CN106600032A - 一种库存物资需求预测方法及装置 - Google Patents

Abstract

本发明公开了一种库存物资需求预测方法及装置，所述方法包括：根据初始的投资计划，获取每个项目中的计划投资额以及每个项目对应的工程属性；根据每个项目对应的工程属性获取每个项目所包含的物资小类，查找预设的物资小类和工程属性与预测模型的对应关系列表，得到每个物资小类所对应的预测模型；将计划投资额分别输入相应物资小类对应的预测模型中，计算得到每个项目中的每个物资小类的预测需求量；将每个物资小类在不同项目中的预测需求量相加，计算得到每个物资小类的总预测需求量。所述库存物资需求预测方法及装置通过针对每个项目下的不同物资小类均预先构建出对应的预测模型，能够提高库存物资预测的效率和准确性。

Description

一种库存物资需求预测方法及装置

技术领域

本发明涉及物资需求预测技术领域，特别是指一种库存物资需求预测方法及装置。

背景技术

对于许多大型的公司、单位或者部门来说，由于大型项目需求的物资较多且种类繁多，当项目真正需要开始的时候必须保证物资的齐全。一方面，这就需要相关的库存部门能够提前采购并且存储相应的物资，否则将会导致项目前期大量的时间浪费在物资采购上，延误工程进度和效率。另一方面，库存物资若是采购过多、过早将占用较大的资金成本，采购过少、过晚会影响项目物资供应的保障能力，也会不利于项目的进度。因此，在年初的投资计划预下达时，根据有限的项目信息对该年度的物资需求的种类、数量做出较为准确的预测是协议库存物资需求预测的一个技术难题。

现有用来对协议库存物资需求数量进行预测的常用方法有以下两种：

(1)因素分析法：该方法的原理大致是根据项目实质内容相关的因素去预测物资的需求。该方法造成需求预测不准确的主要原因有两个：第一，编制需求预测时待建设的项目不确定，项目管理部门在提报协议库存需求预测时，往往只有一个初步的投资计划或者综合计划下达后的项目清单，与日后实际实施的项目有较大的出入。而物资需求又与将实施的项目密切相关，因此在不完全确定未来要建设的项目情况下业务部门难以提出准确预测。第二，预测的方法待提高，项目管理部门在进行协议库存需求预测时，详细工程设计尚未完成，主要预测方法是相关专业人员参考历史数据、根据个人经验提出需求预测。该方法受制于不同业务人员的业务经验及个人能力，随意性较大，进而造成预测精度不够准确。同时，从综合计划下达后到要求提报需求预测往往不到时间较短，而配网项目众多，因此工作时间紧、任务重的现状进一步降低了预测的精确度。因此，因素分析法对于项目清单不确定的业务现状的解决办法不多，在实际使用中仍受制于计划编写的准确性。同时，该方法需要项目在ERP建项中、在编制投资计划时已经有较为明确项目属性，而非以一个项目包进行管理。因此，当实际业务管理达不到要求时，该方法难以给出较高的准确率。

(2)时间序列法：根据协议库存相应物料在历史上每月的领料记录得出其在时间上的变化规律，结合每年的综合计划投资金额，各项目类型的投资金额等因素对未来需求变化情况进行预测。由此，时间序列分析无法提炼精确的项目关键信息，导致因素分析法无法使用时，时间序列分析可以较快地部署实施，起到一定预测的作用。然而由于缺少对物资需求预测的相关影响因素的分析，在预测准确度上整体表现不会太好。同时鉴于一些特殊库存实时期限的不同，例如：国网的某些配网协议库存仅实施3年，同时这些期间采购范围、物料编码也有较大变化，导致实际进行预测时数据量较少，进一步降低预测精度。

以国家电网中相关物资计划为例，国网电力农配网物资计划管理业务面临以下挑战：项目设计信息滞后，完全依据项目设计信息形成后再进行物资需求预测，无法确保现场供货的时效性；年初预下达的投资计划信息与实际项目信息有时存在差异，增加了物资需求预测的难度；农配网项目政府投资日益增多，临时增加的政府项目对物资需求预测业务形成干扰；农配网项目建设时间较为集中，需求申报较为集中，部分供应商产能不足，供货周期较长；ERP系统对于同一地区、同一项目物资配套匹配支撑不足，需要进行手工匹配操作，工作量大、效率低且易出错。

