CN110378510B - 一种基于时间序列和层次聚合的配网物资需求预测方法 - Google Patents

Abstract

本发明涉及一种基于时间序列和层次聚合的配网物资需求预测方法，以层次聚合法对获取的任一待预测需求物资的时间序列预测模型和多维层次结构进行逐级预测，持续完成所有物资的需求预测。本发明通过数据挖掘技术，实现物资高特征分类，剖析物资需求规律，建立预测模型，提高物资需求预测能力，辅助支撑物资部门物资采购相关工作，从预测各项目类型和供电单位的物资需求开始，累计到县公司的物资需求，最终累计到市公司的物资需求规模，保证电力企业正常生产，极大程度节约采购和库存成本，提高企业竞争力；基于对物资需求量精准预测，实现月度需求量预测误差小于20%，结合信息工具可实现库存降低，避免过早过多采购引起的资金过度占用。

Description

一种基于时间序列和层次聚合的配网物资需求预测方法

技术领域

本发明涉及专门适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法；其他类目不包含的专门适用于行政、商业、金融、管理、监督或预测目的的处理系统或方法的技术领域，特别涉及一种基于时间序列和层次聚合的配网物资需求预测方法。

背景技术

当前，我国社会经济快速发展，各个职能部门，如电力部门，对于物资的需求越来越高，这促进了电网工程市场的繁荣，也对相关企业提出了更大的挑战，只有进一步优化企业管理和各种资源配置，提高资源利用率和工程设计开发效率，才能适应市场新情况，迎接各种挑战。

以电力部门、企业为例，如何准确预测变电站及配网工程的物资需求、在保障工程进度的前提下提高资金利用率，节约成本，具有重要意义，有助于提升这些部门、企业的竞争力。

在物资需求预测方面，现有技术提供了很多种解决方案，然而，现有技术的客观缺点在于，现有的解决方案主要基于大数据分析，而大数据分析需要依赖大量的业务数据作为基础，并通过计算公式以及分析模型逐步形成分析结果，这需要保证数据的准确性，以此保证数据分析结果的正确性，对于不同的基础数据来说，预测结果可能存在极大差异，而查找数据的漏洞又成为棘手的问题；这导致了现有技术的解决方案错误率高、效率低，一旦出现问题后排查不易。

进一步来说，现有技术的物资需求预测的传统做法是由下至上的工作模式，由基层单位凭借经验估算、统计、上报，上层专业部门汇总、审核，导致了预测的准确性与科学性不高；需求报的少则供应跟不上，影响工程进度，影响“三型两网”建设进度；需求报的多则库存积压严重，资金占有成本居高不下，成为两金压控的主要瓶颈之一；需求精准度不高，增加供应商的生产运营成本，对优化营商环境产生不利影响；整体来说耗费大量人力成本和时间成本，供需错位。

发明内容

本发明解决了现有技术中，解决方案主要基于大数据分析，而导致的对于不同的基础数据来说，预测结果可能存在极大差异，而查找数据的漏洞又很棘手，解决方案错误率高、效率低，一旦出现问题后排查不易，同时，主要采用由基层单位凭借经验估算、统计、上报，上层专业部门汇总、审核，还导致了预测的准确性与科学性不高，提供了一种优化的基于时间序列和层次聚合的配网物资需求预测方法。

