CN103377399A - 零部件市场供应量预测装置 - Google Patents

零部件市场供应量预测装置 Download PDF

Info

Publication number
CN103377399A
CN103377399A CN2012101288002A CN201210128800A CN103377399A CN 103377399 A CN103377399 A CN 103377399A CN 2012101288002 A CN2012101288002 A CN 2012101288002A CN 201210128800 A CN201210128800 A CN 201210128800A CN 103377399 A CN103377399 A CN 103377399A
Authority
CN
China
Prior art keywords
prediction
parts
interval section
unit interval
work
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2012101288002A
Other languages
English (en)
Other versions
CN103377399B (zh
Inventor
张学
李齐周
昌盛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi China Research and Development Corp
Original Assignee
Hitachi China Research and Development Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hitachi China Research and Development Corp filed Critical Hitachi China Research and Development Corp
Priority to CN201210128800.2A priority Critical patent/CN103377399B/zh
Publication of CN103377399A publication Critical patent/CN103377399A/zh
Application granted granted Critical
Publication of CN103377399B publication Critical patent/CN103377399B/zh
Withdrawn - After Issue legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种零部件市场供应量预测装置，其基于包含某种零部件的所有产品在以往的实际工作总时间和以往的零部件的需求量，同时考虑到了产品工作地域的工作环境状况和民俗状况对零部件的实际使用寿命的影响，可以较为准确的预测各种零部件的需求量。该零部件市场供应量预测装置包括输入单元，工作总时间预测单元，环境状况信息预测单元，零部件预测使用寿命预测模型建立单元，零部件预测使用寿命预测单元，零部件市场供应量产生单元。

