CN109754118A - 一种系统自适应的预测方法 - Google Patents
一种系统自适应的预测方法 Download PDFInfo
- Publication number
- CN109754118A CN109754118A CN201811597607.7A CN201811597607A CN109754118A CN 109754118 A CN109754118 A CN 109754118A CN 201811597607 A CN201811597607 A CN 201811597607A CN 109754118 A CN109754118 A CN 109754118A
- Authority
- CN
- China
- Prior art keywords
- prediction
- demand
- data
- class
- predicted
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 239000000463 material Substances 0.000 claims abstract description 56
- 238000009499 grossing Methods 0.000 claims abstract description 23
- 238000013277 forecasting method Methods 0.000 claims abstract description 3
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000007306 turnover Effects 0.000 claims description 11
- 230000008439 repair process Effects 0.000 claims description 8
- 241001269238 Data Species 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 2
- 230000002459 sustained effect Effects 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 claims 1
- 239000004744 fabric Substances 0.000 claims 1
- 238000012423 maintenance Methods 0.000 claims 1
- 238000009472 formulation Methods 0.000 abstract description 3
- 239000000203 mixture Substances 0.000 abstract description 3
- 239000011825 aerospace material Substances 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 5
- 238000011835 investigation Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 230000001932 seasonal effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于需求预测技术领域,具体为一种系统自适应的预测方法。本发明利用多个预测模型对结果进行预测,具体步骤包括:整理预测数据;采用不同预测模型对数据进行预测;对比不同预测结果;选定预测模型;所述的预测模型包括:移动平均法,指数平滑法,可靠性寿命计算预测法,间断性需求预测法,Croston预测法。实验表明,本发明能够有效地在历史数据上,分析出最优定价方案。可应用于航空航天材料、医疗仪器材料、贵重仪器材料定价策略的制定等各个领域。
Description
技术领域
本发明属于需求预测技术领域,具体涉及一种通过系统自适应的预测方法。
背景技术
需求预测是一个复杂的工作过程,既要掌握保障任务量的变化、过去和现在的统计资料、产品质量、市场行情及各种资料,又要发挥航材工作人员的主观能动性,对未来状态作出前如其分的估计。航材需求预测工作必须有计划、有步骤的进行,做到不重复,不遗漏,有条不紊,提高工作的效率和质量。一般可分为以下几个步骤:
第一步,确定预测对象。由于预测对象、时间、范围不同,航材需求预测采用的分析方法也不一样。资料数据收集的要求也就不同。因此,航材需求预测首先要明确预测对象,明确预测范围、实践和要求等。航材需求预测主要选择那些消耗量大、价格贵、占用资金多、对部队作战和飞行训练影响大的设备和器材作为重点预测对象。
