基于AP-BP神經網絡的汽車產品客戶需求分析

張國方 許文碩 宋景芬

摘 要： 為尋求大規模生產和定制生產的平衡，指導汽車廠商實現設計及生產等資源的合理分配，通過建立客戶需求層次模型，將主觀的需求信息轉化為客觀的權重數據;采用R型算法實現需求聚類和重組，建立了面向中級產品組的客戶定制需求指標體系，并采用K-means算法實現對需求信息的有效壓縮;建立了相應的定制需求與功能模塊質量屋，根據該質量屋構建BP神經網絡，并通過仿真預測產品各子功能模塊權重，為車企實現以最少的綜合成本和最短的產品周期在最大程度上滿足客戶的定制需求提供參考。

關鍵詞： 大規模定制 客戶需求轉換 層次分析法 BP神經網絡 質量屋

018年中國汽車市場銷量為808萬輛，年均增速- 76%，相比017年下降 76%，汽車總銷量自1991年以來首次出現負增長[1];019年中國汽車市場銷量為577萬輛，相比018年下滑8 %，汽車總銷量連續兩年下降[]。可以看出國內汽車市場已經進入白熱化競爭階段，中國汽車行業正迎來艱難發展的新時期，如何在新的時代背景下克服挑戰、創造機遇、尋求生存和發展也成為中國汽車企業亟待解決的難題[3]。汽車企業急需一種能快速響應客戶需求變化和動態市場環境的新型生產模式——大規模定制生產模式。大規模定制是繼福特大規模生產和豐田精益生產后最具指導意義的新型柔性生產模式，是汽車企業在智能制造的時代背景下獲得新的競爭優勢、改變既有的產銷模式、實現以客戶個性化需求為驅動，尋求生存和發展的必然選擇[4]RE_Ref37181465rh*MERGEORMA。

一、面向客戶需求的汽車大規模定制策略概述

大規模定制（Mass Customization，MC）是一種新型生產模式，其采用先進的制造技術、信息技術和管理技術，最終實現以大規模生產的成本和速度獲得滿足客戶個性化定制需求的產品或服務的目標[5]RE_Ref3434536rh*MERGEORMA。大規模定制策略主要包括面向客戶需求的產品設計策略、模塊化策略、產品族策略、延遲化策略和柔性化策略等[6，7]RE_Ref371881rh*MERGEORMA。

張余華首次系統地提出應探索面向汽車制造企業的大規模定制實施策略這一理念[8]RE_Ref3476rh*MERGEORMA;劉暢等人也提出大規模定制在不同的行業具有不同的優勢和局限，汽車企業應充分結合自身特點探索大規模定制模式的適用條件和具體實施策略[9]RE_Ref347643rh*MERGEORMA;Maladonado S等人提出通過構建相關矩陣識別大規模定制模式下的客戶需求偏好和相關屬性[10]RE_Ref345389rh*MERGEORMA;YU S等人采用模糊聚類方法和質量功能配置技術進行了大規模定制模式下關于產品族搭建的初步探索[11]RE_Ref345703rh*MERGEORMA;蘇少輝等人根據當前大規模定制的主要研究方向和現有方案的不足，對面向大規模定制的客戶需求聚類分析方法進行了初步探索，通過減少客戶需求類別和優化數據存儲模式進而優化大規模定制的實施方案[1]RE_Ref348646rh*MERGEORMA。

二、基于層次分析法的汽車產品客戶定制需求分析

層次分析法（Analytic ierarchy Process，AP）是將定性分析與定量分析相結合的多層次、多目標的綜合評價分析決策方法[13]。AP能將半定性、半定量的問題轉化為定量問題，通過逐層分析各關聯要素，為目標的決策和發展預測提供定量依據，解決難以用定性方法分析處理的復雜問題。