Description

零部件市场供应量预测装置
技术领域
本发明涉及一种预测将来一定时间范围内提供给市场或代理商的零部件市场供应量的预测装置。
背景技术
在生产性企业中，通常需要向市场或代理商提供一些用于产品售后服务和零售的产品零部件，其中各种产品由这些零部件中的若干数量的某些种类的零部件构成，如工程机械和制造机械等。为了减少不必要的库存与增加企业产能，生产企业非常必要对构成产品的各种零部件的市场或代理商供应量进行预测。
目前，现有的市场供应量的预测一方面是简单地基于历史的零部件市场供应量，利用拟合、回归等统计方法进行预测，例如：专利CN1386234A(2002年)中，基于历史的零件市场供应量，利用概率分布的求解方法来预测低订货率零件的未来定单数；专利CN1815498A(2006年)中，基于历史的需求数据，利用一种灰色预测模型的调整机制来预测产品的市场供应量；专利CN11086770A(2007年)中，对历史的零备件需求数据按时间点顺序作累加，利用多元线形回归分析，对累加值进行预测获得累加预测值，再对累加预测值进行差分处理，预测得到零备件的市场供应量。另一方面，还有利用来自机械自身的故障数据(从安装在机械内部的信号装置所获得的数据，包括机械运行错误信号、警告信号等)进行预测，例如：专利CN1520571A(2004年)中，根据机械过去数年内的故障数量和故障原因，计算过去逐年的故障率并建立故障数量、产品保有量和配件市场供应量之间的关系，通过预测将来的故障率和产品保有量，达到预测配件市场供应量的目的；专利CN1626740A(2005年)中，利用机械的运转经历、零部件理想使用寿命和来自机械自身的错误信号、警告信号等数据，预测在构成机械的某种零件发生了异常时，与该零件进行交换的补充零件的生产数量。
这些相关发明存在如下问题：(1)历史的零部件需求数据之间并不存在必然的联系，零部件需求数据本身甚至都没有任何规律性，简单依据历史的零部件市场供应量预测将来的零部件市场供应量稳健性不强；特别是当历史的零部件市场供应量波动较大时，单纯基于历史的零部件需求数据很难准确地预测将来的零部件市场供应量。(2)零部件需求是基于一定的产品市场拥有量进行预测的，现有的发明一般没有考虑在产品的市场拥有量(现时工作的产品总数)是变化的。(3)现有的发明都忽略了零部件的故障维修和更换是由产品工作而致，而产品的工作频率和强度等受现地的影响；现地的不同环境(工作地域、工作对象、工作地域的气候)以及现地的经济状况等都影响甚至制约着产品的工作频率和强度，譬如同样的产品工作在不同的区域、在不同的环境条件下，对零部件的耗损程度不同，在一定的时间范围内，所产生的零部件的市场供应量也不同。
【现有技术文献】
专利文献1：CN1386234A(2002年)
专利文献2：CN1520571A(2004年)
专利文献3：CN1626740A(2005年)
专利文献4：CN1815498A(2006年)
专利文献5：CN11086770A(2007年)
发明内容
本发明是为了克服上述的问题点而作出的，其目的在于，提供一种零部件市场供应量预测装置，其基于包含某种零部件的所有产品在以往的实际工作总时间和以往的零部件的需求量，同时考虑到了产品工作地域的工作环境状况和民俗状况对零部件的实际使用寿命的影响，可以较为准确的预测各种零部件的需求量。
本发明提供了如下的零部件市场供应量预测装置。
[1]一种零部件市场供应量预测装置，其用于预测零部件在预测单位时间段内的市场供应量，所述装置包括：输入单元，用于输入具有所述零部件的所有产品对应于以往的每个单位时间段的各实际工作总时间和所消耗掉的各零部件数量、所述零部件的理想使用寿命、以往的每个单位时间段的各环境状况信息；工作总时间预测单元，其根据所述输入单元输入的所述各实际工作总时间，预测所述预测单位时间段的所有产品的预测工作总时间；环境状况信息预测单元，其根据所述输入单元输入的所述各环境状况信息，预测在所述预测单位时间段内的预测环境状况信息；零部件预测使用寿命预测模型建立单元，其根据所述输入单元输入的所述零部件的理想使用寿命、所述各实际工作总时间、所消耗掉的各零部件数量、所述各环境状况信息，建立零部件预测使用寿命的预测模型；零部件预测使用寿命预测单元，其利用所述零部件预测使用寿命预测模型建立单元输出的所述零部件预测使用寿命的预测模型，根据所述输入单元输入的所述零部件的理想使用寿命、和所述环境状况信息预测单元输出的预测环境状况信息，预测在所述预测单位时间段内的零部件的预测使用寿命；零部件市场供应量产生单元，其根据所述工作总时间预测单元输出的所述预测工作总时间，和所述零部件预测使用寿命预测单元输出的所述零部件的预测使用寿命，产生所述预测单位时间段的零部件的市场供应量。
方案[1]的零部件市场供应量预测装置中，根据预测单位时间段的包括零部件的所有产品的预测工作总时间和零部件的预测使用寿命，来产生预测单位时间段的零部件的市场供应量。而且考虑到了各环境状况信息对零部件的预测使用寿命的影响，可以使零部件市场供应量的预测更加准确。
[2]如方案[1]所述的装置，所述输入单元进一步输入各民俗特征信息，所述零部件预测使用寿命预测模型建立单元中，建立零部件预测使用寿命的预测模型所需的信息还包括：所述输入单元输入的各民俗特征信息，所述零部件预测使用寿命预测单元中，预测在所述预测单位时间段内的零部件的预测使用寿命所需的信息还包括：所述输入单元输入的各民俗特征信息。
方案[2]的零部件市场供应量预测装置中，进一步考虑到了各民俗特征信息对零部件的预测使用寿命的影响，可以使零部件市场供应量的预测更加准确。
[3]如方案[1]所述的装置，所述零部件预测使用寿命预测模型建立单元，按照公式(1)建立任一种零部件在所述预测单位时间段之前的任一单位时间段的预测使用寿命的预测模型，
公式(1)
其中，
Figure BDA0000158255240000032
表示所述零部件k在以往的单位时间段j的实际使用寿命，j为自然数[1、2、3…]，
Figure BDA0000158255240000033
表示所述输入单元输入的包含所述零部件k的所有产品在以往的单位时间段j的实际工作总时间，
Figure BDA0000158255240000034
表示所述输入单元输入的以往的单位时间段j中消耗掉的所述零部件k的数量，表示所述输入单元输入的所述零部件k的理想使用寿命，Pk(eoj，etj，erj)是表示环境状况对所述零部件k的实际使用寿命的影响的修正函数，通过机器学习的方法来确定，eoj、etj、erj是由所述输入单元输入的，eoj是表示以往的单位时间段j的产品工作对象的特性o的参数、etj是表示以往的单位时间段j的产品工作地域的气候温度t的参数、erj是表示以往的单位时间段j的产品工作地域的气候降雨量r的参数。
[4]如方案[3]所述的装置，零部件预测使用寿命预测单元，按照公式(2)产生任一种零部件在所述预测单位时间段的预测使用寿命，
Figure BDA0000158255240000041
公式(2)
其中，
Figure BDA0000158255240000042
表示所述零部件k在所述预测单位时间段n的预测使用寿命，Pk(eon，etn，ern)是由所述环境状况信息预测单元预测产生的eon、etn、ern取代所述零部件预测使用寿命预测模型建立单元确定的Pk(eoj，etj，erj)中的eoj、etj、erj而获得的，eon是表示所述预测单位时间段n的产品工作对象的特性o的参数、etn是表示所述预测单位时间段n的工作地域的气候温度t的参数、ern是表示所述预测单位时间段n的工作地域的气候降雨量r的参数。
[5]如方案[2]所述的装置，所述零部件预测使用寿命预测模型建立单元，按照公式(3)建立任一种零部件在所述预测单位时间段之前的任一单位时间段的预测使用寿命的预测模型，
Figure BDA0000158255240000043
公式(3)
其中，
Figure BDA0000158255240000044
表示所述零部件k在以往的单位时间段j的实际使用寿命，j为自然数[1、2、3…]，
Figure BDA0000158255240000045
表示所述输入单元输入的包含所述零部件k的所有产品在以往的单位时间段j的实际工作总时间，
Figure BDA0000158255240000046
表示所述输入单元输入的以往的单位时间段j中消耗掉的所述零部件k的数量，
Figure BDA0000158255240000047
表示所述输入单元输入的所述零部件k的理想使用寿命，Pk(eoj，etj，erj)是表示环境状况对所述零部件k的实际使用寿命的影响的修正函数，通过机器学习的方法来确定，eoj、etj、erj是由所述输入单元输入的，eoj是表示以往的单位时间段j的产品工作对象的特性o的参数、etj是表示以往的单位时间段j的产品工作地域的气候温度t的参数、erj是表示以往的单位时间段j的产品工作地域的气候降雨量r的参数，wt是Pk(eoj，etj，erj)的权重系数，Qk(rj)是表示民俗特种对所述零部件k的实际使用寿命的影响的修正函数，通过机器学习的方法来确定，rj是由所述输入单元输入的、表示表示以往的单位时间段j的民俗特征信息的参数，wr是Qk(rj)的权重系数。
[6]如方案[5]所述的装置，零部件预测使用寿命预测单元，按照公式(4)产生任一种零部件在所述预测单位时间段的预测使用寿命，
公式(4)
其中，
Figure BDA0000158255240000049
表示所述零部件k在所述预测单位时间段n的预测使用寿命，Pk(eon，etn，ern)是由所述环境状况信息预测单元预测产生的eon、etn、ern取代所述零部件预测使用寿命预测模型建立单元确定的Pk(eoj，etj，erj)中的eoj、etj、erj而获得的，eon是表示所述预测单位时间段n的产品工作对象的特性o的参数、etn是表示所述预测单位时间段n的工作地域的气候温度t的参数、ern是表示所述预测单位时间段n的工作地域的气候降雨量r的参数，Qk(rn)是由所述输入单元输入的rn取代所述零部件预测使用寿命预测模型建立单元确定的Qk(rj)中的rj而获得的，rn是由所述输入单元输入的、表示所述预测单位时间段n的民俗特征信息的参数。
[7]如方案[4]或[6]所述的装置，所述工作总时间预测单元包括如下三个单元：
实际工作总时间变化率产生单元，其按照公式(5)计算包含所述零部件的所有产品在与预定时间周期中任一预测单位时间段同期的以往的任一单位时间段的实际工作总时间变化率，
Figure BDA0000158255240000051
公式(5)
其中，
Figure BDA0000158255240000052
表示包含所述零部件k的所有产品在与预测单位时间段n同期的以往的第i个单位时间段的实际工作总时间变化率，
Figure BDA0000158255240000053
表示包含所述零部件k的所有产品在与预测单位时间段n同期的以往的第i个单位时间段的实际工作总时间，
Figure BDA0000158255240000054
表示包含所述零部件k的所有产品在与预测单位时间段n相接的前一单位时间段n-1同期的以往的第i个单位时间段的实际工作总时间，i和n分别为自然数[1、2、3…]，k是某种零部件的代码；
平均实际工作总时间变化率产生单元，其按照公式(6)计算包含所述零部件k的所有产品在与预测单位时间段n同期的以往的所有单位时间段的平均实际工作总时间变化率，
Figure BDA0000158255240000055
公式(6)
其中，