第二步,收集与分析资料。航材需求预测要广泛收集影响预测对象的内部与外部、历史与现在的各种有关资料作为预测的依据。资料主要从航材部门的文件、计划、统计报表、原始记录中收集。另外,为了掌握某项器材消耗情况,我们可以对器材从出厂到装机使用。直到最终报废的各个环节进行跟踪调查;为了掌握某类器材的市场货源情况,也可以采取抽样调查,重点调查或普查等方式来获取资料。对收集的资料,必须根据预测的目的与要求,进行分析、整理、检查资料的完整性和可靠性,剔除偶然因素。
第三步,选择预测方法。预测的方法有多种多样,选择什么预测方法必须根据预测的目的要求,结合资料数据及预测结果的置信度来考虑,同时要注意预测所花的费用,所花的时间等要素。为了对比分析,提高航材需求预测的准确性,一般对同一对象应选择不同的预测方法进行预测,这样便于对比分析,提高预测结果的应用价值。
第四步,建立预测模型。航材需求预测工作的核心是建立尽可能逼近客观实际的数学模型。航材需求预测模型依据被预测对象与其影响因素的关系可分为三大类。第一类,因果关系类预测模型。该模型的特点是在被预测的对象与其影响因素之间保持着某种固定的因果关系。第二类,时间序列预测模型。在该类模型中,被预测对象的演变过程为一时间序列,或者是时间变量的函数。第三类,组合预测模型。在该模型中,被预测对象既与其影响因素有关,又与时间季节相关。上述介绍的是一般预测模型.在对具体对象进行预测时,必须对模型进行改进和完善,改进和完善的重点是根据历史资料和数据进行各种参数的选定,只有选定了合适的预测参数,才真正建立起针对具体对象的预测模型。
第五步,进行预测。建立了预测模型以后,可以根据历史资料对选定的预测对象进行预测。
第六步,分析预测结果。在得到预测记过后,必须对其进行分析,分析的重点是其准确性,也就是预测结果的置信度。置信度的确定主要应用统计理论中的误差分析,这里不再详述。根据误差分析结果,可以确定预测结果能否作为筹措的依据。
航材拆换是否发生具有2个特征,一是发生时间随机性,在特定长的时间里,航材拆换发生或不发生都有可能。一是发生次数随机性,如果发生拆换,拆换次数是不确定的。使用这2个特征可对航材进行分类。设ADI所为平均需求间隔,CV2为航材拆换数据变异系数的平方。根据这2个指标的值可把部件拆换次数分为如发明书附图2所示的4类,即连续型需求、间歇型需求、块状型需求、随机型需求。发明书附图2中的临界值是Syntetos通过大量数据分析得到的实证结果,其中平缓型需求ADI,和CV2较小,数据稳定,容易预测。而块状型需求ADI和CV2较大,数据波动大,需求变异系数大,最难预测。
连续型需求,指航材需求数量变化不大,可以根据航材拆换次数的散点图来确定航材需求是否有季节性周期影响,若无影响,可采用移动平均法、趋势外推法、指数平滑法来预测。此外,还可根据影响航材需求的因素,运用回归分析法对飞行小时或起降架次与拆换次数进行相关度判断,若存在高相关,可使用最小二乘法进行预测。若散点图中表现出季节性的周期性变动,即表现为逐年同月或同季有大致相同的变化方向和幅度,则可使用直线方程和季节指数预测方法、回归分析和季节指数预测方法和温特斯指数平滑方法。
间歇性需求,是航材需求中较普遍的特征,对于间歇型需求,主要的预测方法有加权移动平均方法,指数加权移动平均方法、Croston方法、Bootstrap方法、灰色预测方法和贝叶斯方法,其中贝叶斯方法对样本要求较高,不具有通用性。
块状型需求,是这几种需求中最难预测的。目前对于块状型需求适用的预测方法有季节回归方法、加权移动平均方法、Croston方法、指数加权移动平均方法、趋势调整指数平滑方法、人工神经网络等。
由于国内对需求类别的认识与划分和国外不同,因此目前国内普遍将块状型需求归于间歇型需求来考虑,一般根据间歇型需求的预测方法对其进行预测。
随机型需求,数量变化大,具有很高的不确定性。 目前的预测方法有ARIMA方法、支持向量机方法、人工神经网络方法和修正后的 Croston 方法。
发明内容
本发明的目的在于提出一种预测效果好、操作方便的系统自适应预测方法,可用于航空航天材料、医疗仪器材料、贵重仪器材料定价策略的制定等各个领域。
本发明提出的系统自适应预测方法,利用多个预测模型对结果进行预测,具体步骤如下:
(1)整理预测数据;
(2)通过不同预测模型对数据进行预测;
(3)对比不同预测结果;
(4)选定预测模型。
步骤(2)中所述的预测模型包括:基于移动平均方法,指数平滑方法,可靠性寿命计算预测方法,间断性需求预测方法,Croston预测方法,等等;
下面进一步介绍各步骤的具体内容。
(1)整理预测数据
针对目前国内外对航材普遍认同的几种分类,分析和总结适用于不同类型的航材需求预测方法。慢速流动备件和初始航材,属于无历史数据可查的一类航材;相对的一类航材是流动速度快、历史数据记录齐全的备件;对于新设备,没有历史使用数据,但该设备的发展具有同源性和继承性,可以利用相似设备备件的需求数据进行分析和推断;同时还需考虑备件的可维修特性,将备件分成可维修和不可维修两类;另外,使用频次低、间隔期长且需求不确定等特征的备件,定义为不常用航材,将不常用备件需求定量分为间歇性需求、随机性需求、块状需求三类。因此航材分类总结如下,共四种不同的分类原则:有无运行历史数据,有无相似机型,可维修与不可维修,常用与不常用。
