本文是一篇工程管理论文，本文在实验平台下，运用基于keras的Tensorflow框架并构建Prophet模型，同时构建了基于Prophet与LSTM的组合模型进行实验。选取A企业某项目部的设备备件材料消耗数据作为原始数据，利用一年期的数据作为训练集，用Prophet-LSTM组合模型预测后一个月的备件需求数量得到最终预测结果。
1绪论
1.1研究背景
建筑业作为我国经济腾飞的“发动机”之一，从建国之初到今天，实现了跨越式发展。然而，由于建筑业施工点多、覆盖范围广、施工周期长等特点，其成本也在上升，资金流动越来越慢，企业的收益开始下降[1]。施工耗材与机械物资是建筑工程的物质基础，通常情况下，以房建项目为例，建筑材料成本占施工成本的一半以上，材料储备占营运资金的60%以上，物流管理资金约占材料总成本的17%，即：物流管理资金约占项目总成本的10%[2]。故而，在建筑企业中通过降低建材的供应成本来减少建材费用占项目总费用的比例的方法，来提高企业的资金流动速率。在激烈市场竞争中，材料费用是施工企业成本管理的核心部分，材料库存控制已成为提高企业物资管理水平和减少损失的主要手段[3]。
工程管理论文参考
在物资采购过程中，建设项目前期的需求相对稳定。通过设计图纸的计算，以及初步的预算量清单，可以购买所需的材料。然而，由于工程项目的复杂性和一次性，中后期的需求控制是非常重要的。项目全周期中物流运营成本的三个主要组成部分是库存、运输和管理[4]。如前文所述，现存的一个普遍的问题是物资供应和库存管理占用资金过多，而这将直接影响承建单位的现金流量。故而，本文决定从需求预测的角度研究某建筑公司某项目的其中两种机械设备备件的管理。
............................
1.2研究意义
1.2.1理论意义
首先，材料管理主要应用于传统制造业，对建筑业供应链管理的研究还有待深化。本文采用的LSTM和Prophet模型已应用于各行各业的信息处理与预测，但对建筑行业设备备件需求的研究较少。在现有的研究中，库存管理与需求预测在传统制造业、销售行业有着较大范围的应用，且大部分应用于整合产品上下游供应链的衔接部分和订货会上的未来销量预测，而对工程项目中的设备备件的需求预测和库存管理的研究较少。因此，本文以某公司的工程项目设备备件需求为研究对象，运用需求预测理论对设备备件实际需求进行分析，并构建了工程项目机械设备备件的Prophet-LSTM组合预测模型，研究成果将为传统建筑业走现代化、信息化道路提供新的理论依据。
1.2.2实践意义
需求预测和库存控制是供应系统的核心部分，准确预测有助于合理安排生产、提高效率、增加利润与控制安全库存量，从而提升库存管理水平。需求预测不理想导致库存偏差，通常会导致资金浪费和较高的库存资金损失。利用人工智能LSTM神经网络模型和Prophet模型建立预测模型，可以有效提高需求预测水平。为建筑企业的需求预测和库存控制提供了新的管理方法，在需求预测领域得到了崭新应用。
...........................
2文献综述与需求预测理论
2.1需求预测概念及其分类
预测是对尚未发生的事件以及后续发展进行估计和分析的行为。在预测前需要分析和判断预测目标现有的一些基本特征、数据信息，从而运用基于某种方法的预测理论对其进行解析，辨别其内在关联，并且决策者需要根据相关实践经验对预测结果人为的做出一些修正，以达到最佳的预测效果。这一过程需要掌握事件或事物变化的客观规律，不仅要从外表看出变化规律而且要从本质分析其变化的原理，而且精确分析变化的原因，从而对将来的变化做出预测分析。另一方面需求预测需要根据历史数据进行多方面的分析处理，考虑各种因素的影响，采用科学性的理论结合实际的方法，最大程度地减轻不相关因素带来的偏差。
预测分析分为定量分析和定性分析[5]。定量分析法是通过解析数字间的相关关系、运用数学计算的方法解析被分析主体的数据之间隐含的相关关联，目的是形成一种方法系统，并能够用于训练和表达有关变量间的变化规律与联系的相关预测模式。定量分析又包括纵向分析和横向分析，纵向分析是梳理数据集从开始到最后其自身的变化规律，探求其内部的变化特征，推测其是否具有可控制的变化规律；横向分析是指分析相似但又不同的多组数据之间的关联性，同时对比不同的外部影响因素对数据集的影响[6]，例如：一年的时间内天气因素对于人们出行选择不同的交通方式的影响。定性分析也被称为非定量分析，它以人的意志为主导、依托于实践经验对数据进行分析，提出个人意见后，再通过综合性的讨论分析，最终得出数据或事件本身发展趋势的一种方法。预测问题是数据分析中的回归分析问题[7]。预测理论是利用现有的数据，分析其客观规律、寻求隐藏在数据间的隐含特征，继而推测将来时间段内将要出现的内容。为了提高预测的效果，需要建立适当的预测模型，并且分析规律，调整相关参数，进一步提高预测效果。为了检验所提供的估计方案的可信度与正确性，对于预测成果做出评价是必要的。检验需求预测的精准性，有很多方法可以使用。
.....................