Figure BDA0000158255240000056
表示包含所述零部件k的所有产品在与预测单位时间段n同期的以往的所有单位时间段的平均实际工作总时间变化率，S表示从产品初次投放市场起至预测单位时间段所在时间周期前的各时间周期中、与预测单位时间段同期的单位时间段的数量；
预测工作总时间产生单元，其按照公式(7)产生包含所述零部件k的所有产品在所述预测单位时间段内的预测工作总时间，
Figure BDA0000158255240000057
公式(7)
其中，
Figure BDA0000158255240000058
表示包含所述零部件k的所有产品在所述预测单位时间段n的预测工作总时间，
Figure BDA0000158255240000061
表示包含所述零部件k的所有产品在与所述预测单位时间段n相接的前一个单位时间段n-1的实际工作总时间。
[8]如方案[7]所述的装置，所述零部件市场供应量产生单元，按照公式(8)产生任一种零部件在所述预测时间段的市场供应量
N k n = T ^ k n / L k n 公式(8)
其中，
Figure BDA0000158255240000063
表示所述零部件k在所述预测单位时间段n的市场供应量。
[9]一种零部件市场供应量预测装置，其用于预测零部件在预测单位时间段内的市场供应量，所述装置包括：输入单元，用于输入具有所述零部件的所有产品对应于以往的每个单位时间段的各实际工作总时间和所消耗掉的各零部件数量、所述零部件的理想使用寿命、以往的每个单位时间段的各环境状况信息；工作总时间预测单元，其根据所述输入单元输入的所述各实际工作总时间，预测所有产品在以往的各单位时间段和所述预测单位时间段的预测工作总时间；环境状况信息预测单元，其根据所述输入单元输入的所述各环境状况信息，预测在所述预测单位时间段内的预测环境状况信息；预测工作总时间校正模型建立单元，其根据所述输入单元输入的所述各实际工作总时间、所述工作总时间预测单元输出的以往每个单位时间段的预测工作总时间和所述各环境状况信息，建立预测工作总时间的校正模型，预测工作总时间校正单元，其利用所述预测工作总时间校正模型建立单元建立的预测工作总时间的校正模型，根据所述环境状况信息预测单元输出的预测环境状况信息和所述工作总时间预测单元输出的所述预测单位时间段的所有产品的预测工作总时间，得到所述预测单位时间段的校正后的预测工作总时间。零部件预测使用寿命预测模型建立单元，其根据所述输入单元输入的所述零部件的理想使用寿命、所述各实际工作总时间、所消耗掉的各零部件数量、所述各环境状况信息，建立零部件预测使用寿命的预测模型；零部件预测使用寿命预测单元，其利用所述零部件预测使用寿命预测模型建立单元输出的所述零部件预测使用寿命的预测模型，根据所述输入单元输入的所述零部件的理想使用寿命、和所述环境状况信息预测单元输出的预测环境状况信息，预测在所述预测单位时间段内的零部件的预测使用寿命；零部件市场供应量产生单元，其根据所述预测工作总时间校正单元输出的所述校正后的预测工作总时间，和所述零部件预测使用寿命预测单元输出的所述零部件的预测使用寿命，产生所述预测单位时间段的零部件市场供应量。
方案[9]的零部件市场供应量预测装置中，根据预测单位时间段的包括零部件的所有产品的预测工作总时间和零部件的预测使用寿命，来产生预测单位时间段的零部件的市场供应量。而且考虑到了各环境状况信息对包括零部件的所有产品的预测工作总时间和零部件的预测使用寿命的影响，可以使零部件市场供应量的预测更加准确。
[10]如方案[9]所述的装置，所述输入单元进一步输入各民俗特征信息，所述零部件预测使用寿命预测模型建立单元中，建立零部件预测使用寿命的预测模型所需的信息还包括：所述输入单元输入的各民俗特征信息，所述零部件预测使用寿命预测单元中，预测在所述预测单位时间段内的零部件的预测使用寿命所需的信息还包括：所述输入单元输入的各民俗特征信息。
方案[10]的零部件市场供应量预测装置中，进一步考虑到了各民俗特征信息对包括零部件的所有产品的预测工作总时间和零部件的预测使用寿命的影响，可以使零部件市场供应量的预测更加准确。
[11]如方案[9]所述的装置，所述零部件预测使用寿命预测模型建立单元，按照公式(1)建立任一种零部件在所述预测单位时间段之前的任一单位时间段的预测使用寿命的预测模型，
Figure BDA0000158255240000071
公式(1)
其中，
Figure BDA0000158255240000072
表示所述零部件k在以往的单位时间段j的实际使用寿命，j为自然数[1、2、3…]，
Figure BDA0000158255240000073
表示所述输入单元输入的包含所述零部件k的所有产品在以往的单位时间段j的实际工作总时间，
Figure BDA0000158255240000074
表示所述输入单元输入的以往的单位时间段j中消耗掉的所述零部件k的数量，
Figure BDA0000158255240000075
表示所述输入单元输入的所述零部件k的理想使用寿命，Pk(eoj，etj，erj)是表示环境状况对所述零部件k的实际使用寿命的影响的修正函数，通过机器学习的方法来确定，eoj、etj、erj是由所述输入单元输入的，eoj是表示以往的单位时间段j的产品工作对象的特性o的参数、etj是表示以往的单位时间段j的工作地域的气候温度t的参数、erj是表示以往的单位时间段j的工作地域的气候降雨量r的参数。
[12]如方案[11]所述的装置，零部件预测使用寿命预测单元，按照公式(2)产生零部件在所述预测单位时间段的预测使用寿命，
Figure BDA0000158255240000076
公式(2)
其中，
Figure BDA0000158255240000077
表示所述零部件k在所述预测单位时间段n的预测使用寿命，Pk(eon，etn，ern)是由所述环境状况信息预测单元预测产生的eon、etn、ern取代所述零部件预测使用寿命预测模型建立单元确定的Pk(eoj，etj，erj)中的eoj、etj、erj而获得的，eon是表示所述预测单位时间段n的产品工作对象的特性o的参数、etn是表示所述预测单位时间段n的工作地域的气候温度t的参数、ern是表示所述预测单位时间段n的工作地域的气候降雨量r的参数。
[13]如方案[10]所述的装置，所述零部件预测使用寿命预测模型建立单元，按照公式(3)建立任一种零部件在所述预测单位时间段之前的任一单位时间段的预测使用寿命的预测模型，
Figure BDA0000158255240000081
公式(3)
其中，表示所述零部件k在以往的单位时间段j的实际使用寿命，j为自然数[1、2、3…]，
Figure BDA0000158255240000083
表示所述输入单元输入的包含所述零部件k的所有产品在以往的单位时间段j的实际工作总时间，
Figure BDA0000158255240000084
表示所述输入单元输入的以往的单位时间段j中消耗掉的所述零部件k的数量，
Figure BDA0000158255240000085
表示所述输入单元输入的所述零部件k的理想使用寿命，Pk(eoj，etj，erj)是表示环境状况对所述零部件k的实际使用寿命的影响的修正函数，通过机器学习的方法来确定，eoj、etj、erj是由所述输入单元输入的，eoj是表示以往的单位时间段j的产品工作对象的特性o的参数、etj是表示以往的单位时间段j的工作地域的气候温度t的参数、erj是表示以往的单位时间段j的工作地域的气候降雨量r的参数，wt是Pk(eoj，etj，erj)的权重系数，Qk(rj)是表示民俗特种对所述零部件k的实际使用寿命的影响的修正函数，通过机器学习的方法来确定，rj是由所述输入单元输入的、表示表示以往的单位时间段j的民俗特征信息的参数，wr是Qk(rj)的权重系数。
[14]如方案[13]所述的装置，零部件预测使用寿命预测单元，按照公式(4)产生任一种零部件在所述预测单位时间段的预测使用寿命，
Figure BDA0000158255240000086
公式(4)
其中，
Figure BDA0000158255240000087
表示所述零部件k在所述预测单位时间段n的预测使用寿命，Pk(eon，etn，ern)是由所述环境状况信息预测单元预测产生的eon、etn、ern取代所述零部件预测使用寿命预测模型建立单元确定的Pk(eoj，etj，erj)中的eoj、etj、erj而获得的，eon是表示所述预测单位时间段n的产品工作对象的特性o的参数、etn是表示所述预测单位时间段n的工作地域的气候温度t的参数、ern是表示所述预测单位时间段n的工作地域的气候降雨量r的参数，Qk(rn)是由所述输入单元输入的rn取代所述零部件预测使用寿命预测模型建立单元确定的Qk(rj)中的rj而获得的，rn是由所述输入单元输入的、表示所述预测单位时间段n的民俗特征信息的参数。
[15]如方案[12]或[14]所述的装置，所述工作总时间预测单元包括如下三个单元：
实际工作总时间变化率产生单元，其按照公式(5)计算包含所述零部件k的所有产品在与预定时间周期中任一预测单位时间段同期的以往的任一单位时间段的实际工作总时间变化率，
Figure BDA0000158255240000091
公式(5)
其中，
Figure BDA0000158255240000092
表示包含所述零部件k的所有产品在与预测单位时间段n同期的以往的第i个单位时间段的实际工作总时间变化率，
Figure BDA0000158255240000093
表示包含所述零部件k的所有产品在与预测单位时间段n同期的以往的第i个单位时间段的实际工作总时间，
Figure BDA0000158255240000094
表示包含所述零部件k的所有产品在与预测单位时间段n相接的前一单位时间段n-1的同期的以往的第i个单位时间段的实际工作总时间，i和n分别为自然数[1、2、3…]，k是某种零部件的代码；
平均实际工作总时间变化率产生单元，其按照公式(6)计算包含所述零部件k的所有产品在与预测单位时间段n同期的以往的所有单位时间段的平均实际工作总时间变化率，
公式(6)
其中，
Figure BDA0000158255240000096
表示包含所述零部件k的所有产品在与预测单位时间段n同期的以往的所有单位时间段的平均实际工作总时间变化率，S表示从产品初次投放市场起至预测单位时间段所在时间周期前的各时间周期中、与预测单位时间段同期的单位时间段的数量；
预测工作总时间产生单元，其按照公式(7)产生包含所述零部件k的所有产品在所述预测单位时间段内的预测工作总时间，
Figure BDA0000158255240000097
公式(7)
其中，
Figure BDA0000158255240000098
表示包含所述零部件k的所有产品在所述预测单位时间段n的预测工作总时间，
Figure BDA0000158255240000099
表示包含所述零部件k的所有产品在与所述预测单位时间段n相接的前一个单位时间段n-1的实际工作总时间。
[16]如方案[15]所述的装置，所述预测工作总时间校正模型建立单元按照公式(9)建立包含所述零部件的所有产品在所述预测单位时间段之前的任一单位时间段的预测工作总时间的校正模型，
T k j = T ^ k j + G k ( e oj , e tj , e rj ) 公式(9)
其中，
Figure BDA0000158255240000101
