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：一是传统人工经验决策方法忽视了数据的时序关联性；二是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，本研究提出了基于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。TransMADM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。
文章目录
0 引言
1 问题描述
2 区域整车投放量多属性决策方法
2.1 整体框架
2.1.1 基于Transformer的区域整车投放量预测方法
2.1.2 基于语言值的区域整车投放量多属性决策方法
2.1.2.1 权重确定
2.1.2.2 基于语言值的区域整车投放量多属性决策方法
3 数据与第一阶段区域整车投放量预测实验设计
3.1 实验数据及评价标准
3.2 参数调优
3.3 区域整车投放量预测模型对比实验
3.4 时序的关联性
3.5 消融实验与文本语义相似性实验
4 第一阶段区域整车投放量预测实验结果与分析
4.1 区域整车投放量预测模型对比实验结果与分析
4.2 时序的关联性结果与分析
4.3 消融实验与语义相似性实验结果与分析
5 第二阶段区域整车投放量多属性决策具体实现及结果分析
5.1 区域基本数据集的构造
5.2 权重确定
5.3 基于语言值的区域整车投放量多属性决策
5.4 基于语言值的区域整车投放量
