張國方 許文碩 宋景芬

摘 要： 為尋求大規(guī)模生產(chǎn)和定制生產(chǎn)的平衡，指導(dǎo)汽車廠商實現(xiàn)設(shè)計及生產(chǎn)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(zhuǎn)化為客觀的權(quán)重數(shù)據(jù);采用R型算法實現(xiàn)需求聚類和重組，建立了面向中級產(chǎn)品組的客戶定制需求指標(biāo)體系，并采用K-means算法實現(xiàn)對需求信息的有效壓縮;建立了相應(yīng)的定制需求與功能模塊質(zhì)量屋，根據(jù)該質(zhì)量屋構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，并通過仿真預(yù)測產(chǎn)品各子功能模塊權(quán)重，為車企實現(xiàn)以最少的綜合成本和最短的產(chǎn)品周期在最大程度上滿足客戶的定制需求提供參考。

關(guān)鍵詞： 大規(guī)模定制 客戶需求轉(zhuǎn)換 層次分析法 BP神經(jīng)網(wǎng)絡(luò) 質(zhì)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(xiàn)負(fù)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(xù)兩年下降[]。可以看出國內(nèi)汽車市場已經(jīng)進(jìn)入白熱化競爭階段，中國汽車行業(yè)正迎來艱難發(fā)展的新時期，如何在新的時代背景下克服挑戰(zhàn)、創(chuàng)造機(jī)遇、尋求生存和發(fā)展也成為中國汽車企業(yè)亟待解決的難題[3]。汽車企業(yè)急需一種能快速響應(yīng)客戶需求變化和動態(tài)市場環(huán)境的新型生產(chǎn)模式——大規(guī)模定制生產(chǎn)模式。大規(guī)模定制是繼福特大規(guī)模生產(chǎn)和豐田精益生產(chǎn)后最具指導(dǎo)意義的新型柔性生產(chǎn)模式，是汽車企業(yè)在智能制造的時代背景下獲得新的競爭優(yōu)勢、改變既有的產(chǎn)銷模式、實現(xiàn)以客戶個性化需求為驅(qū)動，尋求生存和發(fā)展的必然選擇[4]RE_Ref37181465rh*MERGEORMA。

一、面向客戶需求的汽車大規(guī)模定制策略概述

大規(guī)模定制（Mass Customization，MC）是一種新型生產(chǎn)模式，其采用先進(jìn)的制造技術(shù)、信息技術(shù)和管理技術(shù)，最終實現(xiàn)以大規(guī)模生產(chǎn)的成本和速度獲得滿足客戶個性化定制需求的產(chǎn)品或服務(wù)的目標(biāo)[5]RE_Ref3434536rh*MERGEORMA。大規(guī)模定制策略主要包括面向客戶需求的產(chǎn)品設(shè)計策略、模塊化策略、產(chǎn)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(tǒng)地提出應(yīng)探索面向汽車制造企業(yè)的大規(guī)模定制實施策略這一理念[8]RE_Ref3476rh*MERGEORMA;劉暢等人也提出大規(guī)模定制在不同的行業(yè)具有不同的優(yōu)勢和局限，汽車企業(yè)應(yīng)充分結(jié)合自身特點探索大規(guī)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(gòu)建相關(guān)矩陣識別大規(guī)模定制模式下的客戶需求偏好和相關(guān)屬性[10]RE_Ref345389rh*MERGEORMA;YU S等人采用模糊聚類方法和質(zhì)量功能配置技術(shù)進(jìn)行了大規(guī)模定制模式下關(guān)于產(chǎn)品族搭建的初步探索[11]RE_Ref345703rh*MERGEORMA;蘇少輝等人根據(jù)當(dāng)前大規(guī)模定制的主要研究方向和現(xiàn)有方案的不足，對面向大規(guī)模定制的客戶需求聚類分析方法進(jìn)行了初步探索，通過減少客戶需求類別和優(yōu)化數(shù)據(jù)存儲模式進(jìn)而優(yōu)化大規(guī)模定制的實施方案[1]RE_Ref348646rh*MERGEORMA。

