CN110796487A - 数量预测方法、装置、计算机设备和存储介质 - Google Patents
数量预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110796487A CN110796487A CN201910995757.1A CN201910995757A CN110796487A CN 110796487 A CN110796487 A CN 110796487A CN 201910995757 A CN201910995757 A CN 201910995757A CN 110796487 A CN110796487 A CN 110796487A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- fault
- preset
- accessory
- prediction
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种数据预测方法、装置、计算机设备和存储介质,计算机设备根据预设的影响因子的权重分别确定出车辆故障指标和配件需求指标,先根据车辆故障指标确定出预测时间段内的故障车数量,然后结合故障车数量以及配件需求指标通过预设的神经网络模型预测出测时间段内各车辆配件的需求数据。该方法因为在确定影响因子的权重时,考虑的影响因子是预先设定的,可根据实际情况将相关因素都考虑进行,使得因素考虑的更加全面,大大提高了预测准确率。且在预测配件需求时是通过预先训练好的神经网络模型训练的,解放了运营人力,大大提高了工作效率。
Description
技术领域
本申请涉及数据处理技术领域,特别是涉及一种数量预测方法、装置、计算机设备和存储介质。
背景技术
随着共享车辆的推行,共享车辆的管理方法成为业界研究的热点,例如,共享车辆的管理包括对车辆配件的库存需求进行预测,以提高库存周转率,降低仓库成本,且可以保证车辆配件充足,减少仓库因为缺少车辆配件而导致车辆滞修的情况。
现有技术中,对车辆配件的库存需求是通过仓库安全库存模型进行预测的,常用的仓库安全库存模型是基于过去一段时间的各配件的平均消耗情况,加上各配件的采购周期和一个预测的车辆库存安全范围,计算出仓库未来一段时间的库存需求。
但是,现有的安全库存模型预测的库存需求结果存在不准确的技术问题。
发明内容
基于此,有必要针对上述现有的安全库存模型预测的库存需求结果存在不准确的技术问题,提供一种数量预测方法、装置、计算机设备和存储介质。
第一方面,本申请实施例提供一种数量预测方法,该方法包括:
获取车辆配件预设影响因子的权重排序结果;影响因子的权重表示各影响因子对车辆配件需求影响的概率;预设影响因子表示影响车辆配件的因素;
根据权重排序结果,筛选出车辆故障相关的因子作为车辆故障指标、筛选出车辆配件相关的因子作为配件需求指标;
采用预设的算法,根据车辆故障指标和各车辆故障指标中因子的权重,确定预测时间段内的故障车数量;
将预测时间段内的故障车数量,和配件需求指标,输入预设的预测神经网络模型中,得到预测时间段内各车辆配件的需求数据。
在其中一个实施例中,上述获取车辆配件预设影响因子的权重排序结果,包括:
获取各预设影响因子的初始权重排序;
将各预设影响因子输入至预设的分类器中,验证各预设影响因子的权重,根据验证结果对初始权重排序进行校正,得到权重排序结果。
在其中一个实施例中,上述根据验证结果对初始权重排序进行校正之前,方法还包括:
对各预设影响因子进行预处理,预处理包括删除配件质量问题引起的故障数据、删除配件名称重复导致的重复数据、对通用性配件和专用性配件的数据进行分类中的至少一个。
在其中一个实施例中,上述在所述得到所述预测时间段内各所述车辆配件的需求数据之后,该方法包括:
获取各车辆配件的历史需求预测数据和对应的历史实际消耗数据;
根据各车辆配件的历史需求预测数据和对应的历史实际消耗数据,确定误差率;
根据误差率,验证预测时间段内各车辆配件的需求数据的准确率。
在其中一个实施例中,上述预设影响因子至少包括:各城市投放车辆数量、天气情况、温度、翻台率、订单量、入库故障车数量、入库故障车故障点分布、入库车辆故障率、历史配件消耗数量、采购周期、物流周期。
在其中一个实施例中,上述预设的影响因子还包括可变因子,可变因子用于引入特殊情况的因素。
在其中一个实施例中,上述预设的预测神经网络模型的训练方法包括:
获取训练样本数据;训练样本数据至少包括历史预设时间内的故障车辆数量和各故障车辆中故障配件的需求数量;
将训练样本数据输入初始长短期记忆网络模型中,训练初始长短期记忆网络模型学习历史预设时间段各故障车辆与故障车辆中故障配件需求数量之间的对应关系,直到初始长短期记忆网络模型收敛,得到预测神经网络模型。
在其中一个实施例中,上述预设的算法为多元线性回归算法,和/或,预设的分类器为随机森林分类器。
第二方面,本申请实施例提供一种数量预测装置,该装置包括:
权重模块,用于获取车辆配件预设影响因子的权重排序结果;权重表示各影响因子对车辆配件需求影响的概率;预设影响因子表示影响车辆配件的因素;
