基于AP-BP神经网络的汽车产品客户需求分析

张国方 许文硕 宋景芬

摘 要： 为寻求大规模生产和定制生产的平衡，指导汽车厂商实现设计及生产等资源的合理分配，通过建立客户需求层次模型，将主观的需求信息转化为客观的权重数据;采用R型算法实现需求聚类和重组，建立了面向中级产品组的客户定制需求指标体系，并采用K-means算法实现对需求信息的有效压缩;建立了相应的定制需求与功能模块质量屋，根据该质量屋构建BP神经网络，并通过仿真预测产品各子功能模块权重，为车企实现以最少的综合成本和最短的产品周期在最大程度上满足客户的定制需求提供参考。

关键词： 大规模定制 客户需求转换 层次分析法 BP神经网络 质量屋

018年中国汽车市场销量为808万辆，年均增速- 76%，相比017年下降 76%，汽车总销量自1991年以来首次出现负增长[1];019年中国汽车市场销量为577万辆，相比018年下滑8 %，汽车总销量连续两年下降[]。可以看出国内汽车市场已经进入白热化竞争阶段，中国汽车行业正迎来艰难发展的新时期，如何在新的时代背景下克服挑战、创造机遇、寻求生存和发展也成为中国汽车企业亟待解决的难题[3]。汽车企业急需一种能快速响应客户需求变化和动态市场环境的新型生产模式——大规模定制生产模式。大规模定制是继福特大规模生产和丰田精益生产后最具指导意义的新型柔性生产模式，是汽车企业在智能制造的时代背景下获得新的竞争优势、改变既有的产销模式、实现以客户个性化需求为驱动，寻求生存和发展的必然选择[4]RE_Ref37181465rh*MERGEORMA。

一、面向客户需求的汽车大规模定制策略概述

大规模定制（Mass Customization，MC）是一种新型生产模式，其采用先进的制造技术、信息技术和管理技术，最终实现以大规模生产的成本和速度获得满足客户个性化定制需求的产品或服务的目标[5]RE_Ref3434536rh*MERGEORMA。大规模定制策略主要包括面向客户需求的产品设计策略、模块化策略、产品族策略、延迟化策略和柔性化策略等[6，7]RE_Ref371881rh*MERGEORMA。

张余华首次系统地提出应探索面向汽车制造企业的大规模定制实施策略这一理念[8]RE_Ref3476rh*MERGEORMA;刘畅等人也提出大规模定制在不同的行业具有不同的优势和局限，汽车企业应充分结合自身特点探索大规模定制模式的适用条件和具体实施策略[9]RE_Ref347643rh*MERGEORMA;Maladonado S等人提出通过构建相关矩阵识别大规模定制模式下的客户需求偏好和相关属性[10]RE_Ref345389rh*MERGEORMA;YU S等人采用模糊聚类方法和质量功能配置技术进行了大规模定制模式下关于产品族搭建的初步探索[11]RE_Ref345703rh*MERGEORMA;苏少辉等人根据当前大规模定制的主要研究方向和现有方案的不足，对面向大规模定制的客户需求聚类分析方法进行了初步探索，通过减少客户需求类别和优化数据存储模式进而优化大规模定制的实施方案[1]RE_Ref348646rh*MERGEORMA。

二、基于层次分析法的汽车产品客户定制需求分析

层次分析法（Analytic ierarchy Process，AP）是将定性分析与定量分析相结合的多层次、多目标的综合评价分析决策方法[13]。AP能将半定性、半定量的问题转化为定量问题，通过逐层分析各关联要素，为目标的决策和发展预测提供定量依据，解决难以用定性方法分析处理的复杂问题。

（一）基于AP的汽车产品客户定制需求建模

基于相关理论知识并结合客户需求发展动态进行初步的预调研，并将预调研结果反馈到层次模型的设计过程中以对拟选定的各指标要素进行取舍。最终构建的基于AP的汽车产品客户定制需求层次模型如图1所示。

[K*][P44.I，BP][S（][5][JZ（]图1 汽车产品客户定制需求层次模型[JZ）][S）][K-1][K*]

（二）基于汽车产品客户定制需求层次模型的分析

根据AP层次模型设计了关于汽车产品客户定制需求指标权重的调查问卷，并借助“调研宝在线调研平台发布。整理调研结果并采用两两比较9点标度法[13]构造各判断矩阵，以准则层为例，其判断矩阵为

