CN109376924A - 一种物资需求预测的方法、装置、设备及可读存储介质 - Google Patents

Abstract

本发明公开了一种物资需求预测的方法，通过先根据历史物资需求数据建立指数平滑模型，并对指数平滑模型进行预测误差分析，如果预测误差超出预设条件则对历史物资需求数据进行拟合得到多个ARIMA模型，从中确定最优历史物资需求预测模型，最后利用最优历史物资需求预测模型对待预测对象的物资需求进行预测，相比于现有技术中人工统计预测或者应用单一算法拟合预测曲线，降低了物资需求预测模型的预测误差，因而可以得到更精确的预测结果，进而提高了供应链水平，实现了物资需求的科学预测。本发明还公开一种物资需求预测的装置、设备及计算机可读存储介质，具有上述有益效果。

Description

一种物资需求预测的方法、装置、设备及可读存储介质

技术领域

本发明涉及需求预测领域，特别是涉及一种物资需求预测的方法、装置、设备及计算机可读存储介质。

背景技术

物资需求预测是一项基础工作，牵涉到工程建设工期、物资采购成本、以及储备物资安全管理等内容。加强物资需求预测，对物资供应过程实行有效的监控，可以更好地满足工程建设需要，更好地服务企业的生产和经营管理，从而满足物资供应的协调性与及时性的要求。

基于历史条件建设物资供应管理系统的局限性，电力物资的需求预测仍存在如下问题：现有条件下，对物资需求主要是依靠人员的经验进行，结合项目投资规模、项目周期、项目里程碑节点及进度要求，加上对供货商的经验判断，得出物资需求的种类和数量，缺少科学、系统的预测工具，仅仅凭EXCEL和手工调整完成，这样的做法，已经不能适应企业精细化、科学化管理的要求。

随着资产规模的不断扩大，企业对物质需求预测管理提出了更高的要求，如何提高物资需求预测模型的预测精度，进而得到更精确的预测结果，提高供应链水平，实现物资需求的科学预测，是本领域技术人员需要解决的技术问题。

发明内容

本发明的目的是提供一种物资需求预测的方法、装置、设备及计算机可读存储介质，用以通过提高物资需求预测模型的预测精度得到更精确的预测结果，提高供应链水平，实现物资需求的科学预测。

为解决上述技术问题，本发明提供一种物资需求预测的方法，包括：

获取待预测对象的历史物资需求数据；

对所述历史物资需求数据进行拟合得到指数平滑模型；

对所述指数平滑模型进行预测误差分析，得到预测误差；

当所述预测误差超出预设范围时，对所述历史物资需求数据进行拟合得到多个ARIMA模型；

比较各所述ARIMA模型的预测效果，确定最优历史物资需求预测模型；

利用所述最优历史物资需求预测模型对所述待预测对象的物资需求进行预测。

可选的，在所述对所述历史物资需求数据进行拟合得到指数平滑模型之前，还包括：

对所述历史物资需求数据进行数据清洗。

可选的，在所述对所述历史物资需求数据进行数据清洗之后，还包括：

对所述历史物资需求数据进行分布预测。

可选的，所述对所述历史物资需求数据进行分布预测，具体包括：

根据所述历史物资需求数据建立箱线图；

分析所述箱线图得到所述历史物资需求数据的分布状态。

可选的，在对所述历史物资需求数据进行拟合得到指数平滑模型之前，还包括：

判断所述历史物资需求数据是否满足预设的平稳性条件；

如果否，则对所述历史物资需求数据进行平稳处理。

可选的，所述对所述历史物资需求数据进行平稳处理，具体为：

对所述历史物资需求数据的物资需求量原始时间序列进行季节性分解。

可选的，在所述利用所述最优历史物资需求预测模型对所述待预测对象的物资需求进行预测之前，还包括：

接收对所述待预测对象的附加条件；

依据所述附加条件调整所述最优历史物资需求预测模型的参数。

为解决上述技术问题，本发明还提供一种物资需求预测的装置，包括：

采集单元，用于获取待预测对象的历史物资需求数据；

第一建模单元，用于对所述历史物资需求数据进行拟合得到指数平滑模型；

误差分析单元，用于对所述指数平滑模型进行预测误差分析，得到预测误差；

第二建模单元，用于当所述预测误差超出预设范围时，对所述历史物资需求数据进行拟合得到多个ARIMA模型；

比较单元，用于比较各所述ARIMA模型的预测效果，确定最优历史物资需求预测模型。

为解决上述技术问题，本发明还提供一种物资需求预测的设备，包括：

存储器，用于存储指令，所述指令包括上述任意一项所述物资需求预测的方法的步骤；

处理器，用于执行所述指令。

为解决上述技术问题，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意一项所述物资需求预测的方法的步骤。