指标模块,用于根据权重排序结果,筛选出车辆故障相关的因子作为车辆故障指标、筛选出车辆配件相关的因子作为配件需求指标;
故障车模块,用于采用预设的算法,根据车辆故障指标和各车辆故障指标中因子的权重,确定预测时间段内的故障车数量;
预测模块,用于将预测时间段内的故障车数量,和配件需求指标,输入预设的预测神经网络模型中,得到预测时间段内各车辆配件的需求数据。
第三方面,本申请实施例提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述第一方面实施例提供的任一项方法的步骤。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述第一方面实施例提供的任一项方法的步骤。
本申请实施例提供的一种数据预测方法、装置、计算机设备和存储介质,计算机设备根据预设的影响因子的权重分别确定出车辆故障指标和配件需求指标,先根据车辆故障指标确定出预测时间段内的故障车数量,然后结合故障车数量以及配件需求指标通过预设的神经网络模型预测出测时间段内各车辆配件的需求数据。该方法因为在确定影响因子的权重时,考虑的影响因子是预先设定的,可根据实际情况将相关因素都考虑进行,使得因素考虑的更加全面,大大提高了预测准确率。且在预测配件需求时是通过预先训练好的神经网络模型训练的,解放了运营人力,大大提高了工作效率。
附图说明
图1为一个实施例提供的一种数据预测方法的应用环境图;
图2为一个实施例提供的一种数据预测方法的流程示意图;
图3为一个实施例提供的一种数据预测方法的流程示意图;
图4为一个实施例提供的一种数据预测方法的流程示意图;
图5为一个实施例提供的一种数据预测方法的流程示意图;
图6为一个实施例提供的一种数据预测方法的示例图;
图7为一个实施例提供的一种数据预测装置的结构框图;
图8为一个实施例提供的一种数据预测装置的结构框图;
图9为一个实施例提供的一种数据预测装置的结构框图;
图10为一个实施例提供的一种数据预测装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的一种数量预测方法,可以应用于如图1所示的应用环境中,该应用环境中,计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数量预测法的数据。该计算机设备的网络接口用于与外部的其他设备通过网络连接通信。该计算机程序被处理器执行时以实现一种数量预测方法。
本申请实施例提供一种数量预测方法、装置、计算机设备和存储介质,旨在解决现有的安全库存模型预测的库存需求结果存在不准确的技术问题。下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。需要说明的是,本申请提供的一种数量预测方法,图2-图6的执行主体为计算机设备,其中,其执行主体还可以是数量预测装置,其中该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。
在一个实施例中,图2提供了一种方法,本实施例涉及的是计算机设备获取预设影响因子的权重排序结果,并根据权重排序结果先确定出车辆故障指标和配件需求指标,然后根据车辆故障指标确定出预测时间段内的故障车数量,进一步确定出预测时间段内各车辆配件的需求数据的具体过程,如图2所示,所述方法包括:
S101,获取车辆配件预设影响因子的权重排序结果;影响因子的权重表示各影响因子对车辆配件需求影响的概率;预设影响因子表示影响车辆配件的因素。
本实施例中,车辆配件预设影响因子表示预先设置的一些影响车辆配件的因素,可选地,这些预设影响因子至少包括:各城市投放车辆数量、天气情况、温度、翻台率、订单量、入库故障车数量、入库故障车故障点分布、入库车辆故障率、历史配件消耗数量、采购周期、物流周期等,除此之外,考虑到有可能会有特殊情况需要考虑,可选地,该预设的影响因子还包括可变因子,该可变因子用于引入特殊情况的因素。这样,对于车辆配件的因素进行预先自定义设置,可灵活的应对不同情况,又设置了可变因子,方便可在影响因子已经选择好后临时因特殊情况增加其他因素,大大保证车辆配件因素的全面性。
需要说明的是,本申请中车辆配件可以是共享助力车的车辆配件,也可以是共享单车,共享汽车的车辆配件,在实际应用中,可根据车辆的类型预设不同的影响因子,本实施例对此不做限定。在本申请实施例的说明过程,将会以共享助力车进行说明。
具体地,计算机设备获取车辆配件预设影响因子的权重排序结果,其中,影响因子的权重表示各影响因子对车辆配件需求影响的概率,即赋予不同因子不同的权重值,以表示该因子的重要程度。其中,权重排序结果即为根据各因子的权重值排序的结果,该权重排序结果可以是按照权重从大到小的排序,也可以是按照权重从小到大的排序,本实施例对此不做限定。示例地,计算机获取权重排序结果的方式可以是接收的现成的排序结果,即由其他设备已经排好顺序后,将排序结果发送给了计算机设备;也可以是先获取各影响因子的权重,然后,计算机设备对各权重进行排序后得到排序结果;对于计算机设备获取权重排序结果的方式不做具体限定,可根据实际情况而定。
