MATLAN軟件神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型的需要。這樣做的好處是，從原始數(shù)據(jù)搜集就可以形成方便輸入模型當(dāng)中的規(guī)范數(shù)據(jù)文件格式，這樣可以大大提升預(yù)測效率。即，數(shù)據(jù)文件的設(shè)置格式依據(jù)因變量和果變量的名稱順序排列，這樣分析人員可以方便的將數(shù)據(jù)輸入模型當(dāng)中，從而快速得出預(yù)測結(jié)果。

最后，煙草公司可以安裝MATLAB軟件，通過該軟件不但可以對(duì)各零售戶的總庫存進(jìn)行預(yù)測，還可以對(duì)任意某個(gè)品牌的香煙庫存進(jìn)行預(yù)測。市場人員只需要將上述確定的變量輸入模型當(dāng)中，經(jīng)過數(shù)次模型訓(xùn)練即可得出該品牌在不同零售戶中的相對(duì)準(zhǔn)確庫存。

參考文獻(xiàn)：

[1]程杰.東營市煙草公司管理信息系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].成都：電子科技大學(xué)，?2014.

[2]MURRAY?J.Agency?Information?Collection?Activities：Proposed?eCollection?eComments?Requested;reinstatement?with?change?of?a?previously?approved?collection;?InfraGard?membership?application?and?profile[R].Tobacco?Inventory?Report?and?Direct?Sales?Report，2014.

[3]牛銳.山西煙草庫存管理平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)[D].大連：大連理工大學(xué)，?2014.

[4]張茜.遷安市煙草專賣局煙草采購庫存管理系統(tǒng)的設(shè)計(jì)實(shí)現(xiàn)[D].大連：東北大學(xué)，?2016.

[5]MURRAY?J.Agency?information?collection?activities：proposed?eCollection?eComments?Requested;federal?firearms?license?responsible?person?questionnaire[R].Tobacco?inventory?report?（ATF?Form?5200.25），2016.

[6]葉宗強(qiáng).基于數(shù)據(jù)倉庫的煙草庫存決策支持系統(tǒng)[J].中國信息化，2022（7）：80-81.

[7]陳忠華，張凱，劉維昌，等.基于MES的煙草采購庫存信息綜合管理系統(tǒng)設(shè)計(jì)[J].微型電腦應(yīng)用，2022，38（4）：135-138.

[8]WADMAN?M.CDC?director?resigns?after?report?on?tobacco?stock?purchase[J].?Science，2018.

[9]陳承貴，羅克露.?基于神經(jīng)網(wǎng)絡(luò)庫存融合控制技術(shù)[J].信息化縱橫，2009（28）：?8-12.

[10]HE?W.An?inventory?controlled?supply?chain?model?based?on?improved?BP?neural?network[J].Discrete?dynamics?in?nature?and?society，2013（Pt.2）.

[11]戴超杰，劉媛華.基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)庫存預(yù)測模型研究[J].物流科技，2015，?38（11）：?26-30.

[12]阮翔.基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)庫存預(yù)測模型及其應(yīng)用研究[D].南昌：南昌航空大學(xué)，?2016.

[13]DE?PAULA?V?G?H，CAIADO?R?G?G，SCAVARDA?L?F，et?al.Decision?support?framework?for?inventory?management?combining?fuzzy?multicriteria?methods，?genetic?algorithm，?and?artificial?neural?network[J].Computers?&?industrial?engineering.?2022（174）.

[14]GU?L，HAN?Y，WANG?C，et?al.Inventory?prediction?based?on?backpropagation?neural?network[J].Neuro?quantology，2018，16（6）.

[15]譚永杰，王現(xiàn)勛，段茗續(xù)，等.不同模態(tài)分解方法結(jié)合LSTM模型對(duì)日徑流預(yù)報(bào)的影響[J].?人民珠江，2023：?1-14.

[16]徐恒山，莫汝喬，薛飛，等.基于時(shí)間戳特征提取和CatBoost-LSTM模型的光伏短期發(fā)電功率預(yù)測[J].太陽能學(xué)報(bào)，2023：1-10.

[17]宋偉澤.?LSTM模型在無袖帶式異常血壓預(yù)測中的應(yīng)用[J].計(jì)算機(jī)時(shí)代，2023（7）：?70-73.

[18]趙瑜，霍永華，黃偉，等.基于雙向LSTM模型的流量異常檢測方法[J].無線電工程，2023，?53（7）：?1712-1718.

[19]羅謝輝.基于WOA-LSTM模型的邊坡位移預(yù)測方法[J].?中國水運(yùn)，2023，23（7）：?50-52.

[20]張開雯，何勇.基于EMD-SSA-LSTM模型的城市軌道交通站點(diǎn)客流預(yù)測[J].?武漢理工大學(xué)學(xué)報(bào)（交通科學(xué)與工程版），2023：1-9.

[21]RINA?S，JIACHENG?W，GAOMING?X，et?al.Attention?mechanism?based?bidirectional?LSTM?model?for?broadband?power?amplifier?linearization[J].?Electronics?letters.?2023，?59（14）.

[22]唐琳，李勇，唐羽鋒，等.基于深度學(xué)習(xí)的LSTM模型在X熒光光譜中的應(yīng)用[J].核技術(shù)，2023，46（7）：?80-86.

[23]湯文強(qiáng).基于LSTM模型的響洪甸水庫旱警水位預(yù)測與效果檢驗(yàn)[J].?云南水力發(fā)電.?2023，?39（07）：?339-342.

[24]康俊鋒，符悅，方雷，等.基于最小二乘法賦權(quán)的ARIMA-LSTM模型預(yù)測入境旅游人數(shù)——以上海市為例[J].浙江大學(xué)學(xué)報(bào)（理學(xué)版）.?2023，50（4）：?508-520.