航材需求分类如附图1所示。具体如下:航材需求分类为:按有无历史数据,分为无历史数据、有历史数据两种;对于为无历史数据的,分为有相似机型、无相似机型的两种;对于有相似机型的,分为可维修的、不可维修的两种;其中,可维修的又分为A类周转件、B类周转件、C类周转件;不可维修归为D类消耗件;对于无历史数据和无相似机型的,分为常用备件、不常用备件;对于常用备件,定义为连续型需求,对于不常用备件,分为间歇型需求、随机型需求、块状型需求。
这里,A-D分类的定义如下:
A类,为高价周转件,数量约占库存总量的10%左右,价值占库存总价值的70%;
B类,为价格较高或中等的周转件,该类航材约占库存总量的20%,价值约占20%;
C类,为价格较低的周转件;
D类,为消耗件。
需求类型的定义如下:
连续型需求,有相对稳定固定的需求,每段时间都会有损耗,经常需要准备的备件需求。
间歇型需求,有相对固定的时间间隔,每隔一个时间间隔就要准备的备件需求。
随机型需求,备件损耗为随机的,不稳定的。需要根据具体需求类型进行划分。
块状型需求,备件为一个零件组合,需要在不同时期准备不同类型的零件,零件又划分为不同类型的需求。
对原始数据进行A-D的分类后,还需要将数据分为训练数据集和验证数据集,以供步骤(2)中使用。 通常该分类方式为70%的数据作为训练集,30%的数据作为验证数据集。
(2)通过不同预测模型对数据进行预测
使用的预测模型有:移动平均法,指数平滑法,备件可靠性寿命计算法,间断性需求分析法,Croston预测法,等等;其中:
移动平均法,是根据时间序列资料,逐项推移,依次计算包含一定项数的平均数,以反映时间序列变化趋势。
指数平滑法,是通过某种平均方式,消除历史统计序列中的随机波动,找出其主要发展趋势。根据平滑次数的不同,指数平滑法又分为,一次指数平滑、二次指数平滑、三次指数平滑和高次指数平滑。高次指数平滑一般很少使用。指数平滑法最适用于简单的时间分析和中、短期预测。
备件可靠性寿命计算法,由于备件损耗与其故障率存在密切关系,损耗源于不可靠的质量,即备件故障;消耗量与故障数量是成比例的。所以,备件可靠性寿命计算法,是预测备件的消耗量,不论备件消耗量服从什么分布,只要将工作时间分成许多时间段,计算不同时间段的故障率,然后就能确定该期间的可靠性。实质上,就是计算平均故障间隔时间(MTBF),然后就能预测下一阶段备件的需求情况。
间断性需求分析法,是针对不同需求量和需求频率分别进行评估;根据安全库存量的设置规则,还需要在避免库存不足以达到持续化保障前,进行一些调整。
Croston预测法,在航材备件预测中引入贝叶斯方法,基于贝叶斯先验分布的航材后续备件需求预测模型,依据航空装备在使用中的寿命分布类型,取出对应的共轭先验分布,结合现有的历史故障数据,利用先验矩求取超参数。
Croston预测法适用于间断需求。但是,该方法也备受争议,被其他学者进行了修改。不过修改忽略了需求发生概率的衰减效应。这会导致过度补充和其它缺点掩盖原方法的优点。Croston预测方法从1972年提出以来被许多研究者评估过。研究者认为Croston预测方法比传统方法,如移动平均法和单指数平滑法,更适用于间断需求预测。该方法被广泛应用于企业和预测软件中。
将步骤(1)整理出来的数据,分别通过上述预测模型进行处理,得到预测数据。
(3)比对不同预测结果
将步骤(2)所有输出数据与步骤(1)的验证集进行距离对比,这里可以选择常用距离:例如欧氏距离,马氏距离等等。
(4)选定模型
选择数值最小的距离的模型作为最终模型。
本发明提出一种新方法(利用多个预测模型对数据进行预测),可以应用于航空航天消耗品及易损品的需求预测,供应商对货物的供应管理等领域,具有下面独特的特性:
1、对航空航天航材进行了分类;
2、使用了多种不同的预测模型;
3、系统自动的检测出最适合该类航材的模型。
实验表明,本发明能够有效地在历史数据上,分析出最优定价方案。可应用于航空航天材料、医疗仪器材料、贵重仪器材料定价策略的制定等各个领域。
附图说明
图1为航材分类图示。
图2为航材需求特性图示。
具体实施方式
本发明方法的实现程序采用Win10系统,python虚拟环境。
以下为程序实现代码(部分):包括:A类航材的预测,A类航材的预测,A类航材的预测,A类航材的预测;移动平均法,指数平滑法,等。
class material_demand(object):
@classmethod
下面的代码是A类航材的预测方法
def cal_A(self, n, FL, FH, MURR, TAT, alpha, IQ, RQ, SIT):
RN = n * FL * FH * MURR #由以上参数,可以计算出单位时间(天)的平均拆换数RN
L = RN * TAT
K = 0
flag = math.exp(-L)
while flag < alpha:
K = K + 1