本发明所提供的物资需求预测的方法，通过先根据历史物资需求数据建立指数平滑模型，并对指数平滑模型进行预测误差分析，如果预测误差超出预设条件则对历史物资需求数据进行拟合得到多个ARIMA模型，从中确定最优历史物资需求预测模型，最后利用最优历史物资需求预测模型对待预测对象的物资需求进行预测，相比于现有技术中人工统计预测或者应用单一算法拟合预测曲线，降低了物资需求预测模型的预测误差，因而可以得到更精确的预测结果，进而提高了供应链水平，实现了物资需求的科学预测。本发明还提供一种物资需求预测的装置、设备及计算机可读存储介质，具有上述有益效果，在此不再赘述。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种物资需求预测的方法的流程图；

图2为本发明实施例提供的另一种物资需求预测的方法的流程图；

图3为本发明实施例提供的历史物资需求量的箱线图；

图4(a)为本发明实施例提供的历史物资需求量原始数据的曲线图；

图4(b)为本发明实施例提供的历史物资需求量差分数据的曲线图；

图5为本发明实施例提供的对历史物资需求原始时间序列季节性分解的曲线图；

图6(a)为本发明实施例提供的指数平滑效果图；

图6(b)为本发明实施例提供的拟合误差曲线；

图7为本发明实施例提供的指数平滑模型预测图；

图8为本发明实施例提供的残差自相关图；

图9(a)为本发明实施例提供的一种ARIMA模型的预测效果图；

图9(b)为本发明实施例提供的另一种ARIMA模型的预测效果图；

图10为本发明实施例提供的一种物资需求预测的装置的结构示意图；

图11为本发明实施例提供的一种物资需求预测的设备的结构示意图。

具体实施方式

本发明的核心是提供一种物资需求预测的方法、装置、设备及计算机可读存储介质，用以通过提高物资需求预测模型的预测精度得到更精确的预测结果，提高供应链水平，实现物资需求的科学预测。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供的一种物资需求预测的方法的流程图。如图1所示，物资需求预测的方法包括：

S10：获取待预测对象的历史物资需求数据。

在具体实施中，接收用户设置的待预测对象以及用户输入的历史物资需求数据。或者在接收到用户设置的待预测对象以及参考年份后，到指定地址获取待预测对象的参考年份的历史物资需求数据。

在进行综合物资需求预测时，会涉及到多种物资，可以预先通过韦恩图的方式筛选出具有预测价值的对象。

由于获取到的历史物资需求数据可能是不规范的，会对后续物资需求模型的质量造成影响，因此在建模之前，还需要对历史物资需求数据进行数据清洗。

数据清洗即对数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，并提供数据一致性。在历史物资需求数据中可能存在的问题数据主要包括三种：

残缺数据：这一类数据主要是一些应该有的信息缺失，如供应商的名称、分公司的名称、客户的区域信息缺失、业务系统中主表与明细表不能匹配等，对于这一类数据可以通过筛选程序过滤出来，发送至指定位置，经工作人员进行补全并再次检查完整性后再放入历史物资需求数据中，替换原来的残缺数据；

错误数据：这一类错误的产生是业务系统不够健全，在接收输入后没有进行判断直接写入后台数据库造成的，比如数值数据输成全角数字字符、字符串数据后面有一个回车操作、日期格式不正确、日期越界等。这一类数据也要分类，对于类似于全角字符、数据前后有不可见字符的问题，只能通过写SQL语句的方式找出来，然后要求客户在业务系统修正之后抽取。日期格式不正确的或者是日期越界的这一类错误会导致运行失败，这一类错误需要去业务系统数据库用SQL的方式挑出来，交给业务主管部门要求限期修正，修正之后再抽取；