二、基于層次分析法的汽車產(chǎn)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(jié)合的多層次、多目標(biāo)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(zhuǎn)化為定量問題，通過逐層分析各關(guān)聯(lián)要素，為目標(biāo)的決策和發(fā)展預(yù)測提供定量依據(jù)，解決難以用定性方法分析處理的復(fù)雜問題。

（一）基于AP的汽車產(chǎn)品客戶定制需求建模

基于相關(guān)理論知識并結(jié)合客戶需求發(fā)展動態(tài)進(jìn)行初步的預(yù)調(diào)研，并將預(yù)調(diào)研結(jié)果反饋到層次模型的設(shè)計過程中以對擬選定的各指標(biāo)要素進(jìn)行取舍。最終構(gòu)建的基于AP的汽車產(chǎn)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(chǎn)品客戶定制需求層次模型[JZ）][S）][K-1][K*]

（二）基于汽車產(chǎn)品客戶定制需求層次模型的分析

根據(jù)AP層次模型設(shè)計了關(guān)于汽車產(chǎn)品客戶定制需求指標(biāo)權(quán)重的調(diào)查問卷，并借助“調(diào)研寶在線調(diào)研平臺發(fā)布。整理調(diào)研結(jié)果并采用兩兩比較9點標(biāo)度法[13]構(gòu)造各判斷矩陣，以準(zhǔn)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(yīng)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(jìn)行檢驗，一致性指標(biāo)[13]如下：

n≥3時，判斷矩陣的與L之比稱為隨機(jī)一致性比值M，即M=/L。當(dāng)M0 1時，判斷矩陣具有滿意的一致性;否則需調(diào)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(gòu)造判斷矩陣、層次單排序以及一致性檢驗的工作。

前述準(zhǔn)則層各要素相對于目標(biāo)層的單排序和方案層各要素相對于準(zhǔn)則層的單排序均已完成，在此基礎(chǔ)上對模型進(jìn)行層次總排序，層次總排序結(jié)果見表。

其中，i為方案層各要素相對于準(zhǔn)則層的單排序的一致性指標(biāo)，Li為對應(yīng)的平均隨機(jī)一致性指標(biāo)，Wi為準(zhǔn)則層各要素相對于目標(biāo)層的權(quán)重數(shù)值。計算得其一致性檢驗M=0 0810 1，即總排序結(jié)果也符合一致性要求。

三、汽車產(chǎn)品客戶定制需求聚類分析

聚類分析是一種多元統(tǒng)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(shù)據(jù)或信息按照其相似性進(jìn)行分組[15]RE_Ref337109rh*MERGEORMA。聚類分析廣泛應(yīng)用于商業(yè)數(shù)據(jù)分析、醫(yī)療病患數(shù)據(jù)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(lǐng)域。

（一）基于R型算法的汽車產(chǎn)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(diào)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(jié)將借助SPSS對有效樣本進(jìn)行關(guān)于汽車產(chǎn)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(dǎo)入SPSS，建立相應(yīng)的數(shù)據(jù)集文件;（）采用R型算法，以變量作為聚類對象，調(diào)用R型聚類工具，本次聚類共30組樣本，每組樣本對應(yīng)9個變量;（3）設(shè)置分群選項為“變量分群，并按照每次的聚類需求設(shè)置聚類數(shù)目;（4）聚類結(jié)果分析。

（二）汽車產(chǎn)品客戶定制需求重組

根據(jù)R型聚類的結(jié)果，并結(jié)合文章第一部分中模塊化策略的相關(guān)內(nèi)容，對五種不同類型的客戶定制需求進(jìn)行重組，不同的需求模塊組合形式對應(yīng)不同的產(chǎn)品等級，見表3。[K*4/5]

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

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

（三）基于K-means算法的汽車產(chǎn)品客戶聚類分析

上一小節(jié)對樣本進(jìn)行了以變量為對象的R型聚類分析，本小節(jié)將根據(jù)需求重組的結(jié)果，采用K-means算法對樣本進(jìn)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(dǎo)入SPSS，建立相應(yīng)的數(shù)據(jù)集文件;（）采用K-means算法，以客戶作為聚類對象，調(diào)用K-means聚類分析工具，本次聚類共30組樣本，每組樣本對應(yīng)18個需求變量（表4）;（3）最大迭代次數(shù)設(shè)為10次，聚類數(shù)目k設(shè)為4;（4）聚類結(jié)果分析。