flag += cal(K,L) * math.exp(-L)
Q = K - IQ + RQ - SIT
return Q
#
# SR - 报废率
# SQ1 - 计算时间间隔内计划到达翻修期或者寿命时限的航材数量
# 其它参数意义同前。
@classmethod
下面代码是B类航材的预测方法
def cal_B(self, n, FL, FH, MURR, TAT, alpha, IQ, RQ, SIT, SR, SQ1,LT):
RN = n * FL * FH * MURR
L = RN * (TAT * (1 - SR / 100 + LT * SR / 100))
K = 0
flag = math.exp(-L)
while flag < alpha:
K = K + 1
flag += cal(K,L)*math.exp(-L)
#break
Q = K - IQ + RQ - SIT + SQ1
return Q
# SQ2 - 计算间隔内计划到寿报废的航材数量
# 其它参数意义同前。
@classmethod
下面模型是C类航材的预测方法
def cal_C(self, n, FL, FH, MURR, TAT, alpha, IQ, RQ, SIT, SR, SQ2,LT):
RN = n * FL * FH * MURR
L = RN * (TAT * (1 - SR / 100 + LT * SR / 100))
K = 0
flag = math.exp(-L)
while flag < alpha:
K = K + 1
flag += cal(K,L)*math.exp(-L)
Q = K - IQ + RQ - SIT + SQ2
return Q
# 对于SPC码为1的消耗件来讲,在消耗件供应期E_P内,航材的需求遵从公式(1)中参数为λ_t的泊松分布
# E_P - 消耗件供应期,取值为30天(月)、60天、90天(季度)、365天(年度)
# AT - 订货操作时间,指公司内部填单、提订单及货到后报关、验收等所需时间(天)。
@classmethod
下面模型是D类航材的预测方法
def cal_D(self, n, FL, FH, MURR,alpha, IQ, RQ, SIT,E_P,AT):
RN = n * FL * FH * MURR
L = RN * (E_P+AT)
K = 0
flag = math.exp(-L)
while flag < alpha:
K = K + 1
flag += cal(K,L)*math.exp(-L)
Q = K - IQ + RQ - SIT
return Q
下面代码实现移动平均法,经过移动平均计算后,随机波动显著减少,N越小对航空器材消耗变化反应越灵敏;N越大修匀程度越强,反应越迟钝,波动也越小,更能够反映一种比较长期的趋势。
# N为移动平均项数
#month为每月消耗的航材数量
@classmethod
def moving_avg(self, N,*month):
if len(month)<N:
print("输入的N应该小于等于已给的月数")
return -1
i=len(month)-N
sum=0
while(i<len(month)):
sum+=month[i]
i=i+1
print(sum/N)
return sum/N
下面代码实现指数平滑法,该方法是一个迭代的计算过程。用指数平滑法进行预测计算时,首先必须确定初始值 。初始值实质上应为时间序列起点
# t = 0
# 以前所有历史数据的加权平均值。在实际计算中,初始值确定仅是最初一次。如果数据序列时间较长,或加权系数选择较高,则经过数期平滑链平滑之后,初始值S0对St的影响就很小了。
# 确定初始值最简单的方法是取前几个数的平均值作为初始值。一般取
# 3~5个数的算术平均值。也可以将已知数据分成两部分,用第一部分估计初始值,用第二部分进行平滑,求各平滑参数。
@classmethod
def exp_smooth(self, alpha=0.3, *month):#alpha为加权系数,month存储每个月器材的消耗量,默认为0.3
if len(month)>=3:#先计算出月份数量比较少,得到不同的初始值
s0=(month[0]+month[1]+month[2])/3
elif len(month)==2:
s0=(month[0]+month[1])/2
elif len(month)==1:
return month[0]
else:
return 0
i=0
while i<len(month):
s0=alpha*month[i]+(1-alpha)*s0#开始计算,获得预测的数量
i=i+1
return s0
下面的代码是用来测试的脚本。
if __name__ == '__main__':
print(material_demand.moving_avg(3,91,89,122))