重复数据：对于这一类数据——特别是维表中会出现这种情况——将重复数据记录的所有字段导出来，发送至指定位置，让工作人员进行确认并整理。

按上述构思预先编写数据清洗程序，对获取到的历史物资需求数据进行反复清洗，结合工作人员进行处理或确认，保证历史物资需求数据的正确性和完整性，避免过滤掉有用的数据，最终得到规范的历史物资需求数据，以提高后续建模的质量。

进一步地，在建模之前，还可以包括：对历史物资需求数据进行分布预测。预先对历史物资需求数据进行分布预测，可以历史物资需求数据的整体分布状态有一个初步的判断，可以对后续的模型质量以及预测结果做一定的辅助验证的功能。

在具体实施中，对历史物资需求数据进行分布预测，具体可以包括：

根据历史物资需求数据建立箱线图；

分析箱线图得到历史物资需求数据的分布状态。

箱线图主要包含6个数据节点，将一组数据从小至大排列，分别计算其上边缘，上四分位数，中位数，下四分位数，下中位数及异常值。异常值集中在较大值一侧，则分布呈右偏态。如果频数分布的高峰向左偏移，长尾向右侧延伸称为正偏态分布，也称右偏态分布；同理，如果频数分布的高峰向右偏移，长尾向左延伸则成为负偏态分布，也称左偏态分布。通过根据历史物资需求数据建立箱线图，并根据箱线图的特征分析得到历史物资需求数据的分布状态，以作为物资需求预测模型的验证依据之一。同时，保存箱线图以供工作人员查看。

S11：对历史物资需求数据进行拟合得到指数平滑模型。

按预设规则将历史物资需求数据进行拟合，得到指数平滑模型。

在实际应用中，平稳的时间序列才能建立一个时间序列模型。在很多案例中由于时间平稳条件不满足，导致模型预测结果准确性低。因此首先要做的是让时间序列变得平稳，然后使用随机模型预测这个时间序列。有很多方法可以平稳数据，比如消除长期趋势，差分化转换，对数变换等。

在对历史物资需求数据进行拟合得到指数平滑模型之前，还可以包括：

判断历史物资需求数据是否满足预设的平稳性条件；

如果否，则对历史物资需求数据进行平稳处理。

其中，判断历史物资需求数据是否满足预设的平稳性条件，可以为将历史物资需求数据的分布趋势图发送至指定位置由工作人员进行审核判断，也可以通过公式计算，与预先指定的平稳性条件进行比较。可选地，对历史物资需求数据进行平稳处理，具体可以为对历史物资需求数据的物资需求量原始时间序列进行季节性分解。

在具体实施中，可以使用了stl函数对历史物资需求数据中的原始时间序列进行季节性分解，将原始数据(data)时序被分解为季节效应图(seasonal)，趋势图(trend)以及随机波动项(remainder)。

对于有水平项，趋势项和季节项的时间序列，可以应用Holt-winters指数平滑法进行拟合。Holt-winters算法中提供了alpha、beta和gamma三个参数来分别对应当前点的水平、趋势部分和季节部分，参数的执法范围都是0-1之间，并且参数接近0时，近期的观测值的影响权重就越小。

S12：对指数平滑模型进行预测误差分析，得到预测误差。

作为预测准确度的一个度量，计算样本内预测误差的误差平方之和，即原始时间序列覆盖的时期内的预测误差。利用指数平滑模型进行预测，通过检验预测结果所处的置信区间来判断指数平滑模型的预测误差。

进一步的，还可以输出预测图以供工作人员查看。

当经过分析、计算得到指数平滑模型的预测误差超出预设的误差范围的结果时，需要对指数平滑模型进行优化或者选择其他预测模型。

在具体实施中，可以调用forecast函数对指数平滑模型进行预测误差分析。forecast函数提供了预测误差的统计指标(residuals)来评估物资需求预测模型是否有改进的可能性：如果预测误差是相关的，则很可能是简单指数平滑预测可以被另外一种预测技术优化。