S102,根据权重排序结果,筛选出车辆故障相关的因子作为车辆故障指标、筛选出车辆配件相关的因子作为配件需求指标。
基于上述S101步骤的权重排序结果,计算机设备筛选车辆故障指标和配件需求指标,其中,车辆故障指标表示与车辆故障相关的因子,可以理解的是,由于车辆故障指标是用于获取预测时间段内的故障车数量的,因此在选择车辆故障指标时不仅需要选择可能会引起车辆发生故障的因素,还需要选择影响计算故障车辆数量的因素,例如,温度、城市投车量等。计算机设备根据权重排序结果,继续筛选出车辆配件相关的因子作为配件需求指标,即选出会影响车辆配件数量的因素,例如,配件需求指标可以是采购周期、天气、翻台率、骑行频次、历史故障率等指标。
S103,采用预设的算法,根据车辆故障指标和各车辆故障指标中因子的权重,确定预测时间段内的故障车数量。
其中,计算机设备根据预设的算法,根据上述S102步骤中筛选的车辆故障指标,以及该车辆故障指标中各影响因子对应的权重值,确定预测时间段内的故障车数量。其中,预测时间段表示未来预设时间段,例如,两个月,三个月等本实施例对此不做限定。可选地,该预设的算法为多元线性回归算法,即计算机设备可以采用多元线性回归算法预测出未来预设时间段内的故障车的数量。
S104,将预测时间段内的故障车数量,和配件需求指标,输入预设的预测神经网络模型中,得到预测时间段内各车辆配件的需求数据。
本步骤中,计算机设备将上述预测时间段内的故障车数量和S102步骤中确定的配件需求指标,输入预设的预测神经网络模型中,得到预测时间段内各车辆配件的需求数据。其中,该预测神经网络模型为预先通过机器学习算法,学习大量样本数据,最后输出未来一段时间车辆配件需求数据的模型。通过该预测神经网络模型得到的车辆配件的需求数据即为未来一段时间车辆仓库的配件采购需求。
本实施例提供的数量预测方法,计算机设备根据预设的影响因子的权重分别确定出车辆故障指标和配件需求指标,先根据车辆故障指标确定出预测时间段内的故障车数量,然后结合故障车数量以及配件需求指标通过预设的神经网络模型预测出测时间段内各车辆配件的需求数据。该方法因为在确定影响因子的权重时,考虑的影响因子是预先设定的,可根据实际情况将相关因素都考虑进行,使得因素考虑的更加全面,大大提高了预测准确率。且在预测配件需求时是通过预先训练好的神经网络模型训练的,解放了运营人力,大大提高了工作效率。
以上实施例的基础上,本申请实施例还提供了一种数量预测方法,其涉及的是计算机设备获取权重排序结果的具体过程,如图3所示,上述S101步骤包括:
S201,获取各预设影响因子的初始权重排序。
本实施例中,初始权重排序表示根据历史数据的规律对各因子确定的初步权重后进行的排序,例如,在实际应用中,可以是根据经验先对各影响因子进行一个初步排序,则计算机设备获取该初步排序,即初始权重排序。
S202,将各预设影响因子输入至预设的分类器中,验证各预设影响因子的权重,根据验证结果对初始权重排序进行校正,得到权重排序结果。
基于上述S201步骤中获取的初始权重排序,计算机设备将各预设影响因子输入至预设的分类器中,以验证各影响因子的权重,根据验证结果对初始权重排序进行校正,得到最终的权重排序结果。可选地,预设的分类器为随机森林分类器,例如,计算机设备利用随机森林(分类器)验证各影响因子的重要度,即验证权重值,结合验证结果对初始权重排序进行校正。
可选地,在一个实施例中,在根据验证结果对初始权重排序进行校正之前,还可以对各预设影响因子进行预处理,其中,预处理包括删除配件质量问题引起的故障数据、删除配件名称重复导致的重复数据、对通用性配件和专用性配件的数据进行分类中的至少一个。
其中,为了保证最终得到的权重排序结果中,各影响因子以及对应的权重更加准确,可以将预设的影响因子中配件质量问题引起的故障数据进行删除、对配件名称重复导致的重复数据删除,或者根据配件为通用性还是专用性对各影响因子进行分类等,使得最终确定的影响因子的权重排序结果更加准确。
为了保证最终预测的预测时间段内车辆配件的需求数据更加精确,本申请还提供了验证的实施例,则在一个实施例中,上述在得到预测时间段内各车辆配件的需求数据之后,如图4所示,该方法包括:
S301,获取各车辆配件的历史需求预测数据和对应的历史实际消耗数据。
其中,车辆配件的历史需求预测数据和对应的历史实际消耗数据均是过去一定时间段内的数据,计算机设备可以从历史数据库中获取过去一段时间段内的需求预测数据和实际消耗数据。
S302,根据各车辆配件的历史需求预测数据和对应的历史实际消耗数据,确定误差率。
本步骤中,计算机设备根据获取的历史需求预测数据和对应的历史实际消耗数据,确定误差率,例如,可以将两个数据的比值确定为误差率,也可以是其他数据,本实施例对此不做限定。
S303,根据误差率,验证预测时间段内各车辆配件的需求数据的准确率。
基于上述获取的误差率,计算机设备验证S104步骤中得到的预测时间段内各车辆配件的需求数据的准确率,当然,为了保证验证结果更加准确,计算机设备在确定误差率时,可以多取几组历史数据进行对比。可选地,计算机设备可以通过平滑时间序列对各车辆配件的需求数据的准确率进行验证。
