基于Transformer的区域整车投放量多属性决策
来源：计算机集成制造系统杂志2026年第1期北京时间：
作者：高蕴慧, 孙林夫, 吴奇石, 蒋志强
单位：1.西南交通大学计算机与人工智能学院2.四川省现代服务科技工程技术研究中心
摘要：整车制造厂在直营模式下,科学的整车投放决策是提升企业市场竞争力的关键。现有的投放量决策方法主要存在两个局限:①传统人工经验决策方法忽视了数据的时序关联性;②简单神经网络算法虽然考虑了时序性,但未能有效整合区域特征、车型属性、消费价格指数等多维度信息。为此,提出了基于Transformer的区域整车投放量多属性决策(TransMADM)方法。该方法包含两个阶段,预测阶段利用了Transformer模型中的自注意力机制捕捉时序数据的内在关联,将多类型数据嵌入至高维向量空间,构建了综合考虑时序关联性与多维特征的投放量预测模型。决策阶段基于预测结果,引入了语言真值格蕴涵代数,更好地表达决策过程中的不确定性,建立了基于语言值的区域整车多属性决策框架,实现了对整车制造厂多属性决策的有效整合。通过第三方云平台真实数据验证,实验结果表明提出的预测模型相较于广泛应用的神经网络方法LSTM和RNN,在均方误差(MSE)方面分别提高了2.47%和1.25%。通过进一步与经典多属性决策方法的对比,验证了基于语言值的多属性决策方法的结果更符合人类的日常表达。所提方法不仅提升了预测精度,还通过多属性决策方法增强了区域市场动态的适应能力,为整车制造厂提供了更科学的投放量优化方案。
关键词：区域整车投放量,Transformer模型,多属性决策,注意力机制
基金资助：国家重点研发计划资助项目(2023YFB3308600)。