本发明所采用的技术方案是，一种基于时间序列和层次聚合的配网物资需求预测方法，所述方法包括以下步骤：

步骤1：选定任一待预测需求的物资；

步骤2：选取适合当前物资序列的时间序列预测模型；

步骤3：获取当前物资需求的层次结构；

步骤4：以最优组合层次聚合法对当前物资的需求按照时间序列和层次结构进行逐级预测；

步骤5：判断是否存在待预测需求的物资，若是，返回步骤1，否则，结束。

优选地，所述步骤2包括以下步骤：

步骤2.1：收集当前物资的领取历史数据；

步骤2.2：将所述领取历史数据按照领取时间进行排序；

步骤2.3：针对所述领取历史数据中的当前物资形成物资时序图；

步骤2.4：针对物资时序图选择用于预测分析当前物资的未来需求的时间序列预测模型；

步骤2.5：以所述时间序列预测模型预测当前物资的未来需求。

优选地，所述步骤2.1中，任一条领取历史数据包括物料名称、领取时间、领取数量。

优选地，所述步骤2.3中，所述物资时序图包括连续性需求特征物资时序图和间断性需求特征物资时序图。

优选地，当物资时序图为连续性需求特征物资时序图时，以LSTM神经网络时间序列分析算法预测分析任一物资的未来需求。

优选地，当物资时序图为间断性需求特征物资时序图时，以指数平滑法与灰色预测法预测分析任一物资的未来需求。

优选地，所述步骤2.5中，用时间序列预测模型预测当前物资的未来需求前，基于当前所有物资的投资金额对物资时序图按金额进行标准化处理；任一月份的物资需求量的预测值S=A*I/i，其中，A为当前物资的预测值，I为物资预测所处年份的投资总额，i为当前物资的单价。

优选地，所述步骤3包括以下步骤：

步骤3.1：对当前物资依据对应的项目进行分类；

步骤3.2：将分类后的项目依据供电所进行规整；

步骤3.3：将规整后的供电所划分至不同的地区特征组；

步骤3.4：将划分后的地区特征组以市级以下的行政区域进行整合；

步骤3.5：将整合后的行政区域最终统计至市级电网机构；

步骤3.6：获取当前物资需求的多维层次结构，所述多维层次结构为树状结构。

优选地，所述步骤3.3中，将规整后的供电所根据地理环境标识、地区用户情况、地区负载率、地区资产成新率划分至不同的地区特征组。

优选地，所述步骤4中，基于最优组合法以层次聚合对当前物资的需求按照时间序列和层次结构进行逐级预测、调整和汇总。

本发明提供了一种优化的基于时间序列和层次聚合的配网物资需求预测方法，通过获取任一待预测需求的物资的时间序列预测模型和多维层次结构，以层次聚合法对当前物资的需求按照时间序列和多维层次进行逐级预测，持续完成所有待预测需求的物资的需求预测。

本发明通过数据挖掘技术，实现物资高特征分类，剖析物资需求规律，建立预测模型，提高物资需求预测能力，辅助支撑物资部门物资采购相关工作，从预测各项目类型和供电单位的物资需求开始，通过预测求和累计到县公司的物资需求，再通过县公司的物资需求总和累计到市公司的物资需求规模，保证电力企业的正常生产，极大程度上节约采购成本和库存成本，提高企业竞争力；本发明基于对物资需求量精准预测，实现月度需求量预测误差小于20%，结合信息工具可实现库存降低，避免过早过多采购引起的资金过度占用。

附图说明

图1为本发明的流程图；

图2为本发明中以市级单位的物资需求预测为例的物资需求层次结构示意图；其中，A、B、C分别表示层次结构的第一级、第二级和第三级层次。

具体实施方式

下面结合实施例对本发明做进一步的详细描述，但本发明的保护范围并不限于此。

本发明涉及一种基于时间序列和层次聚合的配网物资需求预测方法，运用时间序列分析对连续性物资、间断性物资的未来需求进行精准预测，能够有效辅助决策各类电力需求物资的正确库存，改善管理人员在物资管理方面的盲目性与片面性，提升电力公司对物资需求的快速精准响应，提高电力企业的库存管理水平。

本发明可以预测总公司，如市级公司的物资需求，打破原先各县级公司、各供电所依据经验上报物资需求的方式，以数据分析为手段，精准了解各县级公司、各供电所，甚至各种项目类型的物资需求；物资需求的预测能够为市级公司年度物资需求提供依据，为向下物资规模分配提供手段；能够适应各种时间维度的需要，如年度物资、季度物资、月度物资等。

本发明中，可以按地区与项目构成三级层次结构和时间序列，基于最优组合算法，以层次聚合、无损汇总各类物资总需求；具体来说，首先了解某类物资在不同类型的电网项目中的领料特征，根据项目类型的维度进行深化建模，然后从预测供电单位的物资需求开始，通过预测求和累计到县公司的物资需求，再通过县公司的物资需求总和累计到市公司的物资需求规模。

