圖4-1 銷量預(yù)測(cè)的決策支持與業(yè)務(wù)價(jià)值

圖4-7 業(yè)務(wù)價(jià)值二：產(chǎn)銷協(xié)同一體化

圖4-4 基于機(jī)器學(xué)習(xí)技術(shù)的汽車銷量效果

圖4-5 基于機(jī)器學(xué)習(xí)技術(shù)的汽車銷量預(yù)測(cè)模型

圖4-8 業(yè)務(wù)價(jià)值三：精準(zhǔn)把握市場(chǎng)趨勢(shì)

圖4-9 售后備件的分類及傳統(tǒng)需求預(yù)測(cè)方法

圖4-12 某油井的實(shí)時(shí)鉆井?dāng)?shù)據(jù)與模型預(yù)測(cè)數(shù)據(jù)對(duì)比

圖4-13 某油田鉆井參數(shù)的實(shí)時(shí)優(yōu)化結(jié)果

圖4-17 部分催化裂化裝置參數(shù)因果鏈路

圖6-1 項(xiàng)目整體架構(gòu)

圖6-6 基于LIGHTGBM算法的備件（編號(hào)：340440-00004）維修需求量預(yù)測(cè)結(jié)果

圖6-7 基于XGBOOST算法的備件（編號(hào)：340440-00004）維修需求量預(yù)測(cè)結(jié)果

圖6-8 基于LinearRegression算法的備件（編號(hào)：340440-00004）維修需求量預(yù)測(cè)結(jié)果

圖6-9 基于ARIMA算法的備件（編號(hào)：340440-00004）維修需求量預(yù)測(cè)結(jié)果

圖6-10 基于硬件全生命周期衰變算法的備件（編號(hào)：340440-00004）維修需求量預(yù)測(cè)結(jié)果

圖6-11 基于模型融合算法的備件（編號(hào)：340440-00004）維修需求量預(yù)測(cè)結(jié)果

圖6-13 訂單滿足率為98%時(shí)的3種備件生產(chǎn)計(jì)劃

圖6-15 基于多模態(tài)工藝控制異常預(yù)測(cè)預(yù)警模型流程

圖6-26 各規(guī)格產(chǎn)品的適產(chǎn)產(chǎn)品排序

圖6-23 2020年每月在售規(guī)格數(shù)統(tǒng)計(jì)