因此，在实现本发明的过程中，发明人发现现有技术中库存物资的预测不仅准确性较低，而且预测的效率低下。

发明内容

有鉴于此，本发明的目的在于提出一种库存物资需求预测方法及装置，能够提高库存物资预测的效率和准确性。

基于上述目的本发明提供的库存物资需求预测方法，包括：

根据初始的投资计划，获取每个项目中的计划投资额以及每个项目对应的工程属性；

根据每个项目对应的工程属性获取每个项目所包含的物资小类，查找预设的物资小类和工程属性与预测模型的对应关系列表，得到每个项目所包含的每个物资小类所对应的预测模型；

将获取的每个项目中的计划投资额分别输入相应项目所包含的每个物资小类对应的预测模型中，计算得到每个项目中的每个物资小类的预测需求量；

将每个物资小类在不同项目中的预测需求量相加，计算得到每个物资小类的总预测需求量。

可选的，所述计算得到每个物资小类的总预测需求量的步骤之后还包括：

根据每个物资小类的历史价格，按照预设算法计算得到每个物资小类的预测价格；

将每个物资小类的总预测需求量与对应的预测价格相乘，得到每个物资小类的采购资金需求；

将所有物资小类的采购资金需求相加，得到库存物资总的采购资金需求。

可选的，所述预设算法包括：均价算法、趋势算法、权值算法；

所述均价算法为，将一定时间内历史价格的平均值作为预测价格；

所述趋势算法为，根据历史价格数据推导得到价格趋势，进而按照价格趋势推导得到预测价格；

所述权值算法为，选定与价格相关的影响因素，根据价格历史数据计算得到不同影响因素的权重，再将当前时间的影响因素值与相应的权重相乘，计算得到当前时间的预测价格。

可选的，所述物资小类和工程属性与预测模型的对应关系列表的构建方法包括：

采用线性回归分析模型推导得到不同的预测模型；

将不同物资小类在不同的工程属性条件下的历史数据与所有预测模型分别进行线性拟合，得到不同工程属性条件下不同物资小类与不同预测模型的拟合度；

选出拟合度最高的那一个作为对应物资小类和工程属性的预测模型；

列举出所有物资小类和工程属性与预测模型的对应关系，得到物资小类和工程属性与预测模型的对应关系列表。

可选的，所述预测模型包括：均值模型、线性回归模型、多项式模型、幂回归模型、指数回归模型、对数回归模型：其中，

均值模型的计算公式为：y_ij＝β_ij·x_ij；

线性回归模型的计算公式为：y_ij＝β_ij·x_ij+α_ij；

多项式模型的计算公式为：

幂回归模型的计算公式为：

指数回归模型的计算公式为：

对数回归模型的计算公式为：y_ij＝β_ij·ln(x_ij)+α_ij；

其中，i为物资小类的编号；j为工程属性的编号；ij为一个预测单元编号，表示物资小类i在工程属性j条件下的集合；x_ij为预测单元ij集合中，工程项目的计划投资额；yi_j为预测单元ij集合中，工程项目中物资小类i领用的数量；α_ij、β_ij、γ_ij均为预测单元ij的预测模型参数。

可选的，所述预测模型参数的计算方法为：

获取不同物资小类在不同的工程属性条件下的历史数据，其中所述历史数据包括计划投资额和物资小类领用数量；

根据物资小类和工程属性与预测模型的对应关系列表，得到符合当前预测模型的历史数据；

将历史数据作为已知量，预测模型参数作为未知量，得到参数计算公式；

将物资小类的历史数据带入参数计算公式中，计算得到预测模型参数。

可选的，所述预测模型还包括时间权重和\或要素权重；

其中，所述时间权重为不同时间段对物资需求量的影响程度，所述时间权重根据物资需求的历史数据计算得到；

所述要素权重为与物资相关的影响要素对物资需求量的影响程度，所述要素权重根据物资需求的历史数据计算得到。

本发明还提供了一种库存物资需求预测装置，包括：

初始数据获取模块，用于根据初始的投资计划，获取每个项目中的计划投资额以及每个项目对应的工程属性；

预测模型获取模块，用于根据每个项目对应的工程属性获取每个项目所包含的物资小类，查找预设的物资小类和工程属性与预测模型的对应关系列表，得到每个项目所包含的每个物资小类所对应的预测模型；