为将所述工作总时间预测单元中的所述预测单位时间段n由以往的单位时间段j取代而获得的，是所述工作总时间预测单元输出的包含所述零部件k的所有产品在以往的单位时间段j的预测工作总时间，Gk(eoj，etj，erj)是表示环境状况对包含所述零部件k的所有产品的实际工作总时间的影响的修正函数，通过机器学习的方法来确定。
[17]如方案[16]所述的装置，预测工作总时间校正单元，按照公式(10)产生包含所述零部件的所有产品在所述预测单位时间段的校正后的预测工作总时间，
T k n = T ^ k n + G k ( e on , e tn , e rn ) 公式(10)
其中，
Figure BDA0000158255240000103
表示包含所述零部件k的所有产品在所述预测单位时间段n的校正后的预测工作总时间，Gk(eon，etn，ern)是由所述环境状况信息预测单元预测产生的eon、etn、ern取代所述预测工作总时间校正模型建立单元确定的Gk(eoj，etj，erj)中的eoj、etj、erj而获得的。
[18]如方案[15]所述的装置，所述预测工作总时间校正模型建立单元中，建立预测工作总时间的校正模型所需的信息还包括：所述输入单元输入的各民俗特征信息，
预测工作总时间校正单元中，得到所述预测单位时间段的校正后的预测工作总时间所需的信息还包括：所述输入单元输入的各民俗特征信息，
[19]如方案[18]所述的装置，所述预测工作总时间校正模型建立单元按照公式(11)建立包含所述零部件的所有产品在所述预测单位时间段之前的任一单位时间段的预测工作总时间的校正模型，
T k j = T ^ k j + w 1 × G k ( e oj , e tj , e rj ) + w 2 × K k ( r j ) 公式(11)
其中，
Figure BDA0000158255240000105
为将所述工作总时间预测单元中的所述预测单位时间段n由以往的单位时间段j取代而获得的，是所述工作总时间预测单元输出的包含所述零部件k的所有产品在以往的单位时间段j的预测工作总时间，Gk(eoj，etj，erj)是表示环境状况对包含所述零部件k的所有产品的实际工作总时间的影响的修正函数，通过机器学习的方法来确定，w1是Gk(eoj，etj，erj)的权重系数，Kk(rj)是表示民俗特征对包含所述零部件k的所有产品的实际工作总时间的影响的修正函数，w2是Kk(rj)的权重系数。
[20]如方案[19]所述的装置，预测工作总时间校正单元，按照公式(12)产生包含所述零部件的所有产品在所述预测单位时间段的校正后的预测工作总时间，
T k n = T ^ k n + w 1 × G k ( e on , e tn , e rn ) + w 2 × K k ( r n ) 公式(12)
其中，
Figure BDA0000158255240000111
表示包含所述零部件k的所有产品在所述预测单位时间段n的校正后的预测工作总时间，Gk(eon，etn，ern)是由所述环境状况信息预测单元预测产生的eon、etn、ern取代所述预测工作总时间校正模型建立单元确定的Gk(eoj，etj，erj)中的eoj、etj、erj而获得的，Kk(rn)是由所述输入单元输入的rn取代所述预测工作总时间校正模型建立单元确定的Kk(rj)中的rj而获得的。
[21]如方案[17]或[20]所述的装置，所述零部件市场供应量产生单元，按照公式(13)产生任一种零部件的在所述预测单位时间段的市场供应量
N k n = T k n / L k n 公式(13)
其中，表示所述零部件k在所述预测单位时间段n的市场供应量。
附图说明
图1是本发明一实施方式的零部件市场供应量预测装置的构成图。
图2是表示以往的单位时间段中，不同工作对象条件下的产品工作时间(按月份)的分布情况
图3是本发明另一实施方式的零部件市场供应量预测装置的构成图。
具体实施方式
接着参考附图对实施本发明的实施方式进行详细说明，但本发明不限于以下实施方式，在不脱离本发明的主旨的范围内，基于本领域技术人员的常识，可增加适当的设计变更、改良等。
如图1所示，本发明的一实施方式的零部件市场供应量预测装置100包括：输入单元11，用于输入具有零部件的所有产品对应于以往的每个单位时间段的各实际工作总时间和所消耗掉的各零部件数量、零部件的理想使用寿命、以往的每个单位时间段的各环境状况信息；工作总时间预测单元12，其根据输入单元11输入的各实际工作总时间，预测预测单位时间段的所有产品的预测工作总时间；环境状况信息预测单元13，其根据输入单元11输入的各环境状况信息，预测在预测单位时间段内的预测环境状况信息；零部件预测使用寿命预测模型建立单元14，其根据输入单元11输入的零部件的理想使用寿命、各实际工作总时间、所消耗掉的各零部件数量、各环境状况信息，建立零部件预测使用寿命的预测模型；零部件预测使用寿命预测单元15，其利用零部件预测使用寿命预测模型建立单元14输出的零部件预测使用寿命的预测模型，根据输入单元11输入的零部件的理想使用寿命、和环境状况信息预测单元13输出的预测环境状况信息，预测在预测单位时间段内的零部件的预测使用寿命；零部件市场供应量产生单元16，其根据工作总时间预测单元12输出的预测工作总时间，和零部件预测使用寿命预测单元15输出的零部件的预测使用寿命，产生预测单位时间段的零部件的市场供应量。
本发明的产品由不同种类和不同数量的零部件构成，同一零部件可能组装在不同的产品上。本发明的零部件是指需要预测市场供应量的零部件，产品是指包含该零部件的所有产品。本发明的工作总时间是指包含零部件的所有产品的工作时间的总和。本发明的预测使用寿命即是零部件的设计寿命。
本发明的单位时间段可以为1个月、2个月、1个季度、半年、1年等。这里，单位时间段为一个月。预测单位时间段的起始日期为当前数据库数据中最后一天，这里，确定为2011年4月1日，则预测单位时间段为2011年4月份(4月1日-4月30日)。这里，已知数据库数据日期为2006年1月1日-2011年3月31日。在确定了单位时间段和预测单位时间段之后，输入单元11根据数据库中的信息进行输入。
预测单位时间段的零部件市场供应量理论上还可以由产品的预测工作总时间和零部件的预测使用寿命的比值计算得到，然而，零部件的预测使用寿命并不能直接获得，但可以在零部件k的理想使用寿命的基础上预测得到。在同一地域范围内，零部件的实际使用寿命受工作环境状况、现地民俗特征等因素影响，与理想使用寿命之间存在一些差异，不同的地域范围内，这种影响造成的差异有所不同。对同一地域范围内，可在零部件的理想使用寿命的基础上，通过工作环境状况、现地民俗特征等因素进行修正，得到预测使用寿命。其中工作环境状况对零部件的实际使用寿命的影响较大，例如，包含该零部件的产品，在土壤、岩石、城市等不同的环境下工作时，该零部件的实际使用寿命就受到不同的影响，另外，工作地域的温度、降雨量等环境状况，也同样会对零部件的实际使用寿命产生影响。
本发明的零部件预测使用寿命预测模型建立单元14和零部件预测使用寿命预测单元15，在零部件的理想使用寿命的基础上，考虑到了工作环境状况对零部件的实际使用寿命的影响，得到零部件在预测单位时间段的预测使用寿命。
零部件预测使用寿命预测模型建立单元14，按照公式(1)建立任一种零部件在预测单位时间段之前的任一单位时间段的预测使用寿命的预测模型，
Figure BDA0000158255240000121
公式(1)
其中，
Figure BDA0000158255240000131
表示零部件k在以往的月份j的实际使用寿命，j为自然数[1、2、3…]，
Figure BDA0000158255240000132
表示输入单元11输入的包含零部件k的所有产品在以往的月份j的实际工作总时间，
Figure BDA0000158255240000133
表示输入单元11输入的以往的月份j中消耗掉的零部件k的数量，
Figure BDA0000158255240000134
表示输入单元11输入的零部件k的理想使用寿命，Pk(eoj，etj，erj)是表示环境状况对零部件k的实际使用寿命的影响的修正函数，通过机器学习的方法来确定，eoj、etj、erj是由输入单元11输入的，eoj是表示以往的月份j的产品工作对象的特性o的参数，etj是表示以往的月份j的产品工作地域的气候温度t的参数、erj是表示以往的月份j的产品工作地域的气候降雨量r的参数。
零部件预测使用寿命预测模型建立单元14建立的预测模型中的各个参数都是通过机器学习的方法来确定的。此处使用的机器学习方法包括支持向量机、神经网络、回归分析方法等，都属于公知的技术或开源的工具，如支持向量机使用LibSVM(台湾大学林智仁(LinChih-Jen))，神经网络使用MBP(http://mbp.sourceforge.net)，回归分析方法使用GRETL(http://gretl.sourceforge.net)等，此处不做详细说明。零部件预测使用寿命预测模型建立单元14的建立过程中，分别以月份j的各环境状况信息eoj、etj、erj和零部件k的理想使用寿命
Figure BDA0000158255240000135
作为模型输入，以对应月份j的零部件k的实际使用寿命
Figure BDA0000158255240000136
为模型输出，通过观察实际输出与目标输出之间的差，不断调整模型的参数，当差异达到预设要求时，模型的参数为模型学习的输出结果。本发明中，在月份j的零部件k的实际使用寿命
Figure BDA0000158255240000137
是：包含零部件k的所有产品在月份j的实际工作总时间
Figure BDA0000158255240000138
和在月份j中消耗掉的零部件k的数量
Figure BDA0000158255240000139
的比值。针对每一求解，都使用多种机器学习方法进行，最终采纳最优的结果。
上述环境状况信息中，eoj是表示以往的月份j的产品工作对象的特性o的参数，具体来说如图2所示，表示以往的月份j中，不同工作对象条件下的产品工作时间(按月份)的分布情况，产品工作对象包括土壤、岩石、城市等。即eoj表示产品在以往的月份j中分别在土壤、岩石、城市的环境中的工作时间。etj是表示以往的月份j的产品工作地域的气候温度t的参数，即是以往的月份j的产品工作地域的平均温度。erj是表示以往的月份j的产品工作地域的气候降雨量r的参数，即是以往的月份j的产品工作地域的平均降雨量。
零部件预测使用寿命预测单元15，按照公式(2)产生任一种零部件在预测单位时间段的预测使用寿命，
Figure BDA0000158255240000141
公式(2)
其中，表示零部件k在预测月份n的预测使用寿命，Pk(eon，etn，ern)是由环境状况信息预测单元13预测产生的eon、etn、ern取代零部件预测使用寿命预测模型建立单元14确定的Pk(eoj，etj，erj)中的eoj、etj、erj而获得的，eon是表示预测月份n的产品工作对象的特性o的参数、etn是表示预测月份n的工作地域的气候温度t的参数、ern是表示预测月份n的工作地域的气候降雨量r的参数。
零部件预测使用寿命预测单元15利用利用零部件预测使用寿命预测模型建立单元14输出的零部件预测使用寿命的预测模型，将其中的参数eoj、etj、erj替换为eon、etn、ern。以环境状况信息预测单元13预测产生的eon、etn、ern和零部件k的理想使用寿命
Figure BDA0000158255240000143
作为输入，来求出零部件k在预测月份n的预测使用寿命
Figure BDA0000158255240000144