如表5所示是K-means聚類各類別樣本詳細(xì)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(zhì)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(zhì)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(chǎn)品組、高級產(chǎn)品組和特級產(chǎn)品組的K-means聚類分析可按照相同的思路和方法進(jìn)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(jìn)行產(chǎn)品的設(shè)計、生產(chǎn)和服務(wù)等后續(xù)工作，既能滿足客戶個性化定制的要求，又能保留大規(guī)模生產(chǎn)的優(yōu)勢，在一定程度上解決了大規(guī)模生產(chǎn)和定制化生產(chǎn)之間的矛盾，實現(xiàn)了二者的平衡。

四、基于BP神經(jīng)網(wǎng)絡(luò)的汽車產(chǎn)品客戶定制需求轉(zhuǎn)換分析

（一）汽車產(chǎn)品客戶定制需求與功能模塊質(zhì)量屋

根據(jù)需求重組的結(jié)果和中級產(chǎn)品組的精準(zhǔn)客戶定制需求表，建立面向中級產(chǎn)品組的汽車產(chǎn)品精準(zhǔn)客戶定制需求與功能模塊質(zhì)量屋，見表6。

根據(jù)該質(zhì)量屋，邀請汽車領(lǐng)域?qū)＜液虰公司從業(yè)人員根據(jù)其相關(guān)從業(yè)經(jīng)驗，并結(jié)合文章第二部分中通過客戶定制需求調(diào)研和AP獲得的30組有效客戶樣本信息，相應(yīng)地對產(chǎn)品功能模塊進(jìn)行權(quán)重評分。得到共計30組產(chǎn)品功能模塊權(quán)重數(shù)據(jù)，這×30組權(quán)重數(shù)據(jù)共同提供了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練樣本，其中，客戶定制需求權(quán)重數(shù)據(jù)是神經(jīng)網(wǎng)絡(luò)的輸入值，產(chǎn)品功能模塊權(quán)重數(shù)據(jù)是神經(jīng)網(wǎng)絡(luò)的輸出值。

（二）汽車產(chǎn)品客戶定制需求與功能模塊的BP神經(jīng)網(wǎng)絡(luò)建模

借助Matlab調(diào)用神經(jīng)網(wǎng)絡(luò)工具箱，建立一個三層的單隱層BP神經(jīng)網(wǎng)絡(luò)。其中，輸入層神經(jīng)元數(shù)目為18，輸出層神經(jīng)元數(shù)目為11。根據(jù)經(jīng)驗公式3[16，17]RE_Ref337569rh*MERGEORMA初步估算隱含層的神經(jīng)元數(shù)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(jīng)元數(shù)目。

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

首先以隱含層神經(jīng)元數(shù)目為7為例構(gòu)造BP神經(jīng)網(wǎng)絡(luò)，傳遞函數(shù)選擇tansig（）正切S型函數(shù)，并采用試算法確定訓(xùn)練函數(shù)如何選擇。通過對trainlm、traingd、traingdm、traingda等函數(shù)的多次試算訓(xùn)練，最終選擇trainlm函數(shù)作為該網(wǎng)絡(luò)的訓(xùn)練函數(shù)，trainlm函數(shù)具有顯著的訓(xùn)練效率高、訓(xùn)練次數(shù)少、訓(xùn)練時間短和訓(xùn)練精度高等優(yōu)勢[16，17]RE_Ref337569rh*MERGEORMA。

最大訓(xùn)練次數(shù)設(shè)為1000次，樣本組數(shù)為N=30，訓(xùn)練精度誤差設(shè)為ε≤0 001，即全體訓(xùn)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(shù)采用系統(tǒng)默認(rèn)值。同樣地，按照前述方法和步驟可依次構(gòu)建出隱含層神經(jīng)元數(shù)目分別為8～15的BP神經(jīng)網(wǎng)絡(luò)，并且通過多次試算訓(xùn)練，最終確定隱含層神經(jīng)元數(shù)目為10。如圖所示是最終建立的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型。