预测模型计算模块，用于将获取的每个项目中的计划投资额分别输入相应项目所包含的每个物资小类对应的预测模型中，计算得到每个项目中的每个物资小类的预测需求量；

物资需求计算模块，用于将每个物资小类在不同项目中的预测需求量相加，计算得到每个物资小类的总预测需求量。

从上面所述可以看出，本发明提供的库存物资需求预测方法及装置，基于每个项目的工程属性以及项目中包含的物资小类的不同，针对每个项目下的不同物资小类均预先构建出对应的预测模型，然后通过在初始投资计划中就能明确获取的计划投资额作为输入项，输入到预测模型中，进而得到每个项目中不同物资小类的预测需求量，最后通过统计所有项目中的物资小类能够得到整个库存所需物资的总预测需求量。本发明所述的预测方法以历史数据为样本，依据拟合度最优原则选择对应的预测模型，实现了预测不同工程属性条件下投资规模对物资小类需求数量的影响，使基于业务人员的主观经验预测变为基于历史数据的客观经验预测，从而提高了库存物资需求的预见性、准确性和及时性，减少了预测的随意性，最终提高了物资保障水平，规避市场价格波动和库存风险。

附图说明

图1为本发明提供的库存物资需求预测方法的一个实施例的流程图；

图2为本发明提供的库存物资需求预测方法的另一个实施例的流程图；

图3为本发明提供的库存物资需求预测装置的一个实施例的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。

本发明实施例基于现有的库存物资预测时，通常采用的因素分析法和时间序列法中存在的缺陷，从项目出发，更好地掌握对物资需求的关键影响，用量化方法代替人员个人经验做出预测，从而整体上给出更加准确的需求预测。具体的，从对物资需求预测的最直接影响因素，即待建设项目本身出发，抽取历史协议库存物资的领用记录以及相关项目信息，通过机器学习的方法构建预测模型，挖掘分析每个项目的电压等级、项目类型、所属地区、投资规模等不同特性的变化对协议库存需求的影响。同时考虑到进行需求预测时的计划清单与最终实际建设的项目存在一定出入，综合分析投资计划与实际建设项目关系，并以此优化调整模型参数。

参照图1所示，为本发明提供的库存物资需求预测方法的一个实施例的流程图。所述库存物资需求预测方法包括：

步骤101，根据初始的投资计划，获取每个项目中的计划投资额以及每个项目对应的工程属性；其中，所述初始投资计划是指在进行库存物资需求预测之前就能够根据大致的投资意向首先确定的初步计划，可以没有具体的项目内容。并且这里所述的投资计划并不是仅仅指单个的投资计划，而是代表与库存物资相关联的所有投资计划。每一个投资计划既可以对应于一个项目，也可以对应多个项目；因此，在渝北库存物资相关的计划中，必将会包含至少一个项目。所述每个项目根据项目的具体属性将会对应到一个工程属性，所述工程属性是指能够表示项目工程中性质特点的一类属性，通常一个项目的工程属性是具有标准的划分方法的，当然，也可以按照实际的需求，设定不同的项目对应的自定义工程属性。此处，本发明实施例获取计划投资额和工程属性是因为，虽然在初始的投资计划中，项目的具体信息还不能确定，但是项目的计划投资额和工程属性是能够确定的，且在后续的改进中，所述计划投资额和工程属性也基本不会发生变动。因此，本发明实施例获取的计划投资额和工程属性是准确且稳定性较高的项目信息，进而使得本发明实施例的预测更为稳定和可靠。

步骤102，根据每个项目对应的工程属性获取每个项目所包含的物资小类，查找预设的物资小类和工程属性与预测模型的对应关系列表，得到每个项目所包含的每个物资小类所对应的预测模型；其中，每个项目中必然会包含不同种类的物资，及物资小类；而一般每个项目需要那类物资是需要根据其项目属性确定的。本发明实施例通过预先构建针对不同物资小类在不同工程属性下的预测模型，并且建立二者对应的关系列表，使得能够根据一种物资小类和一种工程属性共同对应到唯一的一个预测模型。因此，在一个确定工程属性的项目中，针对每一个物资小类，通过查表能够找到对应的预测模型，进而进行物资的预测。本发明实施例通过将对整个投资计划的物资预测拆分为对单个项目中单个物资小类的需求预测，能够大大提高物资需求预测的准确性。