print(material_demand.exp_smooth(0.5,10,15,8))
print(material_demand.cal_A(50, 5, 5, 0.5, 30, 0.9, 100, 30,20))
print(material_demand.cal_B(50, 5, 5, 0.5, 30, 0.9, 100, 30, 20, 0.2,10, 10))
print(material_demand.cal_C(50, 5, 5, 0.5, 30, 0.9, 100, 30, 20, 0.2, 10,10))
Claims (6)
1.一种系统自适应的预测方法,其特征在于,利用多个预测模型对结果进行预测,具体步骤如下:
(1)整理预测数据;
(2)采用不同预测模型对数据进行预测;
(3)对比不同预测结果;
(4)选定预测模型;
步骤(2)中所述的预测模型包括:移动平均法,指数平滑法,可靠性寿命计算预测法,间断性需求预测法,Croston预测法。
2.根据权利要求1所述的系统自适应的预测方法,其特征在于,步骤(1)所述的整理预测数据,具体流程为:
对航材按如下四种不同的原则分类:有无运行历史数据,有无相似机型,可维修与不可维修,常用与不常用;具体如下:航材需求分类为:按有无历史数据,分为无历史数据、有历史数据两种;对于为无历史数据的,分为有相似机型、无相似机型的两种;对于有相似机型的,分为可维修的、不可维修的两种;其中,可维修的又分为A类周转件、B类周转件、C类周转件;不可维修归为D类消耗件;对于无历史数据和无相似机型的,分为常用备件、不常用备件;对于常用备件,定义为连续型需求,对于不常用备件,分为间歇型需求、随机型需求、块状型需求;
这里,A-D分类的定义如下:
A类,为高价周转件,数量约占库存总量的10%左右,价值占库存总价值的70%;
B类,为价格较高或中等的周转件,该类航材约占库存总量的20%,价值约占20%;
C类,为价格较低的周转件;
D类,为消耗件;
需求类型的定义如下:
连续型需求,有相对稳定固定的需求,每段时间都会有损耗,经常需要准备的备件需求;
间歇型需求,有相对固定的时间间隔,每隔一个时间间隔就要准备的备件需求;
随机型需求,备件损耗为随机的,不稳定的;
块状型需求,备件为一个零件组合,需要在不同时期准备不同类型的零件,零件又划分为不同类型的需求;
对原始数据进行A-D的分类后,再将数据分为训练数据集和验证数据集,以供步骤(2)中使用。
3.根据权利要求2所述的系统自适应的预测方法,其特征在于,步骤(2)所述的通过不同预测模型对数据进行预测,其中:
移动平均法,是根据时间序列资料,逐项推移,依次计算包含一定项数的平均数,以反映时间序列变化趋势;
指数平滑法,是通过某种平均方式,消除历史统计序列中的随机波动,找出其主要发展趋势;根据平滑次数的不同,指数平滑法又分为,一次指数平滑、二次指数平滑、三次指数平滑和高次指数平滑;
备件可靠性寿命计算法,是预测备件的消耗量,不论备件消耗量服从什么分布,只要将工作时间分成许多时间段,计算不同时间段的故障率,然后就能确定该期间的可靠性;
间断性需求分析法,是针对不同需求量和需求频率分别进行评估;根据安全库存量的设置规则,在避免库存不足以达到持续化保障前,进行一些调整;
Croston预测法,就是依据航空装备在使用中的寿命分布类型,取出对应的共轭先验分布,结合现有的历史故障数据,利用先验矩求取超参数(依照历史数据获得备件寿命到达时产生的特征,然后对现有数据进行同样的特征抽取,如果发现该特征符合备件寿命到达时的特征,那么就认为该备件的寿命已到达;
将步骤(1)整理出来的数据,分别通过上述预测模型进行处理,得到预测数据。
4.根据权利要求3所述的系统自适应的预测方法,其特征在于,步骤(3)所述的比对不同预测结果,就是将步骤(2)所有输出数据与步骤(1)的验证集进行距离对比。
5.根据权利要求4所述的系统自适应的预测方法,其特征在于,步骤(4)所述的选定模型,就是选择数值最小的距离的模型作为最终模型。
6.根据权利要求5所述的系统自适应的预测方法,其特征在于,步骤(4)中所述的距离为欧氏距离或马氏距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811597607.7A CN109754118A (zh) | 2018-12-26 | 2018-12-26 | 一种系统自适应的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811597607.7A CN109754118A (zh) | 2018-12-26 | 2018-12-26 | 一种系统自适应的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109754118A true CN109754118A (zh) | 2019-05-14 |
Family