所述方法包括以下步骤。

步骤1：选定任一待预测需求的物资。

本发明中，物资主要指电力系统领域的物料，显然，本技术可以推广到各种行政、商业、金融、管理、监督或预测目的的数据处理中。

步骤2：选取适合当前物资序列的时间序列预测模型。

所述步骤2包括以下步骤。

步骤2.1：收集当前物资的领取历史数据。

所述步骤2.1中，任一条领取历史数据包括物料名称、领取时间、领取数量。

本发明中，可以基于ERP电力信息系统获取出历史项目的领料数据，即领取历史数据。

本发明中，历史物资领取数据包括但不限于物料名称、领取时间、领取数量，领取时间和领取数量指实际领取时间和实际领取数量；历史物资领取数据还可以包括项目名称、物料描述、单位、计划领取时间、计划领取数量、原因分析和应对策略等，本领域技术人员可以根据需求自行选择获取。

步骤2.2：将所述领取历史数据按照领取时间进行排序。

本发明中，一般情况下，由于是基于不同时期的数据特征进行物料未来需求的预测，故选择按照领取时间的先后顺序为对各类物资进行统计排序，形成建模数据宽表。

步骤2.3：针对所述领取历史数据中的当前物资形成物资时序图。

所述步骤2.3中，所述物资时序图包括连续性需求特征物资时序图和间断性需求特征物资时序图。

当物资时序图为连续性需求特征物资时序图时，以LSTM神经网络时间序列分析算法预测分析任一物资的未来需求。

当物资时序图为间断性需求特征物资时序图时，以指数平滑法与灰色预测法预测分析任一物资的未来需求。

本发明中，鉴于物资类型种类较多且物资的需求特性不一，故为了避免增加研究难度、降低实证落地的可行性，未做过多的细化分类。

本发明中，通过随机抽样抽取架空绝缘导线、低压电力电缆、10kV变压器、联结金具、锥形水泥杆等20类物资数据开展分类特征提取，并选取两种不同特性的物资作为代表，按时间先后形成物资时序图；基于时序图可以看出，物资较为显著的分类特征为连续性和间断性，物资时序图为连续性需求特征物资时序图和间断性需求特征物资时序图，因此，对应可将物资分为连续性需求物资和间断性需求物资，并针对不同的需求特性选取合适的预测方法进行挖掘。举例来说，选取物资“架空绝缘导线”与物资“高压熔断器”代表连续性物资与间断性物资进行后续的建模预测，通过ERP系统获取两种物资2016年-2017年每个月的物资数据进行数据处理。

步骤2.4：针对物资时序图选择用于预测分析当前物资的未来需求的时间序列预测模型。

本发明中，当物资时序图为连续性需求特征物资时序图时，用LSTM神经网络模型对序列进行预测。LSTM长短记忆神经网络解决了长期依赖的问题，该算法可以合理利用长期和短期依赖的历史信息对未来做出精准预测。“架空绝缘导线”是典型的连续型物资，所以选取合适的参数如预测窗口大小、神经元个数等对本物资进行预测。

本发明中，采用时间序列预测是指基于某一个或一组分布于时间轴上的观测数据，通过挖掘分析观测数据自身的变化规律，形成符合变化的规律函数；通过运用时间序列分析，重点分析物资需求存在周期或多变的情况，对连续性物资未来需求进行预测，总结各类物资的需求特征，挖掘出需求规律，并建立时间序列。

本发明中，间断性需求物资的特点为需求率低、通用性低、使用需求的时间间隔很长，物资消耗速度较慢，在需求数据中会产生大量0值，其数据存在明显的波动性和随机性，且间断性物资的历史需求数据相当有限。当物资时序图为间断性需求特征物资时序图时，对物资的物资时序图进行一次指数平滑值计算，也可以在前一次指数平滑值的基础上再一次进行指数平滑值计算。本发明中，对于物资“高压熔断器”的物资时序图先进行一次指数平滑法计算，得到物资“高压熔断器”的一次指数平滑值，此时预测结果具有滞后作用，拟合效果一般来说都不好，因此进一步运用二次指数平滑法对物资未来需求进行预测，提高模型预测的精度；二次指数平滑法即是在一次指数平滑值的基础上再一次进行指数平滑，通过与一次指数平滑值配合，共同建立预测数学模型，并通过模型对物资需求进行预测。