步骤103，将获取的每个项目中的计划投资额分别输入相应项目所包含的每个物资小类对应的预测模型中，计算得到每个项目中的每个物资小类的预测需求量；其中，针对每一个物资小类来说，一方面对应了一个预测模型，另一方面同时对应着一个确定工程属性的项目，也即能够对应该项目的计划投资额，通过将计划投资额输入预测模型能够计算得到该物资小类的预测需求量。

步骤104，将每个物资小类在不同项目中的预测需求量相加，计算得到每个物资小类的总预测需求量。其中，通过计算每个物资小类在不同项目中的预测需求量，不仅能够得到总的预测需求量，而且能够针对每一个项目中详细的物资需求做出较为准确的预测，这样，即使有部分预测不准确，也不会对最后的预测结果造成较大的破坏，因此，本发明所述的库存物资需求预测方法进一步丰富了物资需求预测的效果、准确性和稳定性。

由上述实施例可知，本发明提供的库存物资需求预测方法基于每个项目的工程属性以及项目中包含的物资小类的不同，针对每个项目下的不同物资小类均预先构建出对应的预测模型，然后通过在初始投资计划中就能明确获取的计划投资额作为输入项，输入到预测模型中，进而得到每个项目中不同物资小类的预测需求量，最后通过统计所有项目中的物资小类能够得到整个库存所需物资的总预测需求量。本发明所述的预测方法以历史数据为样本，依据拟合度最优原则选择对应的预测模型，实现了预测不同工程属性条件下投资规模对物资小类需求数量的影响，使基于业务人员的主观经验预测变为基于历史数据的客观经验预测，从而提高了库存物资需求的预见性、准确性和及时性，减少了预测的随意性，最终提高了物资保障水平，规避市场价格波动和库存风险。

在本发明一些可选的实例中，所述计算得到每个物资小类的总预测需求量的步骤104之后还包括：

根据每个物资小类的历史价格，按照预设算法计算得到每个物资小类的预测价格；

将每个物资小类的总预测需求量与对应的预测价格相乘，得到每个物资小类的采购资金需求；

将所有物资小类的采购资金需求相加，得到库存物资总的采购资金需求。

本发明实施例通过按照物资小类的历史价格进一步预测库存物资需求对应的采购资金需求，进一步给库存物资采购人员提供了更多的参考，使得后勤人员能够通过采购资金需求进而判断当前的投资计划所需要动用的采购资金，为进一步的计划优化提供依据。

在本发明一些优选的实施例中，所述预设算法包括：均价算法、趋势算法、权值算法；

所述均价算法为，将一定时间内历史价格的平均值作为预测价格；当查看到物资小类的历史价格波动起伏的趋势不明显时，可以采用均值的方法进行价格的预测。

所述趋势算法为，根据历史价格数据推导得到价格趋势，进而按照价格趋势推导得到预测价格；当物资小类的历史价格波动起伏的趋势较为明显时，可以采用趋势算法进行预测，具体的步骤为：首先获取物资小类的历史价格数据，然后将这些数据处理，并绘制得到价格波动趋势曲线，最后根据趋势曲线的走向预测得到物资小类在未来采购时的预测价格。

所述权值算法为，选定与价格相关的影响因素，根据价格历史数据计算得到不同影响因素的权重，再将当前时间的影响因素值与相应的权重相乘，计算得到当前时间的预测价格。当物资小类的历史价格波动起伏的趋势较为复杂时，可以采用权值算法，即给与价格相关的影响因素赋予不同的权重并推导得到算法公式，然后根据采购时影响因素的状态，带入算法公式中计算得到当前物资小类的预测价格。例如：采购一类由铁构成的金属材料，那么同一时间金属铁的价格一个该时间内加工该材料的大致成本均是影响该金属材料价格的因素。

这样，根据历史价格变化趋势的不同采用不同的价格预测算法，能够准确稳定的预测得到物资小类的价格，进而提高了后续采购资金预测的准确性。

在本发明一些可选的实例中，所述物资小类和工程属性与预测模型的对应关系列表的构建方法包括：

采用线性回归分析模型推导得到不同的预测模型；

将不同物资小类在不同的工程属性条件下的历史数据与所有预测模型分别进行线性拟合，得到不同工程属性条件下不同物资小类与不同预测模型的拟合度；

选出拟合度最高的那一个作为对应物资小类和工程属性的预测模型；

列举出所有物资小类和工程属性与预测模型的对应关系，得到物资小类和工程属性与预测模型的对应关系列表。

这样，本发明实施例通过采用拟合度最优的原则能够使得物资小类对应的预测模型更为符合物资小类的特点，也即能够使得物资小类需求的预测更为准确。可选的，还可以采用其他原理构建预测模型，例如采用神经网络的机器学习算法构建预测模型等等。