ID=66402994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811597607.7A Pending CN109754118A (zh) | 2018-12-26 | 2018-12-26 | 一种系统自适应的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109754118A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147975A (zh) * | 2019-05-23 | 2019-08-20 | 北京润科通用技术有限公司 | 备件库存控制方法及装置 |
CN111105067A (zh) * | 2019-10-29 | 2020-05-05 | 国网浙江省电力有限公司 | 一种基于gis地图的装备匹配调度方法 |
CN111192083A (zh) * | 2019-12-26 | 2020-05-22 | 浙江大学 | 一种间断需求的预测方法 |
CN111667309A (zh) * | 2020-06-02 | 2020-09-15 | 中储南京智慧物流科技有限公司 | 一种生活必需品中长期预测方法 |
CN111915177A (zh) * | 2020-07-24 | 2020-11-10 | 浙江万里学院 | 一种铁矿石取样优化和品质波动预警系统和方法 |
CN112528510A (zh) * | 2020-12-17 | 2021-03-19 | 中国航空工业集团公司成都飞机设计研究所 | 一种基于生灭过程模型的可修航材备件预测方法 |
CN113298309A (zh) * | 2021-05-31 | 2021-08-24 | 中华通信系统有限责任公司 | 用于交通拥堵状态预测的方法、装置及终端 |
CN113705886A (zh) * | 2021-08-26 | 2021-11-26 | 成都飞机工业(集团)有限责任公司 | 一种基于动态mtbf的航材备件需求分析预测方法 |
CN114815931A (zh) * | 2022-06-23 | 2022-07-29 | 中国飞机强度研究所 | 一种极端高温环境下飞机构件热试验温度控制方法 |
CN116402321A (zh) * | 2023-06-08 | 2023-07-07 | 北京京东乾石科技有限公司 | 物品需求量确定方法及装置、电子设备和存储介质 |
CN117557071A (zh) * | 2024-01-11 | 2024-02-13 | 迈创企业管理服务股份有限公司 | 稀疏时间序列的预测方法、设备、存储介质及应用 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073770A (zh) * | 2011-01-13 | 2011-05-25 | 北京航空航天大学 | 一种基于伪寿命跟踪的产品剩余寿命预测准确性评价方法 |
CN103617466A (zh) * | 2013-12-13 | 2014-03-05 | 李敬泉 | 一种商品需求预测模型的综合评价方法 |
CN107194489A (zh) * | 2016-03-14 | 2017-09-22 | 阿里巴巴集团控股有限公司 | 数据预测方法及装置 |
CN107590567A (zh) * | 2017-09-13 | 2018-01-16 | 南京航空航天大学 | 一种基于信息熵聚类和注意力机制的循环神经网络短期负荷预测方法 |
CN108269401A (zh) * | 2018-01-30 | 2018-07-10 | 银江股份有限公司 | 一种基于数据驱动的高架桥交通拥堵预测方法 |
CN109002944A (zh) * | 2018-10-10 | 2018-12-14 | 红云红河烟草(集团)有限责任公司 | 一种卷包车间备件需求的预测方法 |
-
2018
- 2018-12-26 CN CN201811597607.7A patent/CN109754118A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073770A (zh) * | 2011-01-13 | 2011-05-25 | 北京航空航天大学 | 一种基于伪寿命跟踪的产品剩余寿命预测准确性评价方法 |
CN103617466A (zh) * | 2013-12-13 | 2014-03-05 | 李敬泉 | 一种商品需求预测模型的综合评价方法 |
CN107194489A (zh) * | 2016-03-14 | 2017-09-22 | 阿里巴巴集团控股有限公司 | 数据预测方法及装置 |
CN107590567A (zh) * | 2017-09-13 | 2018-01-16 | 南京航空航天大学 | 一种基于信息熵聚类和注意力机制的循环神经网络短期负荷预测方法 |