本发明中，指数平滑法通过对不同时期的观测值赋予不同的权重，实现对未来的预测；通过运用指数平滑法对间断性物资未来需求的预测，有效的提高物资管理人员的物资需求预测能力，极大的节约企业采购成本，提升市场综合竞争力。

本发明中，根据物资展现出的需求特性选择合适的挖掘算法预测分析物资的未来需求，经过多种算法的筛选最终选择LSTM时间序列分析作为连续性物资需求预测方法，指数平滑法或灰色预测法作为间断性物资需求预测的方法。

步骤2.5：以所述时间序列预测模型预测当前物资的未来需求。

所述步骤2.5中，用时间序列预测模型预测当前物资的未来需求前，基于当前所有物资的投资金额对物资时序图按金额进行标准化处理；任一月份的物资需求量的预测值S= A*I/i，其中，A为当前物资的预测值，I为物资预测所处年份的投资总额，i为当前物资的单价。

本发明中，由于各物资需求受到每年投资金额的影响，导致物资需求规模产生差异，如果直接对物资需求进行建模会导致结果偏离当前实际情况，造成结果无意义，故对物资目标序列按金额进行标准化处理。

本发明中，基于某月的历史需求为某月的需求数量与单价的乘积除以当年所有提取物资的总价值（投资额），则要预测月份的需求量为时间序列下当前物资的预测值与当年的投资总额的乘积除以物资单价。

本发明中，分析各物资的需求序列是否存在连续性、季节性、波动性等特性，可以根据不同特性选择不同的序列预测算法进行建模。以大修项目为例，取去除量纲的各大修项目的物资领料序列，将大修项目的物资领料序列根据其特性，选用不同的序列预测算法，如连续型序列运用LSTM神经网络算法、间断型序列运用二次指数平滑算法，引入辅助变量，如季节、温度等作为调节参数，则可以建立以物资领料特征为基础、地区资产现状作调整的物资需求序列预测模型。

步骤3：获取当前物资需求的层次结构。

所述步骤3包括以下步骤。

步骤3.1：对当前物资依据对应的项目进行分类。

步骤3.2：将分类后的项目依据供电所进行规整。

步骤3.3：将规整后的供电所划分至不同的地区特征组。

所述步骤3.3中，将规整后的供电所根据地理环境标识、地区用户情况、地区负载率、地区资产成新率划分至不同的地区特征组。

步骤3.4：将划分后的地区特征组以市级以下的行政区域进行整合。

步骤3.5：将整合后的行政区域最终统计至市级电网机构。

步骤3.6：获取当前物资需求的多维层次结构，所述多维层次结构为树状结构。

本发明中，在层次结构的第三级层次需要根据项目大小、不同物料在项目中的占比等因素对项目进行分类；具体来说，这些被分类的项目包括但不限于基建项目、大修项目和技改项目。

本发明中，在层次结构的第二级层次需要划分不同的地区特征组，便于统计和具体分配，地区特征组的特征包括但不限于地区所处的地理环境标识、地区用户情况、地区负载率、地区资产成新率，最终对地区进行聚类分析，对不同的地区建立地区特征画像。

本发明中，地理环境标识包括但不限于是否为高污染区、是否为临水。

本发明中，多维层次结构为树状结构，被分类的项目为供电所负责，供电所为地区特征组负责，地区特征组为市级以下的行政区域，如县负责，市级以下的行政区域为市级电网机构负责，基于多维层次后，便于整合数据，便于对物资进行全方位把握。

本发明中，地区特征组的划分实质上由聚类实现，如Kmeans聚类法，此为本领域技术人员容易理解的内容，一般为提取特征后聚类即可，本领域技术人员可以依据需求自行设置。