在本发明一些可选的实例中，所述预测模型包括：均值模型、线性回归模型、多项式模型、幂回归模型、指数回归模型、对数回归模型：其中，

均值模型的计算公式为：y_ij＝β_ij·x_ij；

线性回归模型的计算公式为：y_ij＝β_ij·x_ij+α_ij；

多项式模型的计算公式为：

幂回归模型的计算公式为：

指数回归模型的计算公式为：

对数回归模型的计算公式为：y_ij＝β_ij·ln(x_ij)+α_ij；

其中，i为物资小类的编号；j为工程属性的编号；ij为一个预测单元编号，表示物资小类i在工程属性j条件下的集合；x_ij为预测单元ij集合中，工程项目的计划投资额；y_ij为预测单元ij集合中，工程项目中物资小类i领用的数量；α_ij、β_ij、γ_ij均为预测单元ij的预测模型参数。

进一步，所述预测模型参数的计算方法为：

获取不同物资小类在不同的工程属性条件下的历史数据，其中所述历史数据包括计划投资额和物资小类领用数量；

根据物资小类和工程属性与预测模型的对应关系列表，得到符合当前预测模型的历史数据；

将历史数据作为已知量，预测模型参数作为未知量，得到参数计算公式；也即在确定预测模型以及对应的历史数据后，根据已知输入数据和结果数据的历史数据，将预测模型参数作为未知量，能够反向推导得到预测模型参数的计算值。

将物资小类的历史数据带入参数计算公式中，计算得到预测模型参数。

或者，还可以将预测模型对应的历史数据分别构建历史数据曲线，然后选出这些曲线中最中心的曲线作为预测模型的曲线，进而带入预测模型中，计算得到预测模型参数。这样，通过历史数据确定预测模型的参数，使得预测模型的预测结果更为准确可靠。

在本发明一些可选的实例中，所述预测模型还包括时间权重和\或要素权重；其中，所述时间权重为不同时间段对物资需求量的影响程度，所述时间权重根据物资需求的历史数据计算得到；

所述要素权重为与物资相关的影响要素对物资需求量的影响程度，所述要素权重根据物资需求的历史数据计算得到。

也即，在回归分析等算法构建的预测模型基础上，进一步添加时间权重或与物资小类相关的要素权重作为预测模型的系数，不仅能够避免标准的预测模型与实际历史数据的偏差而带来的预测结果的误差，而且能够综合因素分析法和时间序列法，进一步提高了所述库存物资需求预测方法的准确性和预测结果的稳定性和可靠性。

参照图2所示，为本发明提供的库存物资需求预测方法的另一个实施例的流程图。所述库存物资需求预测方法包括：

步骤201，采用线性回归分析模型推导得到不同的预测模型；

步骤202，将不同物资小类在不同的工程属性条件下的历史数据与所有预测模型分别进行线性拟合，得到不同工程属性条件下不同物资小类与不同预测模型的拟合度；

步骤203，选出拟合度最高的那一个作为对应物资小类和工程属性的预测模型；列举出所有物资小类和工程属性与预测模型的对应关系，得到物资小类和工程属性与预测模型的对应关系列表；

步骤204，根据初始的投资计划，获取每个项目中的计划投资额以及每个项目对应的工程属性；

步骤205，根据每个项目对应的工程属性获取每个项目所包含的物资小类，查找预设的物资小类和工程属性与预测模型的对应关系列表，得到每个项目所包含的每个物资小类所对应的预测模型；

步骤206，将获取的每个项目中的计划投资额分别输入相应项目所包含的每个物资小类对应的预测模型中，计算得到每个项目中的每个物资小类的预测需求量；

步骤207，将每个物资小类在不同项目中的预测需求量相加，计算得到每个物资小类的总预测需求量；

步骤208，根据每个物资小类的历史价格，按照预设算法计算得到每个物资小类的预测价格；

步骤209，将每个物资小类的总预测需求量与对应的预测价格相乘，得到每个物资小类的采购资金需求；

步骤210，将所有物资小类的采购资金需求相加，得到库存物资总的采购资金需求。

需要说明的是，本实施例以及其他实施例中所述的步骤顺序只是为了更为清楚的描述方法实施的步骤，而基于本发明的发明思路，上述步骤的顺序可以按照不同的预测目的进行一定程度的修改和调换。