可以根据残差自相关图以及Ljung-Box检验来判断是否需要应用其他模型继续优化。

S13：当该预测误差超出预设范围时，对历史物资需求数据进行拟合得到多个ARIMA模型。

由时序理论可知，经过d次差分后得到了一个平稳序列，下一步就是选择一个合适的ARIMA模型，即确定ARIMA(p,d,q)中合适的p值、d值和q值。当经过差分序列判断得知有物资需求的d阶差分序列为平稳序列时，根据自相关图和偏相关图寻找合适的p值和q值。

ACF和PACF图像特征与模型选取原则，其中自相关图如果具有如下特征，可参照选择合适模型：

偏自相关如果具有如下特征，可参照选择合适模型：

PACF	模型
		p阶后截尾	AR(p)
衰减趋于零(拖尾)	MA(q)
		p阶后衰减趋于零(拖尾)	ARMA(p,q)

利用ACF和PACF函数对历史物资需求量的原始序列的做自相关图、偏自相，生成多个拟合模型，比较各拟合模型的预测效果，选择AIC值最小的拟合模型，或者使用auto.arima函数来确定参数。

S14：比较各ARIMA模型的预测效果，确定最优历史物资需求预测模型。

当上述几种模型评价方法无法最终选定一个预测模型，则可以应用筛选出的几个预测模型对历史物资需求数据进行预测，根据预测结果与原数据曲线的偏离大小，确定最优历史物资需求预测模型。

S15：利用最优历史物资需求预测模型对待预测对象的物资需求进行预测。

本发明实施例提供的物资需求预测的方法，通过先根据历史物资需求数据建立指数平滑模型，并对指数平滑模型进行预测误差分析，如果预测误差超出预设条件则对历史物资需求数据进行拟合得到多个ARIMA模型，从中确定最优历史物资需求预测模型，最后利用最优历史物资需求预测模型对待预测对象的物资需求进行预测，相比于现有技术中人工统计预测或者应用单一算法拟合预测曲线，降低了物资需求预测模型的预测误差，因而可以得到更精确的预测结果，进而提高了供应链水平，实现了物资需求的科学预测。

图2为本发明实施例提供的另一种物资需求预测的方法的流程图。如图2所示，在上述实施例的基础上，在另一实施例中，在步骤S15之前，物资需求预测的方法还包括：

S20：接收对待预测对象的附加条件。

S21：依据附加条件调整最优历史物资需求预测模型的参数。

在实际应用中，物资需求除了跟季节有一定的关联外，还经常会受到其他因素的影响，所以不同物资类别需求预测时可利用相关分析等对特征选取进行筛选后建模。

另外，由于时间序列预测模型都用到了向外推断的思想，即它们都假定未来的条件与现在的条件是相似的，而实际情况会有一定的差别，可能改变序列中的趋势和模式，预测的时间跨度越大，不确定性就越大。

综上，为了后续能预测更准确，需要将物资申报项目、预测时间跨度等影响因素也考虑进来，并利用机器学习算法训练最优模型，积累更多历史数据，弱化波动对结果的影响，从而进一步提高预测的准确度。

图3为本发明实施例提供的历史物资需求量的箱线图；图4(a)为本发明实施例提供的历史物资需求量原始数据的曲线图；图4(b)为本发明实施例提供的历史物资需求量差分数据的曲线图；图5为本发明实施例提供的对历史物资需求原始时间序列季节性分解的曲线图；图6(a)为本发明实施例提供的指数平滑效果图；图6(b)为本发明实施例提供的拟合误差曲线；图7为本发明实施例提供的指数平滑模型预测图；图8为本发明实施例提供的残差自相关图；图9(a)为本发明实施例提供的一种ARIMA模型的预测效果图；图9(b)为本发明实施例提供的另一种ARIMA模型的预测效果图。

基于上述实施例，通过对某电网公司近3年物资申请量较大的物资以韦恩图方法分析后，采用了申请数量排名靠前的500V铝芯低压电线，(双塑)BLVV-35物资id为010047004303作为案例，进行典型例子物资需求分析，以近5年62063条物资领用记录为基础，对数据进行清洗和预处理后，对数据从描述统计分析、平稳性检验、差分变换、ARIMA模型预测、残差检验等角度进行分析，最终形成有效的预测模型并对预测结果进行分析和建议。其主要的步骤如下：