本实施例提供的数量预测方法,计算机设备根据历史数据确定的误差率,验证预测时间段内各车辆配件的需求数据的准确率,大大保证了采购需求的预测准确率。
对于上述实施例中设计的预测神经网络模型,提供一种实施例,则在一个实施例中,如图5所示,上述预设的预测神经网络模型的训练方法包括:
S401,获取训练样本数据;训练样本数据至少包括历史预设时间内的故障车辆数量和各故障车辆中故障配件的需求数量。
计算机设备获取训练样本数据时,要获取到历史预设时间内的故障车辆数量和各故障车辆中故障配件的需求数量,且该历史预设时间段中获取的数据要足够多,保证样本的多样性。其中,计算机设备可以直接从数据库中获取历史预设时间内的故障车辆数量和各故障车辆中故障配件的需求数量,也可以根据历史影响因子计算历史预设时间内的故障车辆数量和各故障车辆中故障配件的需求数量。其中,各故障车辆中故障配件的需求数量对应的是历史故障车辆数量,以体现两者之间的对应关系。
S402,将训练样本数据输入初始长短期记忆网络模型中,训练初始长短期记忆网络模型学习历史预设时间段各故障车辆与故障车辆中故障配件需求数量之间的对应关系,直到初始长短期记忆网络模型收敛,得到预测神经网络模型。
计算机设备将上述S401步骤获取的训练样本数据输入至初始长短期记忆网络模型中,训练初始长短期记忆网络模型学习历史预设时间段各故障车辆与故障车辆中故障配件需求数量之间的对应关系,反复学习,直到初始长短期记忆网络模型收敛,得到预测神经网络模型。其中,初始长短期记忆网络模型收敛可以是根据预先建立的损失函数确定,即损失函数的值到达预设的值,就表示损失函数收敛,也表示长短期记忆网络模型收敛。
本实施例提供的数量预测方法,通过预先获取大量的样本数据对初始神经网络进行训练,使得最终得到的预测神经网络稳定,这样,通过稳定的预测神经网络就可以提高预测的配件的需求数量的准确性。
在以上实施例的基础上,可参见图6所示,以车辆是共享助力车为例,提供一种示例地的数据预测方法,该方法包括:
S1,数据收集,例如,收集城市投放的助力车车辆数量,各城市过去一段时间的平均温度,各城市过去一段时间的天气情况,各助力车的骑行频次,各助力车为第几代车,助力车上的各配件的名称和各配件的消耗情况,当前节点预计投放新城市的数量,各配件的发货周期等相关数据;
S2,数据处理,例如,剔除配件质量问题造成的更换数据,同一个配件有不同的名称,数据的缺失和异常等;
S3,数据分析,例如,可以采用长短记忆神经网络进行分析;
S4,对分析的进行验证,例如,使用误差率进行验证等。
以上各步骤的详细过程与上述实施例中对应步骤的过程实质相同,请参考上述描述,本实施例在此不再赘述。
本实施例提供的数据预测方法,因为在确定影响因子的权重时,考虑的影响因子是预先设定的,可根据实际情况将相关因素都考虑进行,使得因素考虑的更加全面,大大提高了预测准确率。且在预测配件需求时是通过预先训练好的神经网络模型训练的,解放了运营人力,大大提高了工作效率。进一步地,提高库存周转率,降低仓库成本,保证配件充足,减少仓库因为缺少配件而导致车辆滞修的情况。
应该理解的是,虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种数量预测装置,该装置包括:权重模块10、指标模块11、故障车模块12和预测模块12,其中,
权重模块10,用于获取车辆配件预设影响因子的权重排序结果;权重表示各影响因子对车辆配件需求影响的概率;预设影响因子表示影响车辆配件的因素;
指标模块11,用于根据权重排序结果,筛选出车辆故障相关的因子作为车辆故障指标、筛选出车辆配件相关的因子作为配件需求指标;
故障车模块12,用于采用预设的算法,根据车辆故障指标和各车辆故障指标中因子的权重,确定预测时间段内的故障车数量;
预测模块13,用于将预测时间段内的故障车数量,和配件需求指标,输入预设的预测神经网络模型中,得到预测时间段内各车辆配件的需求数据。
上述实施例提供的一种数量预测装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,如图8所示,提供了一种数量预测装置,上述权重模块10,包括:初始权重单元101和验证单元102,其中,
初始权重单元101,用于获取各预设影响因子的初始权重排序;
验证单元102,用于将各预设影响因子输入至预设的分类器中,验证各预设影响因子的权重,根据验证结果对初始权重排序进行校正,得到权重排序结果。
上述实施例提供的一种数量预测装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,验证单元102还用于对各预设影响因子进行预处理,预处理包括删除配件质量问题引起的故障数据、删除配件名称重复导致的重复数据、对通用性配件和专用性配件的数据进行分类中的至少一个。
上述实施例提供的一种数量预测装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,如图9所示,提供了一种数量预测装置,该装置包括:历史数据模块14、误差率模块15和验证模块16,其中,