（一）基于AP的汽車產品客戶定制需求建模

基于相關理論知識并結合客戶需求發展動態進行初步的預調研，并將預調研結果反饋到層次模型的設計過程中以對擬選定的各指標要素進行取舍。最終構建的基于AP的汽車產品客戶定制需求層次模型如圖1所示。

[K*][P44.I，BP][S（][5][JZ（]圖1 汽車產品客戶定制需求層次模型[JZ）][S）][K-1][K*]

（二）基于汽車產品客戶定制需求層次模型的分析

根據AP層次模型設計了關于汽車產品客戶定制需求指標權重的調查問卷，并借助“調研寶在線調研平臺發布。整理調研結果并采用兩兩比較9點標度法[13]構造各判斷矩陣，以準則層為例，其判斷矩陣為

借助Matlab求A的最大特征值λmax及其對應的特征向量W，得，λmax=6 5975，W=（0 4 0 157 0 09 0 05 0 49 0 03）。對A的判斷偏差程度進行檢驗，一致性指標[13]如下：

n≥3時，判斷矩陣的與L之比稱為隨機一致性比值M，即M=/L。當M0 1時，判斷矩陣具有滿意的一致性;否則需調整判斷矩陣，使其滿足M0 1。

由于M0 1，所以A滿足一致性檢驗。按照相同的方法可依次完成其他各層構造判斷矩陣、層次單排序以及一致性檢驗的工作。

前述準則層各要素相對于目標層的單排序和方案層各要素相對于準則層的單排序均已完成，在此基礎上對模型進行層次總排序，層次總排序結果見表。

其中，i為方案層各要素相對于準則層的單排序的一致性指標，Li為對應的平均隨機一致性指標，Wi為準則層各要素相對于目標層的權重數值。計算得其一致性檢驗M=0 0810 1，即總排序結果也符合一致性要求。

三、汽車產品客戶定制需求聚類分析

聚類分析是一種多元統計分析方法，其遵循“物以類聚的原理，通過對大量樣本的研究，鑒別出各個樣本的特殊屬性，并將樣本數據或信息按照其相似性進行分組[15]RE_Ref337109rh*MERGEORMA。聚類分析廣泛應用于商業數據分析、醫療病患數據分析、圖像分析、地貌特征分析和生物基因特征分析等多個領域。

（一）基于R型算法的汽車產品客戶定制需求聚類分析

[JP]文章第二部分通過建立客戶定制需求AP模型，借助線上調研平臺，共獲得3組客戶樣本信息，剔除組模糊干擾樣本最終得到30組有效樣本，本小節將借助SPSS對有效樣本進行關于汽車產品客戶定制需求變量的聚類分析。[JP]

步驟如下：（1）將樣本信息導入SPSS，建立相應的數據集文件;（）采用R型算法，以變量作為聚類對象，調用R型聚類工具，本次聚類共30組樣本，每組樣本對應9個變量;（3）設置分群選項為“變量分群，并按照每次的聚類需求設置聚類數目;（4）聚類結果分析。

（二）汽車產品客戶定制需求重組

根據R型聚類的結果，并結合文章第一部分中模塊化策略的相關內容，對五種不同類型的客戶定制需求進行重組，不同的需求模塊組合形式對應不同的產品等級，見表3。[K*4/5]

以中級產品組為例，中級產品組對應基本型、期望Ⅰ型和期望Ⅱ型三個需求模塊，該類產品具有較高的性價比、較廣的市場定位以及較強的市場競爭力。如表4所示是面向中級產品組的精準客戶定制需求指標。

由于篇幅限制，本文重點討論面向中級產品組的大規模定制方案，初級產品組、高級產品組和特級產品組的大規模定制方案可依照相同的思路和方法進行設計。

（三）基于K-means算法的汽車產品客戶聚類分析

上一小節對樣本進行了以變量為對象的R型聚類分析，本小節將根據需求重組的結果，采用K-means算法對樣本進行以客戶為對象的聚類分析[15]RE_Ref337109rh*MERGEORMA。