CN108269401A (zh) * | 2018-01-30 | 2018-07-10 | 银江股份有限公司 | 一种基于数据驱动的高架桥交通拥堵预测方法 |
CN109002944A (zh) * | 2018-10-10 | 2018-12-14 | 红云红河烟草(集团)有限责任公司 | 一种卷包车间备件需求的预测方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147975A (zh) * | 2019-05-23 | 2019-08-20 | 北京润科通用技术有限公司 | 备件库存控制方法及装置 |
CN111105067A (zh) * | 2019-10-29 | 2020-05-05 | 国网浙江省电力有限公司 | 一种基于gis地图的装备匹配调度方法 |
CN111105067B (zh) * | 2019-10-29 | 2022-08-30 | 国网浙江省电力有限公司 | 一种基于gis地图的装备匹配调度方法 |
CN111192083A (zh) * | 2019-12-26 | 2020-05-22 | 浙江大学 | 一种间断需求的预测方法 |
CN111667309A (zh) * | 2020-06-02 | 2020-09-15 | 中储南京智慧物流科技有限公司 | 一种生活必需品中长期预测方法 |
CN111915177B (zh) * | 2020-07-24 | 2023-05-26 | 浙江万里学院 | 一种铁矿石取样优化和品质波动预警系统和方法 |
CN111915177A (zh) * | 2020-07-24 | 2020-11-10 | 浙江万里学院 | 一种铁矿石取样优化和品质波动预警系统和方法 |
CN112528510A (zh) * | 2020-12-17 | 2021-03-19 | 中国航空工业集团公司成都飞机设计研究所 | 一种基于生灭过程模型的可修航材备件预测方法 |
CN113298309A (zh) * | 2021-05-31 | 2021-08-24 | 中华通信系统有限责任公司 | 用于交通拥堵状态预测的方法、装置及终端 |
CN113705886A (zh) * | 2021-08-26 | 2021-11-26 | 成都飞机工业(集团)有限责任公司 | 一种基于动态mtbf的航材备件需求分析预测方法 |
CN113705886B (zh) * | 2021-08-26 | 2023-10-10 | 成都飞机工业(集团)有限责任公司 | 一种基于动态mtbf的航材备件需求分析预测方法 |
CN114815931A (zh) * | 2022-06-23 | 2022-07-29 | 中国飞机强度研究所 | 一种极端高温环境下飞机构件热试验温度控制方法 |
CN114815931B (zh) * | 2022-06-23 | 2022-09-13 | 中国飞机强度研究所 | 一种极端高温环境下飞机构件热试验温度控制方法 |
CN116402321A (zh) * | 2023-06-08 | 2023-07-07 | 北京京东乾石科技有限公司 | 物品需求量确定方法及装置、电子设备和存储介质 |
CN116402321B (zh) * | 2023-06-08 | 2023-09-22 | 北京京东乾石科技有限公司 | 物品需求量确定方法及装置、电子设备和存储介质 |
CN117557071A (zh) * | 2024-01-11 | 2024-02-13 | 迈创企业管理服务股份有限公司 | 稀疏时间序列的预测方法、设备、存储介质及应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109754118A (zh) | 一种系统自适应的预测方法 | |
Basri et al. | Preventive maintenance (PM) planning: a review | |
Lima-Junior et al. | Predicting supply chain performance based on SCOR® metrics and multilayer perceptron neural networks | |
Lima-Junior et al. | An adaptive network-based fuzzy inference system to supply chain performance evaluation based on SCOR® metrics | |
Yan | Machinery prognostics and prognosis oriented maintenance management | |
Alimian et al. | A robust integrated production and preventive maintenance planning model for multi-state systems with uncertain demand and common cause failures | |
