11、模块化神经网络系统助力产品生命周期阶段过渡点预测

模块化神经网络系统助力产品生命周期阶段过渡点预测

在当今的商业环境中，准确预测产品生命周期阶段的过渡点对于企业的战略规划和决策至关重要。本文将介绍一种基于模块化神经网络的系统，它能够处理不同时长的离散时间序列，为产品生命周期阶段过渡点的预测提供支持。

系统结构

该模块化多网络系统（multiSOM 系统）的主要特点是能够处理不同时长 ( l ) 的离散时间序列，这些序列代表了特定指标随时间的变化，例如产品需求。系统可处理的历史输入数据格式需满足以下条件：
- 每条记录显示在已知时间段内收集的产品需求，时间段长度由系统设定，如天、周、月等，即每条记录是一个需求时间序列。
- 每条记录有一个或两个标记——过渡指标：
- 标记 M1 表示产品从引入阶段过渡到成熟阶段的时期。
- 标记 M2 表示产品从成熟阶段过渡到生命周期结束阶段的时期。
- 每条记录有一个标记，指示引入阶段实际开始的时刻（ABI）。

为减少数据噪声和主导性的影响，数据集需要进行预处理，包括数据归一化和排除明显的异常值。

系统主要由三个模块组成，具体如下表所示：
|模块名称|功能|
| ---- | ---- |
|数据管理模块（DMB）|处理输入数据，并根据用户指定的负载分配策略将数据分配到神经模块中。系统总负载定义为集合 ( L ) 中的元素数量，负载分配策略决定每个神经模块承担的总负载比例，这直接影响系统中神经模块的数量。|
|神经模块（NB）|每个模块是一个自组织神经网络，根据系统负载分配策略处理特定部分的输入数据。该模块基于修改后的 Kohonen 映射，为处理不同时长的离散时间序列，采用动态时间规整