本发明中，层次结构的第一级层次即为市级电网机构，为整体物资需求进行分类和调配。

步骤4：以最优组合层次聚合法对当前物资的需求按照时间序列和层次结构进行逐级预测。

所述步骤4中，基于最优组合法以层次聚合对当前物资的需求按照时间序列和层次结构进行逐级预测、调整和汇总。

本发明中，在得到各层次的物资时间序列的预测结果后，应用最优组合的层次聚合法汇总各时间序列，计算得到下个月、下季度或下一年度市级公司的各种物资总需求。

本发明中，为了使得预测的精准度更高，一般来说预测的需求为未来1-3个月的需求。

步骤5：判断是否存在待预测需求的物资，若是，返回步骤1，否则，结束。

本发明通过获取任一待预测需求的物资的时间序列预测模型和多维层次结构，以层次聚合法对当前物资的需求按照时间序列和多维层次进行逐级预测，持续完成所有待预测需求的物资的需求预测。本发明通过数据挖掘技术，实现物资高特征分类，剖析物资需求规律，建立预测模型，提高物资需求预测能力，辅助支撑物资部门物资采购相关工作，从预测各项目类型和供电单位的物资需求开始，通过预测求和累计到县公司的物资需求，再通过县公司的物资需求总和累计到市公司的物资需求规模，保证电力企业的正常生产，极大程度上节约采购成本和库存成本，提高企业竞争力；本发明基于对物资需求量精准预测，实现月度需求量预测误差小于20%，结合信息工具可实现库存降低，避免过早过多采购引起的资金过度占用。

Claims (3)

1.一种基于时间序列和层次聚合的配网物资需求预测方法，其特征在于：所述方法包括以下步骤：

步骤1：选定任一待预测需求的物资；

步骤2：包括以下步骤：

步骤2.1：收集当前物资的领取历史数据；

步骤2.2：将所述领取历史数据按照领取时间进行排序；

步骤2.3：针对所述领取历史数据中的当前物资形成物资时序图，包括连续性需求特征物资时序图和间断性需求特征物资时序图；

步骤2.4：针对物资时序图选择用于预测分析当前物资的未来需求的时间序列预测模型；当物资时序图为连续性需求特征物资时序图时，以LSTM神经网络时间序列分析算法预测分析任一物资的未来需求，当物资时序图为间断性需求特征物资时序图时，以指数平滑法与灰色预测法预测分析任一物资的未来需求；

步骤2.5：用时间序列预测模型预测当前物资的未来需求前，基于当前所有物资的投资金额对物资时序图按金额进行标准化处理，以所述时间序列预测模型预测当前物资的未来需求；任一月份的物资需求量的预测值S=A*I/i，其中，A为当前物资的预测值，I为物资预测所处年份的投资总额，i为当前物资的单价；

步骤3：包括以下步骤：

步骤3.1：对当前物资依据对应的项目进行分类；

步骤3.2：将分类后的项目依据供电所进行规整；

步骤3.3：将规整后的供电所根据地理环境标识、地区用户情况、地区负载率、地区资产成新率划分至不同的地区特征组；

步骤3.4：将划分后的地区特征组以市级以下的行政区域进行整合；

步骤3.5：将整合后的行政区域最终统计至市级电网机构；

步骤3.6：获取当前物资需求的多维层次结构，所述多维层次结构为树状结构；

步骤4：以最优组合层次聚合法对当前物资的需求按照时间序列和层次结构进行逐级预测；

步骤5：判断是否存在待预测需求的物资，若是，返回步骤1，否则，结束。

2.根据权利要求1所述的一种基于时间序列和层次聚合的配网物资需求预测方法，其特征在于：所述步骤2.1中，任一条领取历史数据包括物料名称、领取时间、领取数量。

3.根据权利要求1所述的一种基于时间序列和层次聚合的配网物资需求预测方法，其特征在于：所述步骤4中，基于最优组合法以层次聚合对当前物资的需求按照时间序列和层次结构进行逐级预测、调整和汇总。