eon是表示预测月份n的产品工作对象的特性o的参数，取值为往年相同月份的产品分别在土壤、岩石、城市的环境中的工作时间的平均值。etn是表示预测月份n的工作地域的气候温度t的参数，取值为往年相同月份的工作地域的平均温度的平均值。ern是表示预测月份n的工作地域的气候降雨量r的参数，取值为往年相同月份的工作地域的平均降雨量的平均值。
上述零部件预测使用寿命预测模型建立单元14中，仅考虑到了工作环境状况信息对零部件的实际使用寿命的影响。实际上，除了工作环境状况，现地民俗特征也对零部件的实际使用寿命存在影响，因此，也可以将现地民俗特征补充到零部件预测使用寿命预测模型建立单元14中。这里的民俗特征信息具体是指产品工作地域的节假日信息，也是由输入单元11输入的。
因此，如上文所述，零部件预测使用寿命预测模型建立单元14，其根据输入单元11输入的零部件的理想使用寿命、各实际工作总时间、所消耗掉的各零部件数量、各环境状况信息，建立零部件预测使用寿命的预测模型，但这里建模所根据的信息是个开放的概念，即除了根据上述信息建模之外，零部件预测使用寿命预测模型建立单元14建立零部件预测使用寿命的预测模型所需的信息还包括：输入单元11输入的各民俗特征信息。
同样的，零部件预测使用寿命预测单元15，其利用零部件预测使用寿命预测模型建立单元14输出的零部件预测使用寿命的预测模型，根据输入单元11输入的零部件的理想使用寿命、和环境状况信息预测单元13输出的预测环境状况信息，预测在预测单位时间段内的零部件的预测使用寿命，这里寿命预测所根据的信息也是个开放的概念，即除了根据上述信息预测使用寿命之外，零部件预测使用寿命预测单元15中，预测在预测单位时间段内的零部件的预测使用寿命所需的信息还包括：输入单元11输入的各民俗特征信息。
下面对考虑了工作环境状况和民俗特征的零部件预测使用寿命预测模型建立单元14和零部件预测使用寿命预测单元15进行说明。
零部件预测使用寿命预测模型建立单元14，按照公式(3)建立任一种零部件在预测单位时间段之前的任一单位时间段的预测使用寿命的预测模型，
Figure BDA0000158255240000151
公式(3)
其中，wt是Pk(eoj，etj，erj)的权重系数。与公式(1)相比，公式(3)增加了Qk(rj)，Qk(rj)是表示民俗特种对零部件k的实际使用寿命的影响的修正函数，同样是通过机器学习的方法来确定，rj是由输入单元11输入的、表示表示以往的月份j的民俗特征信息的参数，具体来说，本发明中rj是月份j中的实际天数，通过日历及国家公布的节假日安排表得知。wr是Qk(rj)的权重系数。
零部件预测使用寿命预测模型建立单元14建立的预测模型中的参数都是通过机器学习的方法来确定的。如前，此处使用的机器学习方法包括支持向量机、神经网络、回归分析方法等，都属于公知的技术或开源的工具，此处不做详细说明。零部件预测使用寿命预测模型建立单元14的建立过程也如上，仅是模型输入的数据中还增加了月份j中的实际天数。
零部件预测使用寿命预测单元15，按照公式(4)产生任一种零部件在预测单位时间段的预测使用寿命，
Figure BDA0000158255240000152
公式(4)
公式(4)中的变量大部分都与公式(2)相同，其含义也是相同的。Qk(rn)是由输入单元11输入的rn取代零部件预测使用寿命预测模型建立单元14确定的Qk(rj)中的rj而获得的，rn是由输入单元11输入的、表示预测月份n的民俗特征信息的参数，n取4时，rn即表示2011年4月的工作日数量。
预测使用寿命的预测过程中，以环境状况信息预测单元13预测产生的eon、etn、ern、和输入单元11输入的rn、和零部件k的理想使用寿命
Figure BDA0000158255240000153
作为输入，来求出零部件k在预测月份n的预测使用寿命
Figure BDA0000158255240000154
如上所述，预测单位时间段的零部件市场供应量可以由产品的预测工作总时间和零部件的预测使用寿命的比值计算得到。因此，在得到了预测使用寿命
Figure BDA0000158255240000161
之后，还需要预测月份n的预测工作总时间。预测工作总时间由工作总时间预测单元12求得。
工作总时间预测单元12包括：实际工作总时间变化率产生单元121、平均实际工作总时间变化率产生单元122、预测工作总时间产生单元123。
实际工作总时间变化率产生单元121，其按照公式(5)计算包含零部件的所有产品在与预定时间周期中任一预测单位时间段同期的以往的任一单位时间段的实际工作总时间变化率，
Figure BDA0000158255240000162
公式(5)
其中，
Figure BDA0000158255240000163
表示包含零部件k的所有产品在与预测月份n同期的以往的第i个月份的实际工作总时间变化率，
Figure BDA0000158255240000164
表示包含零部件k的所有产品在与预测月份n同期的以往的第i个月份的实际工作总时间，
Figure BDA0000158255240000165
表示包含零部件k的所有产品在与预测月份n相接的前一月份n-1同期的以往的第i个月份的实际工作总时间，i和n分别为自然数[1、2、3…]，k是某种零部件的代码。
这里，预定时间周期是年，预测单位时间段n为2011年4月。与预定时间周期中任一预测单位时间段同期的以往的任一单位时间段，可以是2010年4月，也可以是2009年4月，还可以是2008年4月。i为1时表示2010年的数据，即
Figure BDA0000158255240000166
表示包含零部件k的所有产品的2010年4月的实际工作总时间变化率，
Figure BDA0000158255240000167
表示包含零部件k的所有产品在2010年4月的实际工作总时间，表示包含零部件k的所有产品在2010年3月的实际工作总时间。i为2时表示2009年的数据，i为3时表示2008年的数据，以此类推。
平均实际工作总时间变化率产生单元122，其按照公式(6)计算包含零部件k的所有产品在与预测单位时间段n同期的以往的所有单位时间段的平均实际工作总时间变化率，
公式(6)
其中，
Figure BDA00001582552400001610
表示包含零部件k的所有产品在与预测月份n同期的以往的所有月份的平均实际工作总时间变化率，S表示从产品初次投放市场起至预测月份所在时间周期前的各时间周期中、与预测月份同期的月份的数量。采样的数据是2006至2010年的数据的话，S即为5，S至少为2年。
预测工作总时间产生单元123，其按照公式(7)产生包含零部件k的所有产品在预测单位时间段内的预测工作总时间，
公式(7)
其中，
Figure BDA0000158255240000172
表示包含零部件k的所有产品在预测月份n的预测工作总时间，
Figure BDA0000158255240000173
表示包含零部件k的所有产品在与预测月份n相接的前一个月份n-1的实际工作总时间。这里，n取4，
Figure BDA0000158255240000174
即表示包含零部件k的所有产品在2011年4月的预测工作总时间，
Figure BDA0000158255240000175
表示包含零部件k的所有产品在2011年3月的实际工作总时间。
求得了预测使用寿命和预测月份n的预测工作总时间之后，由零部件市场供应量产生单元16产生任一种零部件在预测时间段的市场供应量。
零部件市场供应量产生单元16，按照公式(8)产生任一种零部件在预测时间段的市场供应量
N k n = T ^ k n / L k n 公式(8)
其中，
Figure BDA0000158255240000177
表示零部件k在预测月份n的市场供应量，这里，即是指零部件k在2011年4月的市场供应量。
Figure BDA0000158255240000178
可以是考虑了环境状况的2011年4月的预测使用寿命，也可以是考虑了环境状况和民俗特征的预测使用寿命。也就是说
Figure BDA0000158255240000179
可以按公式(2)或(4)求出。
本发明一实施方式的零部件市场供应量预测装置，利用了产品的工作总时间与零部件的寿命的比值与零部件的供应量之间的对应关系，预测零部件市场供应量。预测过程中，采用了一系列的历史数据，包括历史同期的实际工作总时间、以往的零部件的需求量，同时考虑到了产品工作地域的工作环境状况和民俗状况对零部件的实际使用寿命的影响，可以较为准确的预测各种零部件的需求量。
以上实施方式中，考虑到了产品工作地域的工作环境状况和民俗状况对零部件的实际使用寿命的影响，预测各种零部件的需求量。实际上，产品工作地域的工作环境状况和民俗状况除了对零部件的实际使用寿命产生影响之外，还对包含该零部件的产品的工作总时间存在影响。如下表1示出降雨量与实际工作时间的对应关系，表1的左栏表示降水量，右栏表示不同降水量下的产品在2010年度的工作总时间。表2示出温度与实际工作时间的对应关系，表2的左栏表示平均气温，右栏表示不同气温下的产品在2010年度的工作总时间。另外，这里的民俗状况是指产品工作地域的节假日信息。在节假日较多的月份，例如春节，产品的实际工作时间必然相对较少。
表1
  降水量   作业时间(小时)
  ＜10mm   90000
  10～50mm   88000
  50～100mm   85000
  100～200mm   75000
  200～300mm   70000
  300～500mm   50000
  500～800mm   30000
  ＞800mm   10000
表2
  平均气温   作业时间(小时)
  ＜-10℃   15000
  -10～0℃   40000
  0～10℃   75000
  10～30℃   100000
  30～40℃   15000
  ＞40℃   10000
鉴于以上的产品工作地域的工作环境状况和民俗状况对包含该零部件的产品的工作总时间的影响，本发明还提供了另一实施方式。该实施方式大部分都与上述实施方式相同，只是在预测零部件的需求量时，还考虑到了产品工作地域的工作环境状况和民俗状况对包含该零部件的产品的工作总时间的影响。
如图3所示，本发明的另一实施方式的零部件市场供应量预测装置200包括：输入单元21，用于输入具有零部件的所有产品对应于以往的每个单位时间段的各实际工作总时间和所消耗掉的各零部件数量、零部件的理想使用寿命、以往的每个单位时间段的各环境状况信息；工作总时间预测单元22，其根据输入单元21输入的各实际工作总时间，预测所有产品在以往的各单位时间段和预测单位时间段的预测工作总时间；环境状况信息预测单元23，其根据输入单元21输入的各环境状况信息，预测在预测单位时间段内的预测环境状况信息；预测工作总时间校正模型建立单元24，其根据输入单元21输入的各实际工作总时间、工作总时间预测单元22输出的以往每个单位时间段的预测工作总时间和各环境状况信息，建立预测工作总时间的校正模型，预测工作总时间校正单元25，其利用预测工作总时间校正模型建立单元24建立的预测工作总时间的校正模型，根据环境状况信息预测单元23输出的预测环境状况信息和工作总时间预测单元22输出的预测单位时间段的所有产品的预测工作总时间，得到预测单位时间段的校正后的预测工作总时间。零部件预测使用寿命预测模型建立单元26，其根据输入单元21输入的零部件的理想使用寿命、各实际工作总时间、所消耗掉的各零部件数量、各环境状况信息，建立零部件预测使用寿命的预测模型；零部件预测使用寿命预测单元27，其利用零部件预测使用寿命预测模型建立单元26输出的零部件预测使用寿命的预测模型，根据输入单元21输入的零部件的理想使用寿命、和环境状况信息预测单元23输出的预测环境状况信息，预测在预测单位时间段内的零部件的预测使用寿命；零部件市场供应量产生单元28，其根据预测工作总时间校正单元25输出的校正后的预测工作总时间，和零部件预测使用寿命预测单元27输出的零部件的预测使用寿命，产生预测单位时间段的零部件市场供应量。