参照图3所示，为本发明提供的库存物资需求预测装置的一个实施例的结构示意图。所述库存物资需求预测装置包括：

初始数据获取模块301，用于根据初始的投资计划，获取每个项目中的计划投资额以及每个项目对应的工程属性；

预测模型获取模块302，用于根据每个项目对应的工程属性获取每个项目所包含的物资小类，查找预设的物资小类和工程属性与预测模型的对应关系列表，得到每个项目所包含的每个物资小类所对应的预测模型；

预测模型计算模块303，用于将获取的每个项目中的计划投资额分别输入相应项目所包含的每个物资小类对应的预测模型中，计算得到每个项目中的每个物资小类的预测需求量；

物资需求计算模块304，用于将每个物资小类在不同项目中的预测需求量相加，计算得到每个物资小类的总预测需求量。

在本发明实施例的另一方面，还提供了以国家电网某一地区的农配网为例进行物资需求预测的方法，具体内容如下：

首先，为例便于理解，实施例中为更准确地揭示农配网项目投资额(即计划投资额)和协议库存物资小类需求数量之间的规律，同时基于不同工程属性的农配网项目“物资需求数量-项目投资额”的关系规律存在较大差异，为了减少不同工程属性对规律预测的影响，定义任一小类物资在任一工程属性条件下的观测样本集合，即在该工程属性条件下领用过该小类物资的项目集合，为一个预测单元。同时对预测单元中相关的参数定义如下：

i：物资小类的编号，i＝1，2，...,155。

j：工程属性编号，j＝1,2,...,147。

ij：预测单元编号，表示物资小类i在工程属性j条件下的观测样本的集合；冀北历史数据显示，共计2923个预测单元。

n_ij：预测单元ij观测样本数量，即物资小类i在工程属性j条件下发生过领用的项目数量。

x_ij：预测单元ij样本集合中，工程项目的投资金额。

y_ij：预测单元ij样本集合中，工程项目物资小类领用i的数量。

α_ij、β_ij、γ_ij：预测单元ij的预测模型参数。

Y_i：物资小类i需求数量。

p_i：物资小类i的历史价格。

物资小类i的历史平均价格，

P：年度农配网物资采购需求资金数量。

在年初的投资计划预下达时，能够明确获得的项目信息如下：

项目名称：根据一定命名规则确定的项目描述；

投资规模：项目的计划投资额；

工程属性：包括电压等级、项目类别(新建或改建)、项目描述(如变压器工程、线路工程等)三部分构成。为便于分析和表述，农配网的工程属性类别按以下规模进行命名：

电压等级：D，35kV；E，10kV；F，10kV以下；

项目类型：A，新建；B，改建或扩建；

工程属性：取值001-153；

其次，构建并确定预测模型：

基于回归分析的原理推导得到的预测模型及参数估计的计算公式如表1所示；

表1预测模型及参数估计

根据对样本数据的统计分析，发现2923个预测单元样本数量为1个至278个不等，分组显示：样本数量1-34个的预测单元2822个，占比97％；样本数量35-278个的预测单元101个，占比3％。

针对小样本(n_ij＝1-34)的预测单元，可以采用均值进行分析预测；针对大样本(n_ij＝35-100)的预测单元，采用回归分析模型进行分析预测，并根据拟合优度最优原则确定模型的形式。