历史数据模块14,用于获取各车辆配件的历史需求预测数据和对应的历史实际消耗数据;
误差率模块15,用于根据各车辆配件的历史需求预测数据和对应的历史实际消耗数据,确定误差率;
验证模块16,用于根据误差率,验证预测时间段内各车辆配件的需求数据的准确率。
上述实施例提供的一种数量预测装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,上述预设影响因子至少包括:各城市投放车辆数量、天气情况、温度、翻台率、订单量、入库故障车数量、入库故障车故障点分布、入库车辆故障率、历史配件消耗数量、采购周期、物流周期。
上述实施例提供的一种数量预测装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,上述预设的影响因子还包括可变因子,可变因子用于引入特殊情况的因素。
上述实施例提供的一种数量预测装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,如图10所示,提供了一种数量预测装置,该装置包括:样本获取模块17和模型训练模块18,其中,
样本获取模块17,用于获取训练样本数据;训练样本数据至少包括历史预设时间内的故障车辆数量和各故障车辆中故障配件的需求数量;
模型训练模块18,用于将训练样本数据输入初始长短期记忆网络模型中,训练初始长短期记忆网络模型学习历史预设时间段各故障车辆与故障车辆中故障配件需求数量之间的对应关系,直到初始长短期记忆网络模型收敛,得到预测神经网络模型。
上述实施例提供的一种数量预测装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,上述预设的算法为多元线性回归算法,和/或,预设的分类器为随机森林分类器。
上述实施例提供的一种数量预测装置,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
关于数量预测装置的具体限定可以参见上文中对于数量预测方法的限定,在此不再赘述。上述数量预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如上述图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种数量预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,上述图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取车辆配件预设影响因子的权重排序结果;影响因子的权重表示各影响因子对车辆配件需求影响的概率;预设影响因子表示影响车辆配件的因素;
根据权重排序结果,筛选出车辆故障相关的因子作为车辆故障指标、筛选出车辆配件相关的因子作为配件需求指标;
采用预设的算法,根据车辆故障指标和各车辆故障指标中因子的权重,确定预测时间段内的故障车数量;
将预测时间段内的故障车数量,和配件需求指标,输入预设的预测神经网络模型中,得到预测时间段内各车辆配件的需求数据。
上述实施例提供的一种计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取车辆配件预设影响因子的权重排序结果;影响因子的权重表示各影响因子对车辆配件需求影响的概率;预设影响因子表示影响车辆配件的因素;
根据权重排序结果,筛选出车辆故障相关的因子作为车辆故障指标、筛选出车辆配件相关的因子作为配件需求指标;
采用预设的算法,根据车辆故障指标和各车辆故障指标中因子的权重,确定预测时间段内的故障车数量;
将预测时间段内的故障车数量,和配件需求指标,输入预设的预测神经网络模型中,得到预测时间段内各车辆配件的需求数据。
上述实施例提供的一种计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种数量预测方法,其特征在于,所述方法包括:
获取车辆配件预设影响因子的权重排序结果;所述影响因子的权重表示各影响因子对车辆配件需求影响的概率;所述预设影响因子表示影响车辆配件的因素;
根据所述权重排序结果,筛选出车辆故障相关的因子作为车辆故障指标、筛选出车辆配件相关的因子作为配件需求指标;
采用预设的算法,根据所述车辆故障指标和各所述车辆故障指标中因子的权重,确定预测时间段内的故障车数量;
将所述预测时间段内的故障车数量,和所述配件需求指标,输入预设的预测神经网络模型中,得到所述预测时间段内各所述车辆配件的需求数据。
2.根据权利要求1所述的方法,其特征在于,所述获取车辆配件预设影响因子的权重排序结果,包括:
获取各所述预设影响因子的初始权重排序;
将各所述预设影响因子输入至预设的分类器中,验证各所述预设影响因子的权重,根据验证结果对所述初始权重排序进行校正,得到所述权重排序结果。
3.根据权利要求2所述的方法,其特征在于,所述根据验证结果对所述初始权重排序进行校正之前,所述方法还包括:
对各所述预设影响因子进行预处理,所述预处理包括删除配件质量问题引起的故障数据、删除配件名称重复导致的重复数据、对通用性配件和专用性配件的数据进行分类中的至少一个。