零部件市场供应量预测装置200中的输入单元21、工作总时间预测单元22、环境状况信息预测单元23、零部件预测使用寿命预测模型建立单元26、零部件预测使用寿命预测单元27的结构和功能都与零部件市场供应量预测装置100中的各个对应单元相同，这里就不在赘述，这里仅对预测工作总时间校正模型建立单元24、预测工作总时间校正单元25、零部件市场供应量产生单元28进行说明。
预测工作总时间校正模型建立单元24按照公式(9)建立包含零部件的所有产品在预测单位时间段之前的任一单位时间段的预测工作总时间的校正模型，
T k j = T ^ k j + G k ( e oj , e tj , e rj ) 公式(9)
其中，
Figure BDA0000158255240000192
为将工作总时间预测单元22中的预测月份n由以往的月份j取代而获得的，是工作总时间预测单元22输出的包含零部件k的所有产品在以往的月份j的预测工作总时间，Gk(eoj，etj，erj)是表示环境状况对包含零部件k的所有产品的实际工作总时间的影响的修正函数，通过机器学习的方法来确定。
通过机器学习方法确定预测模型的参数。此处使用的机器学习方法如前，包括支持向量机、神经网络、回归分析方法等，都属于公知的技术或开源的工具，此处不做详细说明。预测工作总时间校正模型建立单元24的学习过程中，分别以工作总时间预测单元22输出的包含零部件k的所有产品在以往的月份j的预测工作总时间、输入单元21输入的月份j的各环境状况信息eoj、etj、erj作为模型输入，以月份j的实际工作总时间，作为模型目标输出，通过观察实际输出与目标输出之间的差，不断调整模型的参数，当差异达到预设要求时，模型的参数为模型学习的输出结果。针对每一求解，都使用多种机器学习方法进行，最终采纳最优的结果。具体来说，以2008年1月的预测工作总时间
Figure BDA0000158255240000201
和eo1、et1、er1作为模型输入，以2008年1月的实际工作总时间为模型目标输出；以2008年2月的预测工作总时间
Figure BDA0000158255240000203
和eo2、et2、er2作为模型输入，以2008年2月的实际工作总时间为模型目标输出；依次类推，以2011年3月的预测工作总时间
Figure BDA0000158255240000205
和eo39、et39、er39作为模型输入，以2011年3月的实际工作总时间
Figure BDA0000158255240000206
为模型目标输出。
Figure BDA0000158255240000207
由工作总时间预测单元22输出的，其中2008年各月的
Figure BDA0000158255240000208
利用2006年和2007年相应月份的产品实际工作总时间数据计算得到；2009年各月的
Figure BDA0000158255240000209
利用2006、2007和2008年相应月份的产品工作总时间数据计算得到；2010年各月的
Figure BDA00001582552400002010
利用2007、2008和2009年相应月份的产品工作总时间数据计算得到；2011年1至3月的
Figure BDA00001582552400002011
利用2008、2009和2010年相应月份的产品工作总时间数据计算得到。月份j的各环境状况信息eoj、etj、erj的含义和取得的方法如上，这里就不再赘述。
预测工作总时间校正单元25，按照公式(10)产生包含零部件的所有产品在预测单位时间段的校正后的预测工作总时间，
T k n = T ^ k n + G k ( e on , e tn , e rn ) 公式(10)
其中，
Figure BDA00001582552400002013
表示包含零部件k的所有产品在预测月份n的校正后的预测工作总时间，Gk(eon，etn，ern)是由环境状况信息预测单元23预测产生的eon、etn、ern取代预测工作总时间校正模型建立单元24确定的Gk(eoj，etj，erj)中的eoj、etj、erj而获得的。
预测工作总时间校正单元25利用预测工作总时间校正模型建立单元24建立的模型，对预测月份n(2011年4月)的产品工作总时间校正。校正过程中，以工作总时间预测单元22输出的2011年4月的预测工作总时间、环境状况信息预测单元23预测产生的eon、etn、ern作为输入数据，输出校正后的2011年4月的预测工作总时间。2011年4月的
Figure BDA00001582552400002014
是由工作总时间预测单元22利用2008、2009和2010年3、4月份的产品实际工作总时间数据和2011年3月的产品实际工作总时间数据计算得到的。eon、etn、ern的取值如上，这里不再赘述。
上述预测工作总时间校正模型建立单元24中，对预测工作总时间进行校正的因素仅是工作环境状况信息。实际上，除了工作环境状况，现地民俗特征也对产品的实际工作总时间存在影响，因此，也可以将现地民俗特征补充到预测工作总时间校正模型建立单元24中。这里的民俗特征信息具体是指产品工作地域的节假日信息，也是由输入单元11输入的。
因此，如上文，预测工作总时间校正模型建立单元24，其根据输入单元21输入的各实际工作总时间、工作总时间预测单元22输出的以往每个单位时间段的预测工作总时间和各环境状况信息，建立预测工作总时间的校正模型，但这里建模所根据的信息是个开放的概念，即除了根据上述信息建模之外，预测工作总时间校正模型建立单元24中，建立预测工作总时间的校正模型所需的信息还可以包括：输入单元21输入的各民俗特征信息。
同样的，预测工作总时间校正单元25，其利用预测工作总时间校正模型建立单元21建立的预测工作总时间的校正模型，根据环境状况信息预测单元23输出的预测环境状况信息和工作总时间预测单元22输出的预测单位时间段的所有产品的预测工作总时间，得到预测单位时间段的校正后的预测工作总时间；这里得到校正后的预测工作总时间所根据的信息也是个开放的概念，即除了根据上述信息预测使用寿命之外，预测工作总时间校正单元25中，得到预测单位时间段的校正后的预测工作总时间所需的信息还可以包括：输入单元21输入的各民俗特征信息。
下面对考虑了工作环境状况和民俗特征的预测工作总时间校正模型建立单元24和预测工作总时间校正单元25进行说明。
预测工作总时间校正模型建立单元24按照公式(11)建立包含零部件的所有产品在预测单位时间段之前的任一单位时间段的预测工作总时间的校正模型，
T k j = T ^ k j + w 1 × G k ( e oj , e tj , e rj ) + w 2 × K k ( r j ) 公式(11)
其中，w1是Gk(eoj，etj，erj)的权重系数。与公式(9)相比，公式(11)增加了Kk(rj)，Kk(rj)是表示民俗特征对包含零部件k的所有产品的实际工作总时间的影响的修正函数，同样是通过机器学习的方法来确定，rj是由输入单元21输入的、表示表示以往的月份j的民俗特征信息的参数，具体来说，本发明中rj是月份j中的实际天数，通过日历及国家公布的节假日安排表得知。w2是Kk(rj)的权重系数。
预测工作总时间校正模型建立单元24建立的校正模型中的参数都是通过机器学习的方法来确定的。如前，此处使用的机器学习方法包括支持向量机、神经网络、回归分析方法等，都属于公知的技术或开源的工具，此处不做详细说明。预测工作总时间校正模型建立单元24的建立过程也如上，仅是模型输入的数据中还增加了月份j中的实际天数。
预测工作总时间校正单元25，按照公式(12)产生包含零部件的所有产品在预测单位时间段的校正后的预测工作总时间，
T k n = T ^ k n + w 1 × G k ( e on , e tn , e rn ) + w 2 × K k ( r n ) 公式(12)
公式(12)中的参数大部分都与公式(10)相同，其含义也是一样的。Kk(rn)是由输入单元21输入的rn取代预测工作总时间校正模型建立单元24确定的Kk(rj)中的rj而获得的，rn是由输入单元21输入的、表示预测月份n的民俗特征信息的参数，n取4时，rn即表示2011年4月的工作日数量。校正过程中，以工作总时间预测单元22输出的2011年4月的预测工作总时间、环境状况信息预测单元23预测产生的eon、etn、ern以及rn作为输入数据，输出校正后的2011年4月的预测工作总时间。
零部件市场供应量产生单元28，按照公式(13)产生任一种零部件的在预测单位时间段的市场供应量
N k n = T k n / L k n 公式(13)
其中，
Figure BDA0000158255240000223
表示零部件k在预测单位时间段n的市场供应量。
Figure BDA0000158255240000224
可以是考虑了环境状况的2011年4月的预测工作总时间，也可以是考虑了环境状况和民俗特征的预测工作总时间。也就是说
Figure BDA0000158255240000225
可以按公式(10)或(12)求出。
Figure BDA0000158255240000226
可以是考虑了环境状况的2011年4月的预测使用寿命，也可以是考虑了环境状况和民俗特征的预测使用寿命。也就是说可以按公式(2)或(4)求出。
本发明另一实施方式的零部件市场供应量预测装置，利用了产品的工作总时间与零部件的寿命的比值与零部件的供应量之间的对应关系，预测零部件市场供应量。预测过程中，采用了一系列的历史数据，包括历史同期的实际工作总时间、以往的零部件的需求量，考虑到了产品工作地域的工作环境状况和民俗状况对零部件的实际使用寿命的影响，还考虑到了产品工作地域的工作环境状况和民俗状况对包含该零部件的所有产品的实际工作时间的影响，可以更加准确的预测各种零部件的需求量。
在本发明的上述的多个实施方式中，考虑到了工作地域的工作环境状况和民俗状况对零部件的实际使用寿命和包含该零部件的所有产品的实际工作时间的影响，建立了包含这些影响因素的修正模型，用以得到准确的预测各种零部件的需求量。但本发明的影响因素并不仅限定于工作环境状况和民俗状况，在产品的实际工作过程中，若发现其他的影响因素也对零部件寿命或工作时间产生影响的话，也可以将这些因素加入到修正模型中，其采用的方法和宗旨是不脱离本发明的范围的。另外，在修正过程中，并不仅限于本发明实施方式的范围内，可以仅对产品工作总时间修正，可以仅对零部件的寿命修正，也可以对二者都进行修正，这主要取决于影响因素对二者的影响程度。而且，修正过程中，采用的影响因素的数量并不仅限于本发明实施方式的范围内，可以包括所有的影响因素，也可以仅包括最重要的影响因素，主要取决于影响因素对二者的影响程度，和计算中的复杂程度。
对本发明的多个实施形态进行了说明，这些实施形态是作为实例而被提出的，其并非用于限定发明的范围。这些新的实施形态能够以其他的各种形态来实施，在不脱离发明的宗旨的范围内，可以进行各种省略、置换、变更。这些实施形态及其变形包含于发明的范围、要旨内的同时，也包含于记载于专利权利要求书的发明及其同等的范围内。