利用历史数据样本以及相应的预测模型，能够计算出模型参数，就可以得到各预测单元具体预测模型的表达式。

再次，对物资小类需求数量进行预测：

给定项目计划投资额，代入相应预测单元的预测模型，得出物资小类需求数量y_ij，物资小类i的需求总数量是为：

进一步，对物资小类的采购资金需求进行预测：

测算出各小类物资需求数量后，根据历史平均价格可测算出该年度农配网物资采购的资金需求：

其中为物资小类i的历史平均价格。由于本实施例中预测分析的观测数据只有2013和2014两年，时间趋势规律不明显，采用历史均值预测物资小类的未来价格：

最后，得到物资需求预测的结论：

(1)多项式回归分析模型适用于以下49个预测单元物资需求数量的预测：

10kV_改建_线路工程：保护金具-防振锤、电缆保护管、电力电缆、钢管杆(桩)、架空绝缘导线、交流棒形悬式复合绝缘子、交流盘形悬式瓷绝缘子、接续金具-绝缘穿刺接地线夹、拉线金具-UT型线夹、拉线金具-U型挂环、拉线金具-锲型线夹、联结金具-平行挂板、设备线夹-变压器线夹、铁构件、线路角铁横担、线路柱式复合绝缘子、针式瓷绝缘子、锥形水泥杆；

10kV_新建_线路工程：电缆保护管、电缆分支箱、电缆接线端子、电力电缆、钢管杆(桩)、钢绞线、交流棒形悬式复合绝缘子、交流盘形悬式瓷绝缘子、交流三相隔离开关、接续金具-接地线夹、接续金具-绝缘穿刺接地线夹、拉线金具-UT型线夹、拉线金具-U型挂环、拉线金具-锲型线夹、联结金具-U型挂环、联结金具-平行挂板、线路柱式复合绝缘子、箱式开闭所、锥形水泥杆；

10kV以下_改建_帮扶村电力保障建设工程：10kV变压器、钢绞线、高压熔断器、架空绝缘导线、交流避雷器、拉线金具-UT型线夹、耐张线夹-螺栓型、锥形水泥杆、针式瓷绝缘子；

10kV_新建_开关工程：35kV及以下电缆终端、交流避雷器；

35kV_改建_变压器工程：35kV变压器。

(2)幂回归分析模型适用于以下43个预测单元物资需求数量的预测：

10kV_新建_线路工程：35kV及以下电缆中间接头、35kV及以下电缆终端、交流避雷器、接续金具-异型并沟线夹、联结金具-球头挂环、联结金具-碗头挂板、联结金具-直角挂板、柱上断路器；

10kV_改建_线路工程：35kV及以下电缆终端、低压电力电缆、电缆接线端子、钢芯铝绞线、高压熔断器、交流避雷器、交流三相隔离开关、接续金具-并沟线夹、接续金具-接地线夹、接续金具-异型并沟线夹、联结金具-U型挂环、联结金具-球头挂环、联结金具-碗头挂板、联结金具-直角挂板、耐张线夹-螺栓型、耐张线夹-楔型绝缘、线路柱式瓷绝缘子、柱上断路器；

10kV以下_改建_帮扶村电力保障建设项目：压电力电缆、接续金具-异型并沟线夹、拉线金具-锲型线夹、联结金具-球头挂环、联结金具-碗头挂板、联结金具-直角挂板；

10kV以下_改建_农村面貌改造提升电力保障建设工程：空绝缘导线、联结金具-球头挂环、联结金具-碗头挂板；

10kV_新建_开关工程：35kV及以下电缆中间接头、电力电缆、控制电缆；

35kV_改建_变压器工程：35kV及以下电缆终端、电力电缆、控制电缆；

10kV_改建_变压器工程：10kV变压器、交流避雷器。

(3)线性回归分析模型y_ij＝β_ij·x_ij+α_ij适用于以下3个预测单元的物资需求数量预测：

10kV_改建_线路工程：钢绞线；

10kV_新建_线路工程：钢芯铝绞线、接续钓具-并沟线。

(4)对数回归预测模型y_ij＝β_ij·ln(x_ij)+α_ij适用于以下4个预测单元物资需求数量的预测：

10kV_新建_开关工程：高压开关柜；

10kV_新建_线路工程：架空绝缘导线、耐张线夹、针式瓷绝缘子。

(5)指数回归分析模型适用于以下2个预测单元物资需求数量的预测：

10kV_新建_开关工程：电缆接线端子；

35kV_改建_变压器工程：交流避雷器。

其余2822个预测单元样本数量小于35个，物资需求数量和项目投资金额之间规律不明显，可以采用均值模型进行预测。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本发明难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种库存物资需求预测方法，其特征在于，包括：