在对历史物资需求数据进行数据清洗和预处理后，通过数据分析和挖掘方法对历史物资需求数据进行适应性分析，制成如图3所示的箱线图。

图3中Group表示季度，即Group1为第一季度，Group2为第二季度，Group3为第三季度，Group4为第四季度，可以看出不存在异常点数据，近三年的第4季度均出现中位数高于均值的情况，说明数据呈左偏态分，而2013年、2014年、2016年的第二季度则出现中位数低于平均值的情况，说明数据呈右偏态分布，即大部分的数据接近于最小值这一边。

利用一阶差分的方法，得到需求数据的平稳序列。如图4(a)所示，曲线1为原始数据曲线，曲线2为全部数据曲线，曲线3为曲线2的线性拟合曲线；原始物资需求的时间序列具有一定的季节性(夏季和冬季较其他季度峰值更高)和周期性，呈增长趋势，因为在这一段时间内的随机变动大致不变，所以可以用相加模型来描述。如图4(b)所示，曲线4为对原始数据做了一阶差分后得到的全部数据，曲线5为曲线4的线性拟合曲线，原始物资需求的一阶差分序列基本为平稳序列，无明显增长或下降趋势。因此消除长期趋势后，可以看到，影响历史物资需求的因素主要为季节因素。

如图5所示，利用stl函数对历史物资需求量的原始时间序列进行季节性分解，从季节效应图(seasonal)可以看出物资需求量在第一季度的时候领用量最低，而第四季度突然爆发性上涨，即在春季时需求量最低，在冬季时需求量最高。同时，从趋势图(trend)看出，该物资需求量有线性向上的趋势。

利用Holt-winters指数平滑方法对历史物资需求量的原始时间序列做进一步的分析，发现该时间序列模型更适合短时期的预测。通过正态分布曲线对该方法进行验证，通过预测误差的直方图分析，说明预测误差是服从零均值、方差不变的正态分布的，即指数平滑模型是比较合适的预测的模型。从图6(a)可以看出，拟合曲线的趋势没有消除，而图6(b)显示每年第四季度误差的波动很大。

应用Holt-winters指数平滑法进行拟合后输出程序如下：

Call:

Holtwinters(x＝w1,beta＝F,gamma＝F)

Smoothing paramenters

alpha:0.1462148

beta:FALSE

gamma:FALSE

Coefficients:

[,1]

a 1755.226

由于Holt-winters算法输出的水平参数的估计值约为0.146，接近0，说明预测是基于最近的和较远的一些观测值(尽管更多的权重在现在的观测值上)。

作为预测准确度的一个度量，计算样本内预测误差的误差平方之和，即原始时间序列覆盖的时期内的预测误差，得到如下结果：

>b2$SSE

[1]65049224

计算得到误差平方和为65049224。

利用指数平滑模型预测如图7所示，其中曲线6是预测2017年3至2017年7月之间的物资需求量，区域a为80％的预测区间，区域b为95％的预测区间。从预测结果可以看到，预测的后5个月的值均为1755.226，说明历史物资需求数据不够多，得到的物资需求预测模型更适合短期预测。但是由于1755.226落在了80％的置信区间之间，说明预测值处于一个合理的范围之内。

根据残差自相关图判断是否可以考虑其他模型继续优化。如图8所示，自相关系数在第1期时达到置信界限，为了验证在滞后1-20阶时非0自相关属性是否显著，可以调用Box.test的Ljung-Box检验。

Ljung-Box检验作为序列独立性的检验(白噪声检验)是对模型设定是否合理的重要检验之一。Ljung-Box检验的原假设H0和备择假设Ha分别为：

H0：原本的数据都是独立的，即总体的相关系数为0，能观察到的某些相关仅仅产生于随机抽样的误差。即其中h为预先设置的。

Ha：原本的数据不是独立的，即至少存在某个其中k≤h。

通过Ljung-Box检验得到结果如下所示：

>Box.test(mmseriesforecasts$residuals,lag＝20,type＝“Ljung-Box”)