Osintsev et al. | Evaluation of logistic flows in green supply chains based on the combined DEMATEL-ANP method | |
Omwando et al. | A bi-level fuzzy analytical decision support tool for assessing product remanufacturability | |
Fritzsche et al. | Optimal prognostic distance to minimize total maintenance cost: The case of the airline industry | |
Calvi et al. | Simulation study integrated with activity-based costing for an electronic device re-manufacturing system | |
Mishra et al. | Reliability-informed end-of-use decision making for product sustainability using two-stage stochastic optimization | |
KR102065933B1 (ko) | 계측기 재고 관리 시스템 | |
Kostina | Reliability management of manufacturing processes in machinery enterprises | |
Achermann | Modelling, simulation and optimization of maintenance strategies under consideration of logistic processes | |
Schönmann et al. | Anticipative strategic production technology planning considering cyclic interactions | |
Zhao et al. | Aircraft engine component deterioration and life cycle cost estimation | |
Jamshidnejad | Project Portfolio Selection Based on Risk Index | |
Ghodrati | Efficient product support—optimum and realistic spare parts forecasting | |
Herzer et al. | Multivariate Profile Monitoring Method: An Application in Product Portfolio Management | |
Yaşbayır et al. | An Improved Grey Failure Mode and Effect Analysis for a Steel-Door Industry | |
Sadiakhmatov et al. | Prediction-Based Planning in Production System Management through Subsystem Interaction | |
Li et al. | Optimal Machine Stopping Time and Ordering Cycle for Parts to Minimize the Total Cost of a Supply Chain | |
Tausworthe | Software quality management through process and product modeling | |
Choi et al. | Determination of integrated risk degrees in product development project | |
Chen et al. | A fuzzy game approach to prioritize customer requirements in Quality Function Deployment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190514 |
|
WD01 | Invention patent application deemed withdrawn after publication |