根据初始的投资计划，获取每个项目中的计划投资额以及每个项目对应的工程属性；

根据每个项目对应的工程属性获取每个项目所包含的物资小类，查找预设的物资小类和工程属性与预测模型的对应关系列表，得到每个项目所包含的每个物资小类所对应的预测模型；

将获取的每个项目中的计划投资额分别输入相应项目所包含的每个物资小类对应的预测模型中，计算得到每个项目中的每个物资小类的预测需求量；

将每个物资小类在不同项目中的预测需求量相加，计算得到每个物资小类的总预测需求量。

2.根据权利要求1所述的方法，其特征在于，所述计算得到每个物资小类的总预测需求量的步骤之后还包括：

根据每个物资小类的历史价格，按照预设算法计算得到每个物资小类的预测价格；

将每个物资小类的总预测需求量与对应的预测价格相乘，得到每个物资小类的采购资金需求；

将所有物资小类的采购资金需求相加，得到库存物资总的采购资金需求。

3.根据权利要求2所述的方法，其特征在于，所述预设算法包括：均价算法、趋势算法、权值算法；

所述均价算法为，将一定时间内历史价格的平均值作为预测价格；

所述趋势算法为，根据历史价格数据推导得到价格趋势，进而按照价格趋势推导得到预测价格；

所述权值算法为，选定与价格相关的影响因素，根据价格历史数据计算得到不同影响因素的权重，再将当前时间的影响因素值与相应的权重相乘，计算得到当前时间的预测价格。

4.根据权利要求1所述的方法，其特征在于，所述物资小类和工程属性与预测模型的对应关系列表的构建方法包括：

采用线性回归分析模型推导得到不同的预测模型；

将不同物资小类在不同的工程属性条件下的历史数据与所有预测模型分别进行线性拟合，得到不同工程属性条件下不同物资小类与不同预测模型的拟合度；

选出拟合度最高的那一个作为对应物资小类和工程属性的预测模型；

列举出所有物资小类和工程属性与预测模型的对应关系，得到物资小类和工程属性与预测模型的对应关系列表。

5.根据权利要求4所述的方法，其特征在于，所述预测模型包括：均值模型、线性回归模型、多项式模型、幂回归模型、指数回归模型、对数回归模型：其中，

均值模型的计算公式为：y_ij＝β_ij·x_ij；

线性回归模型的计算公式为：y_ij＝β_ij·x_ij+α_ij；

多项式模型的计算公式为：

幂回归模型的计算公式为：

指数回归模型的计算公式为：

对数回归模型的计算公式为：y_ij＝β_ij·ln(x_ij)+α_ij；

其中，i为物资小类的编号；j为工程属性的编号；ij为一个预测单元编号，表示物资小类i在工程属性j条件下的集合；x_ij为预测单元ij集合中，工程项目的计划投资额；y_ij为预测单元ij集合中，工程项目中物资小类i领用的数量；α_ij、β_ij、γ_ij均为预测单元ij的预测模型参数。

6.根据权利要求5所述的方法，其特征在于，所述预测模型参数的计算方法为：

获取不同物资小类在不同的工程属性条件下的历史数据，其中所述历史数据包括计划投资额和物资小类领用数量；

根据物资小类和工程属性与预测模型的对应关系列表，得到符合当前预测模型的历史数据；

将历史数据作为已知量，预测模型参数作为未知量，得到参数计算公式；

将物资小类的历史数据带入参数计算公式中，计算得到预测模型参数。

7.根据权利要求1所述的方法，其特征在于，所述预测模型还包括时间权重和\或要素权重；

其中，所述时间权重为不同时间段对物资需求量的影响程度，所述时间权重根据物资需求的历史数据计算得到；

所述要素权重为与物资相关的影响要素对物资需求量的影响程度，所述要素权重根据物资需求的历史数据计算得到。

8.一种库存物资需求预测装置，其特征在于，包括：

初始数据获取模块，用于根据初始的投资计划，获取每个项目中的计划投资额以及每个项目对应的工程属性；

预测模型获取模块，用于根据每个项目对应的工程属性获取每个项目所包含的物资小类，查找预设的物资小类和工程属性与预测模型的对应关系列表，得到每个项目所包含的每个物资小类所对应的预测模型；

预测模型计算模块，用于将获取的每个项目中的计划投资额分别输入相应项目所包含的每个物资小类对应的预测模型中，计算得到每个项目中的每个物资小类的预测需求量；

物资需求计算模块，用于将每个物资小类在不同项目中的预测需求量相加，计算得到每个物资小类的总预测需求量。