4.根据权利要求1所述的方法,其特征在于,在所述得到所述预测时间段内各所述车辆配件的需求数据之后,所述方法包括:
获取各所述车辆配件的历史需求预测数据和对应的历史实际消耗数据;
根据各所述车辆配件的历史需求预测数据和所述对应的历史实际消耗数据,确定误差率;
根据所述误差率,验证所述预测时间段内各所述车辆配件的需求数据的准确率。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述预设影响因子至少包括:各城市投放车辆数量、天气情况、温度、翻台率、订单量、入库故障车数量、入库故障车故障点分布、入库车辆故障率、历史配件消耗数量、采购周期、物流周期。
6.根据权利要求5所述的方法,其特征在于,所述预设的影响因子还包括可变因子,所述可变因子用于引入特殊情况的因素。
7.根据权利要求1所述的方法,其特征在于,所述预设的预测神经网络模型的训练方法包括:
获取训练样本数据;所述训练样本数据至少包括历史预设时间内的故障车辆数量和各所述故障车辆中故障配件的需求数量;
将所述训练样本数据输入初始长短期记忆网络模型中,训练所述初始长短期记忆网络模型学习所述历史预设时间段各所述故障车辆与所述故障车辆中故障配件需求数量之间的对应关系,直到所述初始长短期记忆网络模型收敛,得到所述预测神经网络模型。
8.根据权利要求1所述的方法,其特征在于,所述预设的算法为多元线性回归算法,和/或,所述预设的分类器为随机森林分类器。
9.一种数量预测装置,其特征在于,所述装置包括:
权重模块,用于获取车辆配件预设影响因子的权重排序结果;所述权重表示各影响因子对车辆配件需求影响的概率;所述预设影响因子表示影响车辆配件的因素;
指标模块,用于根据所述权重排序结果,筛选出车辆故障相关的因子作为车辆故障指标、筛选出车辆配件相关的因子作为配件需求指标;
故障车模块,用于采用预设的算法,根据所述车辆故障指标和各所述车辆故障指标中因子的权重,确定预测时间段内的故障车数量;
预测模块,用于将所述预测时间段内的故障车数量,和所述配件需求指标,输入预设的预测神经网络模型中,得到所述预测时间段内各所述车辆配件的需求数据。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
11.一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权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910995757.1A CN110796487A (zh) | 2019-10-18 | 2019-10-18 | 数量预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910995757.1A CN110796487A (zh) | 2019-10-18 | 2019-10-18 | 数量预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110796487A true CN110796487A (zh) | 2020-02-14 |
Family
ID=69439402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910995757.1A Pending CN110796487A (zh) | 2019-10-18 | 2019-10-18 | 数量预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796487A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881980A (zh) * | 2020-07-29 | 2020-11-03 | 上海钧正网络科技有限公司 | 一种车辆故障检测方法、装置、计算机设备和存储介质 |
CN111882229A (zh) * | 2020-07-31 | 2020-11-03 | 赛可智能科技(上海)有限公司 | 一种车辆零部件库存风险预测方法、装置及设备 |
CN111915184A (zh) * | 2020-07-30 | 2020-11-10 | 上海数策软件股份有限公司 | 汽车行业零件质量早期预警方法及存储介质 |
CN112085612A (zh) * | 2020-11-13 | 2020-12-15 | 深圳壹账通智能科技有限公司 | 车辆全损检测方法、装置、终端设备及存储介质 |
CN112819239A (zh) * | 2021-02-19 | 2021-05-18 | 北京骑胜科技有限公司 | 产品数量预测方法、装置、电子设备和可读存储介质 |
CN113127804A (zh) * | 2021-03-10 | 2021-07-16 | 广州亚美信息科技有限公司 | 确定车辆故障次数的方法、装置、计算机设备和存储介质 |