借助Matlab求A的最大特征值λmax及其对应的特征向量W，得，λmax=6 5975，W=（0 4 0 157 0 09 0 05 0 49 0 03）。对A的判断偏差程度进行检验，一致性指标[13]如下：

n≥3时，判断矩阵的与L之比称为随机一致性比值M，即M=/L。当M0 1时，判断矩阵具有满意的一致性;否则需调整判断矩阵，使其满足M0 1。

由于M0 1，所以A满足一致性检验。按照相同的方法可依次完成其他各层构造判断矩阵、层次单排序以及一致性检验的工作。

前述准则层各要素相对于目标层的单排序和方案层各要素相对于准则层的单排序均已完成，在此基础上对模型进行层次总排序，层次总排序结果见表。

其中，i为方案层各要素相对于准则层的单排序的一致性指標，Li为对应的平均随机一致性指标，Wi为准则层各要素相对于目标层的权重数值。计算得其一致性检验M=0 0810 1，即总排序结果也符合一致性要求。

三、汽车产品客户定制需求聚类分析

聚类分析是一种多元统计分析方法，其遵循“物以类聚的原理，通过对大量样本的研究，鉴别出各个样本的特殊属性，并将样本数据或信息按照其相似性进行分组[15]RE_Ref337109rh*MERGEORMA。聚类分析广泛应用于商业数据分析、医疗病患数据分析、图像分析、地貌特征分析和生物基因特征分析等多个领域。

（一）基于R型算法的汽车产品客户定制需求聚类分析

[JP]文章第二部分通过建立客户定制需求AP模型，借助线上调研平台，共获得3组客户样本信息，剔除组模糊干扰样本最终得到30组有效样本，本小节将借助SPSS对有效样本进行关于汽车产品客户定制需求变量的聚类分析。[JP]

步骤如下：（1）将样本信息导入SPSS，建立相应的数据集文件;（）采用R型算法，以变量作为聚类对象，调用R型聚类工具，本次聚类共30组样本，每组样本对应9个变量;（3）设置分群选项为“变量分群，并按照每次的聚类需求设置聚类数目;（4）聚类结果分析。

（二）汽车产品客户定制需求重组

根据R型聚类的结果，并结合文章第一部分中模块化策略的相关内容，对五种不同类型的客户定制需求进行重组，不同的需求模块组合形式对应不同的产品等级，见表3。[K*4/5]

以中级产品组为例，中级产品组对应基本型、期望Ⅰ型和期望Ⅱ型三个需求模块，该类产品具有较高的性价比、较广的市场定位以及较强的市场竞争力。如表4所示是面向中级产品组的精准客户定制需求指标。

由于篇幅限制，本文重点讨论面向中级产品组的大规模定制方案，初级产品组、高级产品组和特级产品组的大规模定制方案可依照相同的思路和方法进行设计。

（三）基于K-means算法的汽车产品客户聚类分析

上一小节对样本进行了以变量为对象的R型聚类分析，本小节将根据需求重组的结果，采用K-means算法对样本进行以客户为对象的聚类分析[15]RE_Ref337109rh*MERGEORMA。

步骤如下：（1）将样本信息导入SPSS，建立相应的数据集文件;（）采用K-means算法，以客户作为聚类对象，调用K-means聚类分析工具，本次聚类共30组样本，每组样本对应18个需求变量（表4）;（3）最大迭代次数设为10次，聚类数目k设为4;（4）聚类结果分析。

如表5所示是K-means聚类各类别样本详细分布情况，其中“距离一栏表示样本离该样本所属类别的聚类质心之间的欧氏距离。

可以看出30个样本被分为了四类：类别一共10个样本，记作R1={1，5，6，19，0，3，6，7，8，30};类别二共6个样本，记作R={，13，14，18，1，5};类别三共7个样本，记作R3={4，7，10，11，16，，4};类别四共7个样本，记作R4={3，8，9，1，15，17，9}。定义每一类中距离聚类质心最近的那个客户样本为该类别的“均值客户，可以看出，样本1、18、4、3（9）分别为R1、R、R3、R4的均值客户。面向初级产品组、高级产品组和特级产品组的K-means聚类分析可按照相同的思路和方法进行，由于篇幅限制本文不做描述。

将均值客户作为该类的代表客户，则30组客户需求信息被有效压缩成4组，针对一组客户而非单个客户进行产品的设计、生产和服务等后续工作，既能满足客户个性化定制的要求，又能保留大规模生产的优势，在一定程度上解决了大规模生产和定制化生产之间的矛盾，实现了二者的平衡。