步驟如下：（1）將樣本信息導入SPSS，建立相應的數據集文件;（）采用K-means算法，以客戶作為聚類對象，調用K-means聚類分析工具，本次聚類共30組樣本，每組樣本對應18個需求變量（表4）;（3）最大迭代次數設為10次，聚類數目k設為4;（4）聚類結果分析。

如表5所示是K-means聚類各類別樣本詳細分布情況，其中“距離一欄表示樣本離該樣本所屬類別的聚類質心之間的歐氏距離。

可以看出30個樣本被分為了四類：類別一共10個樣本，記作R1={1，5，6，19，0，3，6，7，8，30};類別二共6個樣本，記作R={，13，14，18，1，5};類別三共7個樣本，記作R3={4，7，10，11，16，，4};類別四共7個樣本，記作R4={3，8，9，1，15，17，9}。定義每一類中距離聚類質心最近的那個客戶樣本為該類別的“均值客戶，可以看出，樣本1、18、4、3（9）分別為R1、R、R3、R4的均值客戶。面向初級產品組、高級產品組和特級產品組的K-means聚類分析可按照相同的思路和方法進行，由于篇幅限制本文不做描述。

將均值客戶作為該類的代表客戶，則30組客戶需求信息被有效壓縮成4組，針對一組客戶而非單個客戶進行產品的設計、生產和服務等后續工作，既能滿足客戶個性化定制的要求，又能保留大規模生產的優勢，在一定程度上解決了大規模生產和定制化生產之間的矛盾，實現了二者的平衡。

四、基于BP神經網絡的汽車產品客戶定制需求轉換分析

（一）汽車產品客戶定制需求與功能模塊質量屋

根據需求重組的結果和中級產品組的精準客戶定制需求表，建立面向中級產品組的汽車產品精準客戶定制需求與功能模塊質量屋，見表6。

根據該質量屋，邀請汽車領域專家和B公司從業人員根據其相關從業經驗，并結合文章第二部分中通過客戶定制需求調研和AP獲得的30組有效客戶樣本信息，相應地對產品功能模塊進行權重評分。得到共計30組產品功能模塊權重數據，這×30組權重數據共同提供了神經網絡的學習訓練樣本，其中，客戶定制需求權重數據是神經網絡的輸入值，產品功能模塊權重數據是神經網絡的輸出值。

（二）汽車產品客戶定制需求與功能模塊的BP神經網絡建模

借助Matlab調用神經網絡工具箱，建立一個三層的單隱層BP神經網絡。其中，輸入層神經元數目為18，輸出層神經元數目為11。根據經驗公式3[16，17]RE_Ref337569rh*MERGEORMA初步估算隱含層的神經元數目，得其取值范圍為7，8，9，10，11，1，13，14，15，并采用試算法最終確定隱含層的神經元數目。

其中，n1，n，n3分別代表輸入層、隱含層和輸出層的神經元節點數，c∈1，10且c為整數。

首先以隱含層神經元數目為7為例構造BP神經網絡，傳遞函數選擇tansig（）正切S型函數，并采用試算法確定訓練函數如何選擇。通過對trainlm、traingd、traingdm、traingda等函數的多次試算訓練，最終選擇trainlm函數作為該網絡的訓練函數，trainlm函數具有顯著的訓練效率高、訓練次數少、訓練時間短和訓練精度高等優勢[16，17]RE_Ref337569rh*MERGEORMA。

最大訓練次數設為1000次，樣本組數為N=30，訓練精度誤差設為ε≤0 001，即全體訓練樣本的平均精度誤差為e[X-]=ε/N=0 001/30=0 0058，其他初始參數采用系統默認值。同樣地，按照前述方法和步驟可依次構建出隱含層神經元數目分別為8～15的BP神經網絡，并且通過多次試算訓練，最終確定隱含層神經元數目為10。如圖所示是最終建立的BP神經網絡結構模型。