CN113127537A (zh) * | 2021-04-16 | 2021-07-16 | 北京交通大学 | 融合时序预测模型和机器学习模型的备件需求预测方法 |
CN115223271A (zh) * | 2022-06-28 | 2022-10-21 | 东软睿驰汽车技术(沈阳)有限公司 | 车辆剩余信息误差的关注度获得方法及相关装置 |
CN115665323A (zh) * | 2022-09-27 | 2023-01-31 | 中国工商银行股份有限公司 | 外呼故障分析方法、装置、计算机设备和存储介质 |
CN117114352A (zh) * | 2023-09-15 | 2023-11-24 | 北京阿帕科蓝科技有限公司 | 车辆维护方法、装置、计算机设备和存储介质 |
CN118428703A (zh) * | 2024-07-05 | 2024-08-02 | 浪潮智慧科技有限公司 | 一种针对灌溉区域的灌溉需求预测方法、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104898641A (zh) * | 2015-04-20 | 2015-09-09 | 东软集团股份有限公司 | 一种车辆故障检测方法和装置 |
CN105139090A (zh) * | 2015-08-25 | 2015-12-09 | 国网天津市电力公司 | 一种基于消耗预测的电力行业安全库存决策分析方法 |
CN106127508A (zh) * | 2016-06-17 | 2016-11-16 | 重庆大学 | 一种基于大数据计算的中药材价格预测方法 |
CN109658153A (zh) * | 2018-12-24 | 2019-04-19 | 联想(北京)有限公司 | 备件需求量的预测方法及装置,以及电子设备 |
-
2019
- 2019-10-18 CN CN201910995757.1A patent/CN110796487A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104898641A (zh) * | 2015-04-20 | 2015-09-09 | 东软集团股份有限公司 | 一种车辆故障检测方法和装置 |
CN105139090A (zh) * | 2015-08-25 | 2015-12-09 | 国网天津市电力公司 | 一种基于消耗预测的电力行业安全库存决策分析方法 |
CN106127508A (zh) * | 2016-06-17 | 2016-11-16 | 重庆大学 | 一种基于大数据计算的中药材价格预测方法 |
CN109658153A (zh) * | 2018-12-24 | 2019-04-19 | 联想(北京)有限公司 | 备件需求量的预测方法及装置,以及电子设备 |
Non-Patent Citations (3)
Title |
---|
刘庆: "基于LSTM模型的汽车配件安全库存量预测研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
孟亦凡 等: "基于LSTM边缘计算与随机森林雾决策的矿工状态监测设备", 《煤矿机械》 * |
曹渝昆 等: "基于 LSTM 神经网络的风机齿轮带断裂故障预测", 《电气自动化》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881980A (zh) * | 2020-07-29 | 2020-11-03 | 上海钧正网络科技有限公司 | 一种车辆故障检测方法、装置、计算机设备和存储介质 |
CN111915184A (zh) * | 2020-07-30 | 2020-11-10 | 上海数策软件股份有限公司 | 汽车行业零件质量早期预警方法及存储介质 |
CN111882229A (zh) * | 2020-07-31 | 2020-11-03 | 赛可智能科技(上海)有限公司 | 一种车辆零部件库存风险预测方法、装置及设备 |
CN111882229B (zh) * | 2020-07-31 | 2024-06-18 | 赛可智能科技(上海)有限公司 | 一种车辆零部件库存风险预测方法、装置及设备 |
CN112085612A (zh) * | 2020-11-13 | 2020-12-15 | 深圳壹账通智能科技有限公司 | 车辆全损检测方法、装置、终端设备及存储介质 |
CN112819239A (zh) * | 2021-02-19 | 2021-05-18 | 北京骑胜科技有限公司 | 产品数量预测方法、装置、电子设备和可读存储介质 |
CN112819239B (zh) * | 2021-02-19 | 2024-05-14 | 北京骑胜科技有限公司 | 产品数量预测方法、装置、电子设备和可读存储介质 |
CN113127804A (zh) * | 2021-03-10 | 2021-07-16 | 广州亚美信息科技有限公司 | 确定车辆故障次数的方法、装置、计算机设备和存储介质 |