四、基于BP神經网络的汽车产品客户定制需求转换分析

（一）汽车产品客户定制需求与功能模块质量屋

根据需求重组的结果和中级产品组的精准客户定制需求表，建立面向中级产品组的汽车产品精准客户定制需求与功能模块质量屋，见表6。

根据该质量屋，邀请汽车领域专家和B公司从业人员根据其相关从业经验，并结合文章第二部分中通过客户定制需求调研和AP获得的30组有效客户样本信息，相应地对产品功能模块进行权重评分。得到共计30组产品功能模块权重数据，这×30组权重数据共同提供了神经网络的学习训练样本，其中，客户定制需求权重数据是神经网络的输入值，产品功能模块权重数据是神经网络的输出值。

（二）汽车产品客户定制需求与功能模块的BP神经网络建模

借助Matlab调用神经网络工具箱，建立一个三层的单隐层BP神经网络。其中，输入层神经元数目为18，输出层神经元数目为11。根据经验公式3[16，17]RE_Ref337569rh*MERGEORMA初步估算隐含层的神经元数目，得其取值范围为7，8，9，10，11，1，13，14，15，并采用试算法最终确定隐含层的神经元数目。

其中，n1，n，n3分别代表输入层、隐含层和输出层的神经元节点数，c∈1，10且c为整数。

首先以隐含层神经元数目为7为例构造BP神经网络，传递函数选择tansig（）正切S型函数，并采用试算法确定训练函数如何选择。通过对trainlm、traingd、traingdm、traingda等函数的多次试算训练，最终选择trainlm函数作为该网络的训练函数，trainlm函数具有显著的训练效率高、训练次数少、训练时间短和训练精度高等优势[16，17]RE_Ref337569rh*MERGEORMA。

最大训练次数设为1000次，样本组数为N=30，训练精度误差设为ε≤0 001，即全体训练样本的平均精度误差为e[X-]=ε/N=0 001/30=0 0058，其他初始参数采用系统默认值。同样地，按照前述方法和步骤可依次构建出隐含层神经元数目分别为8～15的BP神经网络，并且通过多次试算训练，最终确定隐含层神经元数目为10。如图所示是最终建立的BP神经网络结构模型。

（三）BP神经网络样本训练结果分析

1 BP神经网络训练误差分析

如图3所示是BP神经网络的训练误差曲线，可知实际训练次数为17次，从rain曲线可以看出，17次训练学习结束时网络已实现了很高的学习精度，满足预设的精度条件，说明该网络在全部训练结束时已较好地学习了输入和输出之间的关系，获得了良好的仿真应用价值。

从Validation曲线可以看出，第11次训练学习结束时，系统获得了最优验证误差为0 001438（该误差是第11次样本验证的验证误差，并非此时的系统训练误差），且第1～17次的样本验证误差连续6次均未下降，说明系统已经没有继续训练的必要，如果接着训练，不仅样本验证误差不会再有明显改善，甚至可能会产生神经网络过度拟合的现象。

训练时全体样本被分成raining、Validation和est三部分，其中，只有raining样本参与网络训练，Validation样本和est样本分别用于网络验证和网络测试。如图4所示是BP神经网络训练完成后样本目标值与网络实际输出值之间的回归分析结果，横坐标代表样本目标值，纵坐标代表网络实际输出值，可以看出四个小图中样本目标值与网络实际输出值基本均在同一条直线上，训练学习效果较好。raining、Validation和est回归曲线的目标值与实际输出值之间的相关性分别达到了99 98%、98 37%和97 578%，总体相关性可达99 97%，具有较高的相关性和较好的回归效果。

（四）BP神经网络仿真预测分析

[J1 85mm]根据表，结合文章第三部分中所获得的中级产品组精准客户定制需求的内容，得到一组新的网络输入样本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}。将X输入神经网络进行仿真，运行结果为Y={0 83677，0 7445，0 6144，0 54679，0 57843，0 73305，0 8589，0 34007，0 44606，0 55704，0 1516}。

为更直观地呈现出各功能模块在产品整体中重要程度的占比情况，对Y进一步处理，得YSymbolbB@={0 1439，0 146，0 1057，0 094，0 0995，0 161，0 049，0 0585，0 0767，0 0958，0 06}，从中可以看出各功能模块相对于产品整体而言的权重高低次序。此外，仿真结果还能直观地呈现出各子模块之间以及各子模块与产品整体之间的定量关系。根据YSymbolbB@可将其分为四个模块批次，第一批次为{发动机模块，车身模块，传动模块}，第二批次为{行车控制模块，制动模块，电气设备模块，行驶模块}，第三批次为{安全气囊模块，空调模块，内饰模块}，第四批次为{导航模块}，按照关键程度的高低这四个模块批次依次为关键批次、较关键批次、次关键批次和非关键批次。