（三）BP神經網絡樣本訓練結果分析

1 BP神經網絡訓練誤差分析

如圖3所示是BP神經網絡的訓練誤差曲線，可知實際訓練次數為17次，從rain曲線可以看出，17次訓練學習結束時網絡已實現了很高的學習精度，滿足預設的精度條件，說明該網絡在全部訓練結束時已較好地學習了輸入和輸出之間的關系，獲得了良好的仿真應用價值。

從Validation曲線可以看出，第11次訓練學習結束時，系統獲得了最優驗證誤差為0 001438（該誤差是第11次樣本驗證的驗證誤差，并非此時的系統訓練誤差），且第1～17次的樣本驗證誤差連續6次均未下降，說明系統已經沒有繼續訓練的必要，如果接著訓練，不僅樣本驗證誤差不會再有明顯改善，甚至可能會產生神經網絡過度擬合的現象。

訓練時全體樣本被分成raining、Validation和est三部分，其中，只有raining樣本參與網絡訓練，Validation樣本和est樣本分別用于網絡驗證和網絡測試。如圖4所示是BP神經網絡訓練完成后樣本目標值與網絡實際輸出值之間的回歸分析結果，橫坐標代表樣本目標值，縱坐標代表網絡實際輸出值，可以看出四個小圖中樣本目標值與網絡實際輸出值基本均在同一條直線上，訓練學習效果較好。raining、Validation和est回歸曲線的目標值與實際輸出值之間的相關性分別達到了99 98%、98 37%和97 578%，總體相關性可達99 97%，具有較高的相關性和較好的回歸效果。

（四）BP神經網絡仿真預測分析

[J1 85mm]根據表，結合文章第三部分中所獲得的中級產品組精準客戶定制需求的內容，得到一組新的網絡輸入樣本X，X={0 1177，0 739，0 0304，0 08，0 041，0 0，0 011，0 04，0 013，0 04，0 09，0 011，0 01，0 111，0 058，0 06，0 038，0 016}。將X輸入神經網絡進行仿真，運行結果為Y={0 83677，0 7445，0 6144，0 54679，0 57843，0 73305，0 8589，0 34007，0 44606，0 55704，0 1516}。

為更直觀地呈現出各功能模塊在產品整體中重要程度的占比情況，對Y進一步處理，得YSymbolbB@={0 1439，0 146，0 1057，0 094，0 0995，0 161，0 049，0 0585，0 0767，0 0958，0 06}，從中可以看出各功能模塊相對于產品整體而言的權重高低次序。此外，仿真結果還能直觀地呈現出各子模塊之間以及各子模塊與產品整體之間的定量關系。根據YSymbolbB@可將其分為四個模塊批次，第一批次為{發動機模塊，車身模塊，傳動模塊}，第二批次為{行車控制模塊，制動模塊，電氣設備模塊，行駛模塊}，第三批次為{安全氣囊模塊，空調模塊，內飾模塊}，第四批次為{導航模塊}，按照關鍵程度的高低這四個模塊批次依次為關鍵批次、較關鍵批次、次關鍵批次和非關鍵批次。

通過區分各模塊批次的關鍵程度以及每一模塊批次中的高通用性模塊和低通用性模塊，根據模塊權重值并結合模塊實施設計及生產變更的難易程度對資金、人力和物力等資源進行合理量化的按需分配，能夠實現以最少的綜合成本和最短的產品周期在最大程度上滿足客戶定制需求的目的。例如，發動機模塊屬于關鍵批次的高通用性模塊，對整車產品差異性影響較小，客戶可感知程度較低，可直接根據客戶的硬性需求進行匹配調用，短期內對用于設計及生產變更的資源需求較少，對能夠進行合理匹配調用模塊的人力資源需求較大。車身模塊屬于關鍵批次的低通用性模塊，直接影響整車產品差異性的體現，客戶可感知程度較高，相關開發設計人員應針對該模塊進一步展開QD以提升產品的綜合競爭力，因此對研發資金和人力資源的需求較大。制動模塊屬于較關鍵批次的高通用性模塊，其資源分配方式可參考發動機模塊;內飾模塊屬于次關鍵批次的低通用性模塊，其資源分配方式可參考車身模塊;導航模塊是非關鍵批次的高通用性模塊，屬于典型的選裝模塊，可根據客戶需求直接決定是否選裝，且短期內一般無需進行大幅改動，各方面資源需求較少。