Box-Ljung test

data:mmseriesforecasts$residuals

X-squared＝52.965,df＝20,p-value＝8.224e-05

即，卡方统计量为52.96，p值远小于0.05，即滞后1-20阶时非0自相关属性显著，残差序列为非白噪声，足以证明样本内预测误差在滞后1-20阶的时候是非零自相关的。那么就说明在步骤S12中举例得到的指数平滑模型并不是一个适合样本的模型，需要进行优化或者寻找更加合适的预测模型。

利用ACF和PACF函数对历史物资需求量的原始序列的做自相关图、偏自相，生成多个拟合模型，各拟合模型的AIC值如下：

>arime(w1,order＝c(1,1,2),seasonal＝list(order＝c(1,1,0)period＝12))$aic

[1]677.4192

>arime(w1,order＝c(0,1,0),seasonal＝list(order＝c(1,1,0)period＝12))$aic

[1]693.4681

>arime(w1,order＝c(1,1,0),seasonal＝list(order＝c(1,1,0)period＝12))$aic

[1]689.7776

>arime(w1,order＝c(0,1,2),seasonal＝list(order＝c(1,1,0)period＝12))$aic

[1]676.1483

从上述拟合结果可以看出，选择(0,1,2)(1,1,0)[12]的模型AIC值最小。使用auto.arima函数确定参数：

>Series:w1

ARIMA(0,0,0)(1,1,0)[12]with drift

Coefficients:

sar1 drift

-0.6125 16.9176

s.e. 0.1333 5.3602

sigma^2estimated as 382271:log likelihood＝-339.17

AIC＝684.34 AICc＝684.96 BIC＝689.62

从上述程序运行结果得到auto.arima函数给出的建议是(0,0,0)(1,1,0)[12]，其AIC值为684。应用两个ARIMA模型检测预测效果，并输出两种ARIMA模型的检测效果图如图9(a)和图9(b)所示。从图9(a)和图9(b)可以看到，两个ARIMA模型的预测效果差异较小，仅画圈部位c1和c2、d1和d2略有差异，预测效果均良好。

综上，由于第一种ARIMA模型的AIC值小于第二种ARIMA模型，因此采用第一种ARIMA模型作为最优物资需求预测模型，对500V铝芯低压电线，(双塑)BLVV-35物资id为010047004303进行预测。

上文详述了物资需求预测的方法对应的各个实施例，在此基础上，本发明还公开了与上述方法对应的物资需求预测的装置。

图10为本发明实施例提供的一种物资需求预测的装置的结构示意图。如图10所示，物资需求预测的装置包括：

采集单元101，用于获取待预测对象的历史物资需求数据；

第一建模单元102，用于对历史物资需求数据进行拟合得到指数平滑模型；

误差分析单元103，用于对指数平滑模型进行预测误差分析，得到预测误差；

第二建模单元104，用于当该预测误差超出预设范围时，对历史物资需求数据进行拟合得到多个ARIMA模型；

比较单元105，用于比较各ARIMA模型的预测效果，确定最优历史物资需求预测模型；

预测单元106，用于利用最优历史物资需求预测模型对待预测对象的物资需求进行预测。

进一步的，物资需求预测的装置还包括：

预处理单元，用于在第一建模单元102对历史物资需求数据进行拟合得到指数平滑模型之前，对历史物资需求数据进行数据清洗；

分布预测单元，用于在预处理单元对历史物资需求数据进行数据清洗之后，对历史物资需求数据进行分布预测。

进一步的，分布预测单元具体包括：

绘图子单元，用于根据历史物资需求数据建立箱线图；

分析子单元，用于分析箱线图得到历史物资需求数据的分布状态。

进一步的，物资需求预测的装置还包括：

平稳处理单元，用于在第一建模单元102对历史物资需求数据进行拟合得到指数平滑模型之前，判断历史物资需求数据是否满足预设的平稳性条件；如果否，则对历史物资需求数据进行平稳处理。