Claims (21)

1.一种零部件市场供应量预测装置，其用于预测零部件在预测单位时间段内的市场供应量，其特征在于，所述装置包括：
输入单元，用于输入具有所述零部件的所有产品对应于以往的每个单位时间段的各实际工作总时间和所消耗掉的各零部件数量、所述零部件的理想使用寿命、以往的每个单位时间段的各环境状况信息；
工作总时间预测单元，其根据所述输入单元输入的所述各实际工作总时间，预测所述预测单位时间段的所有产品的预测工作总时间；
环境状况信息预测单元，其根据所述输入单元输入的所述各环境状况信息，预测在所述预测单位时间段内的预测环境状况信息；
零部件预测使用寿命预测模型建立单元，其根据所述输入单元输入的所述零部件的理想使用寿命、所述各实际工作总时间、所消耗掉的各零部件数量、所述各环境状况信息，建立零部件预测使用寿命的预测模型；
零部件预测使用寿命预测单元，其利用所述零部件预测使用寿命预测模型建立单元输出的所述零部件预测使用寿命的预测模型，根据所述输入单元输入的所述零部件的理想使用寿命、和所述环境状况信息预测单元输出的预测环境状况信息，预测在所述预测单位时间段内的零部件的预测使用寿命；
零部件市场供应量产生单元，其根据所述工作总时间预测单元输出的所述预测工作总时间，和所述零部件预测使用寿命预测单元输出的所述零部件的预测使用寿命，产生所述预测单位时间段的零部件的市场供应量。
2.如权利要求1所述的装置，其特征在于，
所述输入单元进一步输入各民俗特征信息，
所述零部件预测使用寿命预测模型建立单元中，建立零部件预测使用寿命的预测模型所需的信息还包括：所述输入单元输入的各民俗特征信息，
所述零部件预测使用寿命预测单元中，预测在所述预测单位时间段内的零部件的预测使用寿命所需的信息还包括：所述输入单元输入的各民俗特征信息。
3.如权利要求1所述的装置，其特征在于，
所述零部件预测使用寿命预测模型建立单元，按照公式(1)建立任一种零部件在所述预测单位时间段之前的任一单位时间段的预测使用寿命的预测模型，
Figure FDA0000158255230000021
公式(1)
其中，
Figure FDA0000158255230000022
表示所述零部件k在以往的单位时间段j的实际使用寿命，j为自然数[1、2、3…]，
Figure FDA0000158255230000023
表示所述输入单元输入的包含所述零部件k的所有产品在以往的单位时间段j的实际工作总时间，
Figure FDA0000158255230000024
表示所述输入单元输入的以往的单位时间段j中消耗掉的所述零部件k的数量，
Figure FDA0000158255230000025
表示所述输入单元输入的所述零部件k的理想使用寿命，Pk(eoj，etj，erj)是表示环境状况对所述零部件k的实际使用寿命的影响的修正函数，通过机器学习的方法来确定，eoj、etj、erj是由所述输入单元输入的，eoj是表示以往的单位时间段j的产品工作对象的特性o的参数、etj是表示以往的单位时间段j的产品工作地域的气候温度t的参数、erj是表示以往的单位时间段j的产品工作地域的气候降雨量r的参数。
4.如权利要求3所述的装置，其特征在于，
零部件预测使用寿命预测单元，按照公式(2)产生任一种零部件在所述预测单位时间段的预测使用寿命，
Figure FDA0000158255230000026
公式(2)
其中，
Figure FDA0000158255230000027
表示所述零部件k在所述预测单位时间段n的预测使用寿命，Pk(eon，etn，ern)是由所述环境状况信息预测单元预测产生的eon、etn、ern取代所述零部件预测使用寿命预测模型建立单元确定的Pk(eoj，etj，erj)中的eoj、etj、erj而获得的，eon是表示所述预测单位时间段n的产品工作对象的特性o的参数、etn是表示所述预测单位时间段n的工作地域的气候温度t的参数、ern是表示所述预测单位时间段n的工作地域的气候降雨量r的参数。
5.如权利要求2所述的装置，其特征在于，
所述零部件预测使用寿命预测模型建立单元，按照公式(3)建立任一种零部件在所述预测单位时间段之前的任一单位时间段的预测使用寿命的预测模型，
Figure FDA0000158255230000028
公式(3)
其中，
Figure FDA0000158255230000031
表示所述零部件k在以往的单位时间段j的实际使用寿命，j为自然数[1、2、3…]，表示所述输入单元输入的包含所述零部件k的所有产品在以往的单位时间段j的实际工作总时间，表示所述输入单元输入的以往的单位时间段j中消耗掉的所述零部件k的数量，
Figure FDA0000158255230000034
表示所述输入单元输入的所述零部件k的理想使用寿命，Pk(eoj，etj，erj)是表示环境状况对所述零部件k的实际使用寿命的影响的修正函数，通过机器学习的方法来确定，eoj、etj、erj是由所述输入单元输入的，eoj是表示以往的单位时间段j的产品工作对象的特性o的参数、etj是表示以往的单位时间段j的产品工作地域的气候温度t的参数、erj是表示以往的单位时间段j的产品工作地域的气候降雨量r的参数，wt是Pk(eoj，etj，erj)的权重系数，Qk(rj)是表示民俗特种对所述零部件k的实际使用寿命的影响的修正函数，通过机器学习的方法来确定，rj是由所述输入单元输入的、表示表示以往的单位时间段j的民俗特征信息的参数，wr是Qk(rj)的权重系数。
6.如权利要求5所述的装置，其特征在于，
零部件预测使用寿命预测单元，按照公式(4)产生任一种零部件在所述预测单位时间段的预测使用寿命，
Figure FDA0000158255230000035
公式(4)
其中，
Figure FDA0000158255230000036
表示所述零部件k在所述预测单位时间段n的预测使用寿命，Pk(eon，etn，ern)是由所述环境状况信息预测单元预测产生的eon、etn、ern取代所述零部件预测使用寿命预测模型建立单元确定的Pk(eoj，etj，erj)中的eoj、etj、erj而获得的，eon是表示所述预测单位时间段n的产品工作对象的特性o的参数、etn是表示所述预测单位时间段n的工作地域的气候温度t的参数、ern是表示所述预测单位时间段n的工作地域的气候降雨量r的参数，Qk(rn)是由所述输入单元输入的rn取代所述零部件预测使用寿命预测模型建立单元确定的Qk(rj)中的rj而获得的，rn是由所述输入单元输入的、表示所述预测单位时间段n的民俗特征信息的参数。
7.如权利要求4或6所述的装置，其特征在于，
所述工作总时间预测单元包括如下三个单元：
实际工作总时间变化率产生单元，其按照公式(5)计算包含所述零部件的所有产品在与预定时间周期中任一预测单位时间段同期的以往的任一单位时间段的实际工作总时间变化率，
Figure FDA0000158255230000041
公式(5)
其中，
Figure FDA0000158255230000042
表示包含所述零部件k的所有产品在与预测单位时间段n同期的以往的第i个单位时间段的实际工作总时间变化率，
Figure FDA0000158255230000043
表示包含所述零部件k的所有产品在与预测单位时间段n同期的以往的第i个单位时间段的实际工作总时间，
Figure FDA0000158255230000044
表示包含所述零部件k的所有产品在与预测单位时间段n相接的前一单位时间段n-1同期的以往的第i个单位时间段的实际工作总时间，i和n分别为自然数[1、2、3…]，k是某种零部件的代码；
平均实际工作总时间变化率产生单元，其按照公式(6)计算包含所述零部件k的所有产品在与预测单位时间段n同期的以往的所有单位时间段的平均实际工作总时间变化率，
Figure FDA0000158255230000045
公式(6)
其中，
Figure FDA0000158255230000046
表示包含所述零部件k的所有产品在与预测单位时间段n同期的以往的所有单位时间段的平均实际工作总时间变化率，S表示从产品初次投放市场起至预测单位时间段所在时间周期前的各时间周期中、与预测单位时间段同期的单位时间段的数量；
预测工作总时间产生单元，其按照公式(7)产生包含所述零部件k的所有产品在所述预测单位时间段内的预测工作总时间，
Figure FDA0000158255230000047
公式(7)
其中，
Figure FDA0000158255230000048
表示包含所述零部件k的所有产品在所述预测单位时间段n的预测工作总时间，
Figure FDA0000158255230000049
表示包含所述零部件k的所有产品在与所述预测单位时间段n相接的前一个单位时间段n-1的实际工作总时间。
8.如权利要求7所述的装置，其特征在于，
所述零部件市场供应量产生单元，按照公式(8)产生任一种零部件在所述预测时间段的市场供应量
N k n = T ^ k n / L k n 公式(8)
其中，
Figure FDA00001582552300000411
表示所述零部件k在所述预测单位时间段n的市场供应量。
9.一种零部件市场供应量预测装置，其用于预测零部件在预测单位时间段内的市场供应量，其特征在于，所述装置包括：
输入单元，用于输入具有所述零部件的所有产品对应于以往的每个单位时间段的各实际工作总时间和所消耗掉的各零部件数量、所述零部件的理想使用寿命、以往的每个单位时间段的各环境状况信息；
工作总时间预测单元，其根据所述输入单元输入的所述各实际工作总时间，预测所有产品在以往的各单位时间段和所述预测单位时间段的预测工作总时间；
环境状况信息预测单元，其根据所述输入单元输入的所述各环境状况信息，预测在所述预测单位时间段内的预测环境状况信息；
预测工作总时间校正模型建立单元，其根据所述输入单元输入的所述各实际工作总时间、所述工作总时间预测单元输出的以往每个单位时间段的预测工作总时间和所述各环境状况信息，建立预测工作总时间的校正模型；
预测工作总时间校正单元，其利用所述预测工作总时间校正模型建立单元建立的预测工作总时间的校正模型，根据所述环境状况信息预测单元输出的预测环境状况信息和所述工作总时间预测单元输出的所述预测单位时间段的所有产品的预测工作总时间，得到所述预测单位时间段的校正后的预测工作总时间；
零部件预测使用寿命预测模型建立单元，其根据所述输入单元输入的所述零部件的理想使用寿命、所述各实际工作总时间、所消耗掉的各零部件数量、所述各环境状况信息，建立零部件预测使用寿命的预测模型；
零部件预测使用寿命预测单元，其利用所述零部件预测使用寿命预测模型建立单元输出的所述零部件预测使用寿命的预测模型，根据所述输入单元输入的所述零部件的理想使用寿命、和所述环境状况信息预测单元输出的预测环境状况信息，预测在所述预测单位时间段内的零部件的预测使用寿命；
零部件市场供应量产生单元，其根据所述预测工作总时间校正单元输出的所述校正后的预测工作总时间，和所述零部件预测使用寿命预测单元输出的所述零部件的预测使用寿命，产生所述预测单位时间段的零部件市场供应量。
10.如权利要求9所述的装置，其特征在于，
所述输入单元进一步输入各民俗特征信息，
所述零部件预测使用寿命预测模型建立单元中，建立零部件预测使用寿命的预测模型所需的信息还包括：所述输入单元输入的各民俗特征信息，
所述零部件预测使用寿命预测单元中，预测在所述预测单位时间段内的零部件的预测使用寿命所需的信息还包括：所述输入单元输入的各民俗特征信息。
11.如权利要求9所述的装置，其特征在于，
所述零部件预测使用寿命预测模型建立单元，按照公式(1)建立任一种零部件在所述预测单位时间段之前的任一单位时间段的预测使用寿命的预测模型，
Figure FDA0000158255230000061
公式(1)
其中，表示所述零部件k在以往的单位时间段j的实际使用寿命，j为自然数[1、2、3…]，表示所述输入单元输入的包含所述零部件k的所有产品在以往的单位时间段j的实际工作总时间，
Figure FDA0000158255230000064
表示所述输入单元输入的以往的单位时间段j中消耗掉的所述零部件k的数量，
Figure FDA0000158255230000065
表示所述输入单元输入的所述零部件k的理想使用寿命，Pk(eoj，etj，erj)是表示环境状况对所述零部件k的实际使用寿命的影响的修正函数，通过机器学习的方法来确定，eoj、etj、erj是由所述输入单元输入的，eoj是表示以往的单位时间段j的产品工作对象的特性o的参数、etj是表示以往的单位时间段j的工作地域的气候温度t的参数、erj是表示以往的单位时间段j的工作地域的气候降雨量r的参数。
12.如权利要求11所述的装置，其特征在于，
零部件预测使用寿命预测单元，按照公式(2)产生零部件在所述预测单位时间段的预测使用寿命，
公式(2)
其中，
Figure FDA0000158255230000067
表示所述零部件k在所述预测单位时间段n的预测使用寿命，Pk(eon，etn，ern)是由所述环境状况信息预测单元预测产生的eon、etn、ern取代所述零部件预测使用寿命预测模型建立单元确定的Pk(eoj，etj，erj)中的eoj、etj、erj而获得的，eon是表示所述预测单位时间段n的产品工作对象的特性o的参数、etn是表示所述预测单位时间段n的工作地域的气候温度t的参数、ern是表示所述预测单位时间段n的工作地域的气候降雨量r的参数。
13.如权利要求10所述的装置，其特征在于，
所述零部件预测使用寿命预测模型建立单元，按照公式(3)建立任一种零部件在所述预测单位时间段之前的任一单位时间段的预测使用寿命的预测模型，
Figure FDA0000158255230000071
公式(3)
其中，
Figure FDA0000158255230000072
表示所述零部件k在以往的单位时间段j的实际使用寿命，j为自然数[1、2、3…]，
Figure FDA0000158255230000073
表示所述输入单元输入的包含所述零部件k的所有产品在以往的单位时间段j的实际工作总时间，
Figure FDA0000158255230000074
表示所述输入单元输入的以往的单位时间段j中消耗掉的所述零部件k的数量，
Figure FDA0000158255230000075
表示所述输入单元输入的所述零部件k的理想使用寿命，Pk(eoj，etj，erj)是表示环境状况对所述零部件k的实际使用寿命的影响的修正函数，通过机器学习的方法来确定，eoj、etj、erj是由所述输入单元输入的，eoj是表示以往的单位时间段j的产品工作对象的特性o的参数、etj是表示以往的单位时间段j的工作地域的气候温度t的参数、erj是表示以往的单位时间段j的工作地域的气候降雨量r的参数，wt是Pk(eoj，etj，erj)的权重系数，Qk(rj)是表示民俗特种对所述零部件k的实际使用寿命的影响的修正函数，通过机器学习的方法来确定，rj是由所述输入单元输入的、表示表示以往的单位时间段j的民俗特征信息的参数，wr是Qk(rj)的权重系数。
14.如权利要求13所述的装置，其特征在于，
零部件预测使用寿命预测单元，按照公式(4)产生任一种零部件在所述预测单位时间段的预测使用寿命，
Figure FDA0000158255230000076
公式(4)
其中，
Figure FDA0000158255230000077
表示所述零部件k在所述预测单位时间段n的预测使用寿命，Pk(eon，etn，ern)是由所述环境状况信息预测单元预测产生的eon、etn、ern取代所述零部件预测使用寿命预测模型建立单元确定的Pk(eoj，etj，erj)中的eoj、etj、erj而获得的，eon是表示所述预测单位时间段n的产品工作对象的特性o的参数、etn是表示所述预测单位时间段n的工作地域的气候温度t的参数、ern是表示所述预测单位时间段n的工作地域的气候降雨量r的参数，Qk(rn)是由所述输入单元输入的rn取代所述零部件预测使用寿命预测模型建立单元确定的Qk(rj)中的rj而获得的，rn是由所述输入单元输入的、表示所述预测单位时间段n的民俗特征信息的参数。
15.如权利要求12或14所述的装置，其特征在于，
所述工作总时间预测单元包括如下三个单元：
实际工作总时间变化率产生单元，其按照公式(5)计算包含所述零部件k的所有产品在与预定时间周期中任一预测单位时间段同期的以往的任一单位时间段的实际工作总时间变化率，
Figure FDA0000158255230000081
公式(5)
其中，
Figure FDA0000158255230000082
表示包含所述零部件k的所有产品在与预测单位时间段n同期的以往的第i个单位时间段的实际工作总时间变化率，
Figure FDA0000158255230000083
表示包含所述零部件k的所有产品在与预测单位时间段n同期的以往的第i个单位时间段的实际工作总时间，表示包含所述零部件k的所有产品在与预测单位时间段n相接的前一单位时间段n-1的同期的以往的第i个单位时间段的实际工作总时间，i和n分别为自然数[1、2、3…]，k是某种零部件的代码；
平均实际工作总时间变化率产生单元，其按照公式(6)计算包含所述零部件k的所有产品在与预测单位时间段n同期的以往的所有单位时间段的平均实际工作总时间变化率，
Figure FDA0000158255230000085
公式(6)
其中，
Figure FDA0000158255230000086
表示包含所述零部件k的所有产品在与预测单位时间段n同期的以往的所有单位时间段的平均实际工作总时间变化率，S表示从产品初次投放市场起至预测单位时间段所在时间周期前的各时间周期中、与预测单位时间段同期的单位时间段的数量；
预测工作总时间产生单元，其按照公式(7)产生包含所述零部件k的所有产品在所述预测单位时间段内的预测工作总时间，
Figure FDA0000158255230000087
公式(7)
其中，表示包含所述零部件k的所有产品在所述预测单位时间段n的预测工作总时间，
Figure FDA0000158255230000089
表示包含所述零部件k的所有产品在与所述预测单位时间段n相接的前一个单位时间段n-1的实际工作总时间。
16.如权利要求15所述的装置，其特征在于，
所述预测工作总时间校正模型建立单元按照公式(9)建立包含所述零部件的所有产品在所述预测单位时间段之前的任一单位时间段的预测工作总时间的校正模型，
T k j = T ^ k j + G k ( e oj , e tj , e rj ) 公式(9)
其中，
Figure FDA0000158255230000092
为将所述工作总时间预测单元中的所述预测单位时间段n由以往的单位时间段j取代而获得的，是所述工作总时间预测单元输出的包含所述零部件k的所有产品在以往的单位时间段j的预测工作总时间，Gk(eoj，etj，erj)是表示环境状况对包含所述零部件k的所有产品的实际工作总时间的影响的修正函数，通过机器学习的方法来确定。
17.如权利要求16所述的装置，其特征在于，
预测工作总时间校正单元，按照公式(10)产生包含所述零部件的所有产品在所述预测单位时间段的校正后的预测工作总时间，
T k n = T ^ k n + G k ( e on , e tn , e rn ) 公式(10)
其中，
Figure FDA0000158255230000094
表示包含所述零部件k的所有产品在所述预测单位时间段n的校正后的预测工作总时间，Gk(eon，etn，ern)是由所述环境状况信息预测单元预测产生的eon、etn、ern取代所述预测工作总时间校正模型建立单元确定的Gk(eoj，etj，erj)中的eoj、etj、erj而获得的。
18.如权利要求15所述的装置，其特征在于，
所述预测工作总时间校正模型建立单元中，建立预测工作总时间的校正模型所需的信息还包括：所述输入单元输入的各民俗特征信息，
预测工作总时间校正单元中，得到所述预测单位时间段的校正后的预测工作总时间所需的信息还包括：所述输入单元输入的各民俗特征信息，
19.如权利要求18所述的装置，其特征在于，
所述预测工作总时间校正模型建立单元按照公式(11)建立包含所述零部件的所有产品在所述预测单位时间段之前的任一单位时间段的预测工作总时间的校正模型，
T k j = T ^ k j + w 1 × G k ( e oj , e tj , e rj ) + w 2 × K k ( r j ) 公式(11)
其中，
Figure FDA0000158255230000096
为将所述工作总时间预测单元中的所述预测单位时间段n由以往的单位时间段j取代而获得的，是所述工作总时间预测单元输出的包含所述零部件k的所有产品在以往的单位时间段j的预测工作总时间，Gk(eoj，etj，erj)是表示环境状况对包含所述零部件k的所有产品的实际工作总时间的影响的修正函数，通过机器学习的方法来确定，w1是Gk(eoj，etj，erj)的权重系数，Kk(rj)是表示民俗特征对包含所述零部件k的所有产品的实际工作总时间的影响的修正函数，w2是Kk(rj)的权重系数。
20.如权利要求19所述的装置，其特征在于，
预测工作总时间校正单元，按照公式(12)产生包含所述零部件的所有产品在所述预测单位时间段的校正后的预测工作总时间，
T k n = T ^ k n + w 1 × G k ( e on , e tn , e rn ) + w 2 × K k ( r n ) 公式(12)
其中，
Figure FDA0000158255230000102
表示包含所述零部件k的所有产品在所述预测单位时间段n的校正后的预测工作总时间，Gk(eon，etn，ern)是由所述环境状况信息预测单元预测产生的eon、etn、ern取代所述预测工作总时间校正模型建立单元确定的Gk(eoj，etj，erj)中的eoj、etj、erj而获得的，Kk(rn)是由所述输入单元输入的rn取代所述预测工作总时间校正模型建立单元确定的Kk(rj)中的rj而获得的。
21.如权利要求17或20所述的装置，其特征在于，
所述零部件市场供应量产生单元，按照公式(13)产生任一种零部件的在所述预测单位时间段的市场供应量
N k n = T k n / L k n 公式(13)
其中，
Figure FDA0000158255230000104
表示所述零部件k在所述预测单位时间段n的市场供应量。
CN201210128800.2A 2012-04-27 2012-04-27 零部件市场供应量预测装置 Withdrawn - After Issue CN103377399B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210128800.2A CN103377399B (zh) 2012-04-27 2012-04-27 零部件市场供应量预测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210128800.2A CN103377399B (zh) 2012-04-27 2012-04-27 零部件市场供应量预测装置