五、結論

梳理了面向客戶需求的汽車大規模定制系統策略，對于大規模定制在汽車企業的應用實施具有指導意義。構建了基于AP的客戶定制需求層次模型，將主觀的需求信息轉化成客觀的需求指標權重數據，避免了以往研究中存在的以定性分析為主、缺乏定量分析的局限。對樣本信息分別進行以需求變量為對象的R型聚類和以客戶為對象的K-means聚類，實現了對客戶需求信息的合理壓縮，對解決大規模生產和定制生產之間的矛盾做出了積極探索。根據需求重組的結果采用QD方法建立了精準客戶定制需求與功能模塊質量屋，根據該質量屋構建了BP神經網絡并進行仿真預測分析，仿真結果能有效指導設計及生產等資源的合理分配，為汽車廠商實現以最少的綜合成本和最短的產品周期在最大程度上滿足客戶的定制需求提供了實踐參考。

參考文獻：

[1]中國汽車工業協會 中國汽車工業發展年度報告（019）[M].北京：社會科學文獻出版社，019：05-1

[]中國汽車工業協會行業信息部 019年汽車工業經濟運行情況[OL].中國汽車工業協會統計信息網，00[00-0].http：//www auto-stats org cn/ReadArticle asp？NewsID=10704

[3]張國方 汽車營銷學[M].北京：人民交通出版社，017：10-19

[4]鄭建菲 汽車大規模個性化定制的智能制造新模式研究[J].中國集體經濟，018（16）：15-154

[5]祁國寧，顧新建，譚建榮 大批量定制技術及其應用[M].北京：機械工業出版社，003

[6]盛步云，汪興剛，蕭箏 基于客戶需求分析的模塊化產品配置方法[J].計算機集成制造系統，017，3（10）：091-100

[7]陳春榮，何霆，李海波 基于模式的個性化服務定制方法[J].重慶大學學報，00（01）：1-14

[8]張余華 面向客戶需求的大規模定制策略[C].北京：清華大學，010

[9]劉暢，徐丹丹 企業實行大規模定制策略的局限性分析[J].沈陽農業大學學報（社會科學版），004（03）：45-46

[10]Maladonado S， Montoya R， Weber R ?Advanced Conjoint Analysis Using eature Selection via Support Vector Machines[J]. European Journal of Operational Research，015，41（）：564-574

[11]YU S， YANG Q， AO J ?Incorporating Quality unction Deployment with Modularity for the End-of-Life of A Product amily[J]. Journal of Cleaner Production，015，87（1）：43-430

[1]蘇少輝，劉桂英，陳昌 面向大批量定制的客戶需求聚類分析及優化[J].杭州電子科技大學學報（自然科學版），018，38（04）：75-80

[13]董悅 以顧客需求為導向的汽車物流企業服務能力優化方法[D].吉林：吉林大學，008

[14]洪一順 多系列產品族精準規劃關鍵技術研究及運用[D].廣州：廣東工業大學，014

[15]于陽 基于聚類分析K-means算法的房地產客戶細分研究[D].哈爾濱：哈爾濱工業大學，017

[16]施衛海 汽車零部件企業需求預測模型應用研究[D].上海：上海交通大學，014

[17]謝秋，劉子先，齊二石 逆向供應鏈中汽車引擎的利潤-成本模型[J].工業工程，011，14（03）：1-7

（張國方、許文碩、宋景芬，武漢理工大學汽車工程學院）