进一步的，平稳处理单元还包括：

数据分解子单元，用于对历史物资需求数据的物资需求量原始时间序列进行季节性分解。

进一步的，物资需求预测的装置还包括：

模型优化单元，用于在预测单元106利用最优历史物资需求预测模型对待预测对象的物资需求进行预测之前，接收对待预测对象的附加条件，并依据该附加条件调整最优历史物资需求预测模型的参数。

由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。

图11为本发明实施例提供的一种物资需求预测的设备的结构示意图。如图11所示，该物资需求预测的设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)210(例如，一个或一个以上处理器)和存储器220，一个或一个以上存储应用程序233或数据232的存储介质230(例如一个或一个以上海量存储设备)。其中，存储器220和存储介质230可以是短暂存储或持久存储。存储在存储介质230的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对计算装置中的一系列指令操作。更进一步地，处理器210可以设置为与存储介质230通信，在物资需求预测的设备200上执行存储介质230中的一系列指令操作。

物资需求预测的设备200还可以包括一个或一个以上电源240，一个或一个以上有线或无线网络接口250，一个或一个以上输入输出接口220，和/或，一个或一个以上操作系统231，例如Windows Server^TM，Mac OS X^TM，Unix^TM,Linux^TM，FreeBSD^TM等等。

上述图1至图2所描述的物资需求预测的方法中的步骤由物资需求预测的设备基于该图11所示的结构实现。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的物资需求预测的设备及计算机可读存储介质的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法、装置、设备及计算机可读存储介质，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，功能调用装置，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上对本发明所提供的一种物资需求预测的方法、装置、设备及计算机可读存储介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种物资需求预测的方法，其特征在于，包括：

获取待预测对象的历史物资需求数据；

对所述历史物资需求数据进行拟合得到指数平滑模型；

对所述指数平滑模型进行预测误差分析，得到预测误差；

当所述预测误差超出预设范围时，对所述历史物资需求数据进行拟合得到多个ARIMA模型；

比较各所述ARIMA模型的预测效果，确定最优历史物资需求预测模型；

利用所述最优历史物资需求预测模型对所述待预测对象的物资需求进行预测。

2.根据权利要求1所述的方法，其特征在于，在所述对所述历史物资需求数据进行拟合得到指数平滑模型之前，还包括：

对所述历史物资需求数据进行数据清洗。

3.根据权利要求2所述的方法，其特征在于，在所述对所述历史物资需求数据进行数据清洗之后，还包括：

对所述历史物资需求数据进行分布预测。

4.根据权利要求3所述的方法，其特征在于，所述对所述历史物资需求数据进行分布预测，具体包括：

根据所述历史物资需求数据建立箱线图；

分析所述箱线图得到所述历史物资需求数据的分布状态。

5.根据权利要求1所述的方法，其特征在于，在对所述历史物资需求数据进行拟合得到指数平滑模型之前，还包括：

判断所述历史物资需求数据是否满足预设的平稳性条件；

如果否，则对所述历史物资需求数据进行平稳处理。

6.根据权利要求5所述的方法，其特征在于，所述对所述历史物资需求数据进行平稳处理，具体为：

对所述历史物资需求数据的物资需求量原始时间序列进行季节性分解。

7.根据权利要求1所述的方法，其特征在于，在所述利用所述最优历史物资需求预测模型对所述待预测对象的物资需求进行预测之前，还包括：

接收对所述待预测对象的附加条件；

依据所述附加条件调整所述最优历史物资需求预测模型的参数。

8.一种物资需求预测的装置，其特征在于，包括：

采集单元，用于获取待预测对象的历史物资需求数据；

第一建模单元，用于对所述历史物资需求数据进行拟合得到指数平滑模型；

误差分析单元，用于对所述指数平滑模型进行预测误差分析，得到预测误差；

第二建模单元，用于当所述预测误差超出预设范围时，对所述历史物资需求数据进行拟合得到多个ARIMA模型；

比较单元，用于比较各所述ARIMA模型的预测效果，确定最优历史物资需求预测模型。

9.一种物资需求预测的设备，其特征在于，包括：

存储器，用于存储指令，所述指令包括权利要求1至7任意一项所述物资需求预测的方法的步骤；

处理器，用于执行所述指令。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述物资需求预测的方法的步骤。