2.2文献综述
进入二十世纪，工程师和研究者们使用神经网络的方法解决各行各业的问题，同时发展新的理念和建立新的模型，使人工智能机器学习方法在生产生活中发挥积极作用。与此同时，人们对各种理论越来越熟悉，一些新的方法被投入了实际应用，以本文使用的方法来说，在面临复杂的预测实例时，使用组合预测的方法，已经成为了一种主流的分析趋势。
2.2.1国外研究现状神经网络是一种模仿人类大脑细胞工作原理的信息系统。1957年，计算机专家Frank开始构建分布式计算机网络系统，这种结构将网络中的服务器、工作站使用不同的方法连接在一起，这种结构被认为是现代神经网络结构的原型。当时世界各地不少研究室都仿效制造了感知机，将它们广泛应用于文字辨识、音频辨识、声呐讯号辨识等的研究。1959年，Bernard Widrow和Marcian Haff构建了一种全新的计算机模型——自适应线性单元（ADALINE），并在期刊中展示了他们的研究成果。该模型经过检验后发现，它不仅可以降低通信传输中的波段信号的不稳定浮动，而且也可通过分析历史数据来预测未来天气，这是历史上第一个将神经网络由理论应用在现实生活中的实例。被誉为“神经网络创造者”的Geoffrey Hinton于2006年提出了深度学习的概念，研究语音识别与破解的专家们在接触了深度学习之后，仅仅一年时间在相关领域就取得了长足进步。时间到了2011年，卷积神经网络（Convolutional Neural Networks,CNN）的发展取得了长足的进步，在数字图像处理方向有了成果。2015年LeC un、Bengio和Hinton在《自然》科学杂志上发表题为《Deep Learning》的文章，这标志着神经网络研究真正的走进了主流的学术研究界。而本论文采用的长短时记忆单元（LSTM），英文全称为“Long-Short TermMemory”，是一种改进的递归神经网络（RNN）。1997年，Sepp Hochreiter和Schmidhuber首次提出了这一方案，它是深度学习中使用最广泛的模式之一[23]。
...........................
3 A企业设备备件管理现状.................................17
3.1 A企业概况.......................................17
3.2 A企业设备备件管理现状...........................17
4 Prophet-LSTM组合模型的构建..............................20
4.1 Prophet预测模型...................................20
4.2 LSTM神经网络模型..............................26
5基于Prophet-LSTM模型设备备件需求预测及分析................................37
5.1预测环境选择............................................37
5.2预测评价指标选择................................38
5基于Prophet-LSTM模型设备备件需求预测及分析
5.1预测环境选择
前文对比了传统的模型组合方法和本文提出的组合模型方法在实践中的异同。在此基础上，为进一步检验文中给出的组合方法的实际效果，本次实验设计两组不同的模型对A建筑企业的机械设备备件需求进行预测分析。两组模型分别为Prophet-LSTM组合模型和Prophet模型。本文中采用了二个不同的试验评估指标，将本文提出的Prophet模型同Prophet-LSTM组合模型的实验数据做分析比较，以证明Prophet-LSTM组合模型对机械设备备件的需求预测的可行性和有效性。
工程管理论文怎么写
本研究采用在Windows操作系统下的Anaconda集成环境，安装Prophet组件及CPU版本的TensorF low模块进行LSTM预测训练，使用其提供的python的包管理和其他基础功能，并使用pycharm与jupyter notebook作为python IDE。
Anaconda指的是一个开源的Python集成工具，其包含多版本了conda、Python等多个依赖项及实验平台。其中TensorF low是人工智能机器学习中常用的一种基于数据流编程法的符号计算机数学管理系统。其程序设计语言实现上具有多层级架构，可部署在各种服务器、PC客户端，适配GPU和TPU等不同的计算机硬件，被应用于不同企业内的技术开发，以及对各种应用领域的研究。本文的操作框架使用了基于Tensorflow的Keras架构，其本质上是一个更高层的神经网络应用程序编程接口。Keras是纯Python代码编译而成的，并基于Tensorflow后端。
...........................
结论
建筑业——作为中国经济飞速发展的支柱性产业之一，从建国初期到今天取得了跨越式发展。但近年来建筑业面临用工成本持续上涨，物料费用也居高不下的问题。本质原因是施工单位由于自身的性质与特点在成本核算方法与管理方法上容易出现不同程度的损失，而这种原有的管理方式，与现代产业结构的变化所带来的新科学管理方法有一定的差距。企业在激烈的竞争压力下，更需要通过加快资金周转周期等方式保证企业正常运转，加快工程物资核算，提高供应链结算效率，以保证工程项目的盈利。材料库存控制现已成为提升企业物资管理效率和提高收益的主要手段。本文运用时间序列预测的相关方法，对建筑企业机械设备备件的需求进行预测，为施工企业设备备件需求控制提供新的思路和解决方案。
首先，分析了各种需求预测方法。传统的预测方法大多是通过研究和分析影响需求预测的因素来收集数据，并通过线性回归分析的方式进行需求预测。此外，线性模型的思想，是通过观测历史数据来预测未来数据，可以应用于多种预测场景，但是，单一模型受影响比较大，从而导致它的预测精度不高。经过分析了国内外一些比较先进的需求预测方法，我们从传统需求模型与prophet时间序列相结合的角度，提出了一种基于传统神经网络模型与预测模型相结合的新方法。这种模型将人工智能神经网络LSTM和prophet模型相结合，克服了传统单一模型的局限性。其中，LSTM是一种非线性神经网络，具有很强的记忆能力。近年来，它在图像处理、语义分析等人工智能领域得到了广泛的应用，也有将它运用在时间序列分析的实例。而Prophet模型，是一种全新的信息处理工具。本文将二者结合起来，优点互补，克服缺点，提高了预测的准确性。
参考文献（略）