（三）BP神經(jīng)網(wǎng)絡(luò)樣本訓(xùn)練結(jié)果分析

1 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差分析

如圖3所示是BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差曲線，可知實際訓(xùn)練次數(shù)為17次，從rain曲線可以看出，17次訓(xùn)練學(xué)習(xí)結(jié)束時網(wǎng)絡(luò)已實現(xiàn)了很高的學(xué)習(xí)精度，滿足預(yù)設(shè)的精度條件，說明該網(wǎng)絡(luò)在全部訓(xùn)練結(jié)束時已較好地學(xué)習(xí)了輸入和輸出之間的關(guān)系，獲得了良好的仿真應(yīng)用價值。

從Validation曲線可以看出，第11次訓(xùn)練學(xué)習(xí)結(jié)束時，系統(tǒng)獲得了最優(yōu)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(tǒng)訓(xùn)練誤差），且第1～17次的樣本驗證誤差連續(xù)6次均未下降，說明系統(tǒng)已經(jīng)沒有繼續(xù)訓(xùn)練的必要，如果接著訓(xùn)練，不僅樣本驗證誤差不會再有明顯改善，甚至可能會產(chǎn)生神經(jīng)網(wǎng)絡(luò)過度擬合的現(xiàn)象。

訓(xùn)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(wǎng)絡(luò)訓(xùn)練，Validation樣本和est樣本分別用于網(wǎng)絡(luò)驗證和網(wǎng)絡(luò)測試。如圖4所示是BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后樣本目標(biāo)值與網(wǎng)絡(luò)實際輸出值之間的回歸分析結(jié)果，橫坐標(biāo)代表樣本目標(biāo)值，縱坐標(biāo)代表網(wǎng)絡(luò)實際輸出值，可以看出四個小圖中樣本目標(biāo)值與網(wǎng)絡(luò)實際輸出值基本均在同一條直線上，訓(xùn)練學(xué)習(xí)效果較好。raining、Validation和est回歸曲線的目標(biāo)值與實際輸出值之間的相關(guān)性分別達(dá)到了99 98%、98 37%和97 578%，總體相關(guān)性可達(dá)99 97%，具有較高的相關(guān)性和較好的回歸效果。

（四）BP神經(jīng)網(wǎng)絡(luò)仿真預(yù)測分析

[J1 85mm]根據(jù)表，結(jié)合文章第三部分中所獲得的中級產(chǎn)品組精準(zhǔn)客戶定制需求的內(nèi)容，得到一組新的網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)進(jìn)行仿真，運行結(jié)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(xiàn)出各功能模塊在產(chǎn)品整體中重要程度的占比情況，對Y進(jìn)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(chǎn)品整體而言的權(quán)重高低次序。此外，仿真結(jié)果還能直觀地呈現(xiàn)出各子模塊之間以及各子模塊與產(chǎn)品整體之間的定量關(guān)系。根據(jù)YSymbolbB@可將其分為四個模塊批次，第一批次為{發(fā)動機(jī)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(shè)備模塊，行駛模塊}，第三批次為{安全氣囊模塊，空調(diào)模塊，內(nèi)飾模塊}，第四批次為{導(dǎo)航模塊}，按照關(guān)鍵程度的高低這四個模塊批次依次為關(guān)鍵批次、較關(guān)鍵批次、次關(guān)鍵批次和非關(guān)鍵批次。