CN113127537B (zh) * | 2021-04-16 | 2023-11-24 | 北京交通大学 | 融合时序预测模型和机器学习模型的备件需求预测方法 |
CN113127537A (zh) * | 2021-04-16 | 2021-07-16 | 北京交通大学 | 融合时序预测模型和机器学习模型的备件需求预测方法 |
CN115223271B (zh) * | 2022-06-28 | 2024-05-07 | 东软睿驰汽车技术(沈阳)有限公司 | 车辆剩余信息误差的关注度获得方法及相关装置 |
CN115223271A (zh) * | 2022-06-28 | 2022-10-21 | 东软睿驰汽车技术(沈阳)有限公司 | 车辆剩余信息误差的关注度获得方法及相关装置 |
CN115665323A (zh) * | 2022-09-27 | 2023-01-31 | 中国工商银行股份有限公司 | 外呼故障分析方法、装置、计算机设备和存储介质 |
CN117114352B (zh) * | 2023-09-15 | 2024-04-09 | 北京阿帕科蓝科技有限公司 | 车辆维护方法、装置、计算机设备和存储介质 |
CN117114352A (zh) * | 2023-09-15 | 2023-11-24 | 北京阿帕科蓝科技有限公司 | 车辆维护方法、装置、计算机设备和存储介质 |
CN118428703A (zh) * | 2024-07-05 | 2024-08-02 | 浪潮智慧科技有限公司 | 一种针对灌溉区域的灌溉需求预测方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796487A (zh) | 数量预测方法、装置、计算机设备和存储介质 | |
CN109165983A (zh) | 保险产品推荐方法、装置、计算机设备和存储介质 | |
CN111126668A (zh) | 基于图卷积网络的Spark作业时间预测方法和装置 | |
CN101421953A (zh) | 控制服务容量 | |
KR102641502B1 (ko) | 디지털 트윈용 다중 모델 병렬 실행 자동화 및 검증을 위한 방법 및 장치 | |
CN112416783B (zh) | 软件质量影响因素确定方法、装置、设备和存储介质 | |
CN114187072A (zh) | 聚合打车方法、装置、计算机设备及存储介质 | |
CN109377083A (zh) | 风险评估方法、装置、设备和存储介质 | |
CN111047137A (zh) | 物流绩效综合评价体系构建方法、装置和计算机设备 | |
CN115049176A (zh) | 材料性能评估方法、装置及计算机设备 | |
WO2019165692A1 (zh) | 碳期货价格预测方法、装置、计算机设备和存储介质 | |
CN105262719A (zh) | 一种Web环境下用户行为的信任评估方法 | |
CN113610266B (zh) | 汽车零件的故障预测方法、装置、计算机设备和存储介质 | |
CN105224449A (zh) | 移动终端上的应用程序的测试方法和装置 | |
CN114003475A (zh) | 软件产品成熟度评估方法、装置、计算机设备和存储介质 | |
CN112925723A (zh) | 测试服务推荐方法、装置、计算机设备及存储介质 | |
CN111162946B (zh) | 构建模型推理网络的方法、数据处理方法、装置和存储介质 | |
CN116166967B (zh) | 基于元学习与残差网络的数据处理方法、设备和存储介质 | |
CN109902334B (zh) | 机器人用精密减速器寿命预测方法及装置、计算机设备 | |
KR102484694B1 (ko) | 긱 워커 qa 플랫폼 작업자의 업무 퀄리티 검수 및 리워드 산정 방법, 장치 및 컴퓨터 프로그램 | |
CN114610645B (zh) | 任务可靠性和测试性联合确定方法、装置和计算机设备 | |
CN112862570A (zh) | 商显产业链交易推荐方法、装置、设备、存储介质及系统 | |
Wuersching et al. | Severity-Aware Prioritization of System-Level Regression Tests in Automotive Software | |
Klindee et al. | Test cases prioritization for software regression testing using analytic hierarchy process | |
CN111754103A (zh) | 企业风险画像方法、装置、计算机设备和可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200214 |
|
RJ01 | Rejection of invention patent application after publication |