圖4-1 銷量預測的決策支持與業務價值

圖4-7 業務價值二：產銷協同一體化

圖4-4 基于機器學習技術的汽車銷量效果

圖4-5 基于機器學習技術的汽車銷量預測模型

圖4-8 業務價值三：精準把握市場趨勢

圖4-9 售后備件的分類及傳統需求預測方法

圖4-12 某油井的實時鉆井數據與模型預測數據對比

圖4-13 某油田鉆井參數的實時優化結果

圖4-17 部分催化裂化裝置參數因果鏈路

圖6-1 項目整體架構

圖6-6 基于LIGHTGBM算法的備件（編號：340440-00004）維修需求量預測結果

圖6-7 基于XGBOOST算法的備件（編號：340440-00004）維修需求量預測結果

圖6-8 基于LinearRegression算法的備件（編號：340440-00004）維修需求量預測結果

圖6-9 基于ARIMA算法的備件（編號：340440-00004）維修需求量預測結果

圖6-10 基于硬件全生命周期衰變算法的備件（編號：340440-00004）維修需求量預測結果

圖6-11 基于模型融合算法的備件（編號：340440-00004）維修需求量預測結果

圖6-13 訂單滿足率為98%時的3種備件生產計劃

圖6-15 基于多模態工藝控制異常預測預警模型流程

圖6-26 各規格產品的適產產品排序

圖6-23 2020年每月在售規格數統計