Publications (2)

Publication Number Publication Date
CN103377399A true CN103377399A (zh) 2013-10-30
CN103377399B CN103377399B (zh) 2016-03-30

Family

ID=49462477

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210128800.2A Withdrawn - After Issue CN103377399B (zh) 2012-04-27 2012-04-27 零部件市场供应量预测装置

Country Status (1)

Country Link
CN (1) CN103377399B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460495A (zh) * 2018-03-28 2018-08-28 联想(北京)有限公司 一种数据处理方法及装置
CN109740814A (zh) * 2018-12-29 2019-05-10 联想(北京)有限公司 预测方法、装置及电子设备
CN109741083A (zh) * 2018-11-29 2019-05-10 杭州览众数据科技有限公司 一种基于企业mrp的物料需求加权预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1324251A2 (en) * 2001-12-28 2003-07-02 Kabushiki Kaisha Toshiba Environmental impact estimation method and apparatus
CN101393079A (zh) * 2008-11-06 2009-03-25 上海交通大学 汽车车身结构疲劳寿命预测系统
US20090259507A1 (en) * 2005-09-30 2009-10-15 Hirobumi Miwa Working Machine Maintenance Work Management System
CN102402727A (zh) * 2011-11-10 2012-04-04 中联重科股份有限公司 工程机械的部件剩余寿命预测系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1324251A2 (en) * 2001-12-28 2003-07-02 Kabushiki Kaisha Toshiba Environmental impact estimation method and apparatus
US20090259507A1 (en) * 2005-09-30 2009-10-15 Hirobumi Miwa Working Machine Maintenance Work Management System
CN101393079A (zh) * 2008-11-06 2009-03-25 上海交通大学 汽车车身结构疲劳寿命预测系统
CN102402727A (zh) * 2011-11-10 2012-04-04 中联重科股份有限公司 工程机械的部件剩余寿命预测系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘德顺等: "机电产品零配件需求预测与供应策略", 《中国机械工程》 *
刘德顺等: "面向产品市场周期的配件需求供应策略", 《湖南科技大学学报（自然科学版）》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460495A (zh) * 2018-03-28 2018-08-28 联想(北京)有限公司 一种数据处理方法及装置
CN108460495B (zh) * 2018-03-28 2020-12-18 联想(北京)有限公司 一种数据处理方法及装置
CN109741083A (zh) * 2018-11-29 2019-05-10 杭州览众数据科技有限公司 一种基于企业mrp的物料需求加权预测方法
CN109741083B (zh) * 2018-11-29 2020-09-11 杭州览众数据科技有限公司 一种基于企业mrp的物料需求加权预测方法
CN109740814A (zh) * 2018-12-29 2019-05-10 联想(北京)有限公司 预测方法、装置及电子设备

Also Published As

Publication number Publication date
CN103377399B (zh) 2016-03-30

Similar Documents

Publication Publication Date Title
Wang et al. Forecasting energy demand in China and India: Using single-linear, hybrid-linear, and non-linear time series forecast techniques
Zheng et al. Forecasting the hydroelectricity consumption of China by using a novel unbiased nonlinear grey Bernoulli model
Ahmed et al. An intelligent framework for short-term multi-step wind speed forecasting based on Functional Networks
Zografidou et al. Optimal design of the renewable energy map of Greece using weighted goal-programming and data envelopment analysis
KR102544233B1 (ko) 태양광 발전의 출력 예측 불확실성 및 간헐성 보상 방법 및 장치
Setiawan et al. The use of Triple Exponential Smoothing Method (Winter) in forecasting passenger of PT Kereta Api Indonesia with optimization alpha, beta, and gamma parameters
Hsin et al. Application of game theory on parameter optimization of the novel two-stage Nash nonlinear grey Bernoulli model
CN103377399A (zh) 零部件市场供应量预测装置
Asrari et al. Application of Gray-fuzzy-Markov chain method for day-ahead electric load forecasting
Sapnken et al. Improving electricity demand forecasting accuracy: a novel grey-genetic programming approach using GMC (1, N) and residual sign estimation
Valero et al. Comparative analysis of self organizing maps vs. multilayer perceptron neural networks for short-term load forecasting
CN110991698B (zh) 基于混合处理的季节性交通流灰色预测方法
Grimaccia et al. Neural networks as decision making support system for hydroelectric power plant
Ekhosuehi et al. IN NIGERIA
Zhou et al. Forecasting daily gas load with OIHF-Elman neural network
JPWO2019198122A1 (ja) エネルギー効率評価装置
Uher et al. Forecasting electricity consumption in Czech Republic
Ajbar et al. Water demand prediction for touristic Mecca city in Saudi Arabia using neural networks
Zhang et al. Integrated uncertain models for runoff forecasting and crop planting structure optimization of the Shiyang River Basin, north-west China
Ziaee et al. The Effects of Adaptation Strategies on Water Resources Management in Mashhad Plain: The Application of Hydro-economic-behavioural Modeling
Boopathi A et al. Forecasting the Generation and Consumption of Electricity and Water in Kingdom of Bahrain using Grey Models
Defilippo et al. Short-term load forecasting by artificial neural networks specified by genetic algorithms–a simulation study over a Brazilian dataset
Khourchid et al. National-level resilience: Innovative framework for Energy-Water-Food nexus evaluation
Jung et al. Natural gas demand forecasting based on a subdivided forecasting model and rule-based calibration
Dikbaş Frequency Based Prediction of Büyük Menderes Flows

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
AV01 Patent right actively abandoned

Granted publication date: 20160330

Effective date of abandoning: 20211125

AV01 Patent right actively abandoned

Granted publication date: 20160330

Effective date of abandoning: 20211125

AV01 Patent right actively abandoned
AV01 Patent right actively abandoned