通過區(qū)分各模塊批次的關(guān)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(jù)模塊權(quán)重值并結(jié)合模塊實施設(shè)計及生產(chǎn)變更的難易程度對資金、人力和物力等資源進(jìn)行合理量化的按需分配，能夠?qū)崿F(xiàn)以最少的綜合成本和最短的產(chǎn)品周期在最大程度上滿足客戶定制需求的目的。例如，發(fā)動機(jī)模塊屬于關(guān)鍵批次的高通用性模塊，對整車產(chǎn)品差異性影響較小，客戶可感知程度較低，可直接根據(jù)客戶的硬性需求進(jìn)行匹配調(diào)用，短期內(nèi)對用于設(shè)計及生產(chǎn)變更的資源需求較少，對能夠進(jìn)行合理匹配調(diào)用模塊的人力資源需求較大。車身模塊屬于關(guān)鍵批次的低通用性模塊，直接影響整車產(chǎn)品差異性的體現(xiàn)，客戶可感知程度較高，相關(guān)開發(fā)設(shè)計人員應(yīng)針對該模塊進(jìn)一步展開QD以提升產(chǎn)品的綜合競爭力，因此對研發(fā)資金和人力資源的需求較大。制動模塊屬于較關(guān)鍵批次的高通用性模塊，其資源分配方式可參考發(fā)動機(jī)模塊;內(nèi)飾模塊屬于次關(guān)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(dǎo)航模塊是非關(guān)鍵批次的高通用性模塊，屬于典型的選裝模塊，可根據(jù)客戶需求直接決定是否選裝，且短期內(nèi)一般無需進(jìn)行大幅改動，各方面資源需求較少。

五、結(jié)論

梳理了面向客戶需求的汽車大規(guī)模定制系統(tǒng)策略，對于大規(guī)模定制在汽車企業(yè)的應(yīng)用實施具有指導(dǎo)意義。構(gòu)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(zhuǎn)化成客觀的需求指標(biāo)權(quán)重數(shù)據(jù)，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(jìn)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(xiàn)了對客戶需求信息的合理壓縮，對解決大規(guī)模生產(chǎn)和定制生產(chǎn)之間的矛盾做出了積極探索。根據(jù)需求重組的結(jié)果采用QD方法建立了精準(zhǔn)客戶定制需求與功能模塊質(zhì)量屋，根據(jù)該質(zhì)量屋構(gòu)建了BP神經(jīng)網(wǎng)絡(luò)并進(jìn)行仿真預(yù)測分析，仿真結(jié)果能有效指導(dǎo)設(shè)計及生產(chǎn)等資源的合理分配，為汽車廠商實現(xiàn)以最少的綜合成本和最短的產(chǎn)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(xiàn)：

[1]中國汽車工業(yè)協(xié)會 中國汽車工業(yè)發(fā)展年度報告（019）[M].北京：社會科學(xué)文獻(xiàn)出版社，019：05-1

[]中國汽車工業(yè)協(xié)會行業(yè)信息部 019年汽車工業(yè)經(jīng)濟(jì)運行情況[OL].中國汽車工業(yè)協(xié)會統(tǒng)計信息網(wǎng)，00[00-0].http：//www auto-stats org cn/ReadArticle asp？NewsID=10704

[3]張國方 汽車營銷學(xué)[M].北京：人民交通出版社，017：10-19

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

[5]祁國寧，顧新建，譚建榮 大批量定制技術(shù)及其應(yīng)用[M].北京：機(jī)械工業(yè)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(chǎn)品配置方法[J].計算機(jī)集成制造系統(tǒng)，017，3（10）：091-100

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

[8]張余華 面向客戶需求的大規(guī)模定制策略[C].北京：清華大學(xué)，010

[9]劉暢，徐丹丹 企業(yè)實行大規(guī)模定制策略的局限性分析[J].沈陽農(nóng)業(yè)大學(xué)學(xué)報（社會科學(xué)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(yōu)化[J].杭州電子科技大學(xué)學(xué)報（自然科學(xué)版），018，38（04）：75-80

[13]董悅 以顧客需求為導(dǎo)向的汽車物流企業(yè)服務(wù)能力優(yōu)化方法[D].吉林：吉林大學(xué)，008

[14]洪一順 多系列產(chǎn)品族精準(zhǔn)規(guī)劃關(guān)鍵技術(shù)研究及運用[D].廣州：廣東工業(yè)大學(xué)，014

[15]于陽 基于聚類分析K-means算法的房地產(chǎn)客戶細(xì)分研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，017

[16]施衛(wèi)海 汽車零部件企業(yè)需求預(yù)測模型應(yīng)用研究[D].上海：上海交通大學(xué)，014

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

（張國方、許文碩、宋景芬，武漢理工大學(xué)汽車工程學(xué)院）