通过区分各模块批次的关键程度以及每一模块批次中的高通用性模块和低通用性模块，根据模块权重值并结合模块实施设计及生产变更的难易程度对资金、人力和物力等资源进行合理量化的按需分配，能够实现以最少的综合成本和最短的产品周期在最大程度上满足客户定制需求的目的。例如，发动机模块属于关键批次的高通用性模块，对整车产品差异性影响较小，客户可感知程度较低，可直接根据客户的硬性需求进行匹配调用，短期内对用于设计及生产变更的资源需求较少，对能够进行合理匹配调用模块的人力资源需求较大。车身模块属于关键批次的低通用性模块，直接影响整车产品差异性的体现，客户可感知程度较高，相关开发设计人员应针对该模块进一步展开QD以提升产品的综合竞争力，因此对研发资金和人力资源的需求较大。制动模块属于较关键批次的高通用性模块，其资源分配方式可参考发动机模块;内饰模块属于次关键批次的低通用性模块，其资源分配方式可参考车身模块;导航模块是非关键批次的高通用性模块，属于典型的选装模块，可根据客户需求直接决定是否选装，且短期内一般无需进行大幅改动，各方面资源需求较少。

五、结论

梳理了面向客户需求的汽车大规模定制系统策略，对于大规模定制在汽车企业的应用实施具有指导意义。构建了基于AP的客户定制需求层次模型，将主观的需求信息转化成客观的需求指标权重数据，避免了以往研究中存在的以定性分析为主、缺乏定量分析的局限。对样本信息分别进行以需求变量为对象的R型聚类和以客户为对象的K-means聚类，实现了对客户需求信息的合理压缩，对解决大规模生产和定制生产之间的矛盾做出了积极探索。根据需求重组的结果采用QD方法建立了精准客户定制需求与功能模块质量屋，根据该质量屋构建了BP神经网络并进行仿真预测分析，仿真结果能有效指导设计及生产等资源的合理分配，为汽车厂商实现以最少的综合成本和最短的产品周期在最大程度上满足客户的定制需求提供了实践参考。

参考文献：

[1]中国汽车工业协会 中国汽车工业发展年度报告（019）[M].北京：社会科学文献出版社，019：05-1

[]中国汽车工业协会行业信息部 019年汽车工业经济运行情况[OL].中国汽车工业协会统计信息网，00[00-0].http：//www auto-stats org cn/ReadArticle asp？NewsID=10704

[3]张国方 汽车营销学[M].北京：人民交通出版社，017：10-19

[4]郑建菲 汽车大规模个性化定制的智能制造新模式研究[J].中国集体经济，018（16）：15-154

[5]祁国宁，顾新建，谭建荣 大批量定制技术及其应用[M].北京：机械工业出版社，003

[6]盛步云，汪興刚，萧筝 基于客户需求分析的模块化产品配置方法[J].计算机集成制造系统，017，3（10）：091-100

[7]陈春荣，何霆，李海波 基于模式的个性化服务定制方法[J].重庆大学学报，00（01）：1-14

[8]张余华 面向客户需求的大规模定制策略[C].北京：清华大学，010

[9]刘畅，徐丹丹 企业实行大规模定制策略的局限性分析[J].沈阳农业大学学报（社会科学版），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]苏少辉，刘桂英，陈昌 面向大批量定制的客户需求聚类分析及优化[J].杭州电子科技大学学报（自然科学版），018，38（04）：75-80

[13]董悦 以顾客需求为导向的汽车物流企业服务能力优化方法[D].吉林：吉林大学，008

[14]洪一顺 多系列产品族精准规划关键技术研究及运用[D].广州：广东工业大学，014

[15]于阳 基于聚类分析K-means算法的房地产客户细分研究[D].哈尔滨：哈尔滨工业大学，017

[16]施卫海 汽车零部件企业需求预测模型应用研究[D].上海：上海交通大学，014

[17]谢秋，刘子先，齐二石 逆向供应链中汽车引擎的利润-成本模型[J].工业工程，011，14（03）：1-7

（张国方、许文硕、宋景芬，武汉理工大学汽车工程学院）