CN110837937A - 预测方法、装置、计算设备以及介质 - Google Patents
预测方法、装置、计算设备以及介质 Download PDFInfo
- Publication number
- CN110837937A CN110837937A CN201911112032.XA CN201911112032A CN110837937A CN 110837937 A CN110837937 A CN 110837937A CN 201911112032 A CN201911112032 A CN 201911112032A CN 110837937 A CN110837937 A CN 110837937A
- Authority
- CN
- China
- Prior art keywords
- data
- spare part
- bins
- spare
- level
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
- G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Finance (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种预测方法,包括:获取多个备件仓的历史数据,其中,历史数据包括训练数据和验证数据,训练数据包括多个备件仓中每个备件仓在多个第一时刻的备件需求数据和环境数据,验证数据包括多个备件仓在至少一个第二时刻的备件需求数据。将训练数据输入至预测模型中,得到输出数据,其中,多个备件仓包括多层级备件仓,输出数据包括多层级备件仓中每一层级备件仓的备件需求数据,多层级备件仓中高层级备件仓的备件需求数据是根据低层级备件仓的备件需求数据确定的。基于输出数据和验证数据,更新预测模型。基于更新后的预测模型预测多个备件仓的备件需求数据。本公开还提供了一种预测装置、一种计算设备以及一种计算机可读存储介质。
Description
技术领域
本公开涉及一种预测方法、一种预测装置、一种计算设备以及一种计算机可读存储介质。
背景技术
备件库存管理的一个重要目标是在备件的保修期间内满足用户对备件更换的需求,同时降低整个备件供应链的运营成本。因此,对供应链的每个层级的每个地点未来对备件的需求作出合理的预测至关重要。其中,通过对备件供应链的各个层级的需求作出合理的预测能够在保证服务水平的前提下,更加科学地制定备件的采购计划,尽可能降低库存成本。因此,如何提高对各个层级中备件需求的预测精度是供应链智能化进程中非常关键的技术问题。
发明内容
本公开的一个方面提供了一种预测方法,包括:获取多个备件仓的历史数据,其中,所述历史数据包括训练数据和验证数据,所述训练数据包括所述多个备件仓中每个备件仓在多个第一时刻的备件需求数据和环境数据,所述验证数据包括所述多个备件仓在至少一个第二时刻的备件需求数据。将所述训练数据输入至预测模型中,得到输出数据,其中,所述多个备件仓包括多层级备件仓,所述输出数据包括所述多层级备件仓中每一层级备件仓的备件需求数据,所述多层级备件仓中高层级备件仓的备件需求数据是根据低层级备件仓的备件需求数据确定的。基于所述输出数据和所述验证数据,更新所述预测模型。基于更新后的预测模型预测所述多个备件仓的备件需求数据。
可选地,上述预测模型包括预处理子模型和预测子模型。所述将所述训练数据输入至预测模型中,得到输出数据包括:将所述训练数据输入至所述预处理子模型中,得到处理后的训练数据,其中,所述处理后的训练数据包括所述备件需求数据和所述环境数据的关联关系,将所述处理后的训练数据输入至所述预测子模型中,得到所述输出数据。
可选地,上述多层级备件仓至少包括:第一层级备件仓、第二层级备件仓、第三层级备件仓,所述第一层级备件仓、所述第二层级备件仓、所述第三层级备件仓的层级为高层级至低层级,其中,所述第一层级备件仓包括N个第二层级备件仓,所述N个第二层级备件仓中的每个第二层级备件仓包括多个第三层级备件仓,N为大于等于2的整数。
可选地,上述预处理子模型包括N+1个。所述将所述训练数据输入至所述预处理子模型中,得到处理后的训练数据包括:从所述训练数据中获取关于所述N个第二层级备件仓的N个子训练数据和关于所述第一层级备件仓的1个子训练数据,将N+1个子训练数据分别输入至N+1个预处理子模型,得到所述处理后的训练数据。
可选地,关于所述N个第二层级备件仓的N个子训练数据中的每个子训练数据包括:与子训练数据对应的第二层级备件仓下的多个第三层级备件仓各自的备件需求数据和环境数据组成的图数据。关于所述第一层级备件仓的1个子训练数据包括:N个第二层级备件仓各自的备件需求数据和环境数据组成的图数据。
可选地,上述基于所述输出数据和所述验证数据,更新所述预测模型包括:处理所述输出数据中的备件需求数据和所述验证数据中的备件需求数据,得到预测误差,基于所述预测误差,更新所述预测模型。
本公开的另一个方面提供了一种预测装置,包括:获取模块、输入模块、更新模块以及预测模块。其中,获取模块,获取多个备件仓的历史数据,其中,所述历史数据包括训练数据和验证数据,所述训练数据包括每个备件仓在多个第一时刻的备件需求数据和环境数据,所述验证数据包括所述多个备件仓在多个第二时刻的备件需求数据。输入模块,将所述训练数据输入至预测模型中,得到输出数据,其中,所述多个备件仓包括多层级备件仓,所述输出数据包括所述多层级备件仓中每一层级备件仓的备件需求数据,所述多层级备件仓中高层级备件仓的备件需求数据是根据低层级备件仓的备件需求数据确定的。更新模块,基于所述输出数据和所述验证数据,更新所述预测模型。预测模块,基于更新后的预测模型预测所述多个备件仓的备件需求数据。
可选地,上述预测模型包括预处理子模型和预测子模型。所述将所述训练数据输入至预测模型中,得到输出数据包括:将所述训练数据输入至所述预处理子模型中,得到处理后的训练数据,其中,所述处理后的训练数据包括所述备件需求数据和所述环境数据的关联关系,将所述处理后的训练数据输入至所述预测子模型中,得到所述输出数据。
可选地,上述多层级备件仓至少包括:第一层级备件仓、第二层级备件仓、第三层级备件仓,所述第一层级备件仓、所述第二层级备件仓、所述第三层级备件仓的层级为高层级至低层级,其中,所述第一层级备件仓包括N个第二层级备件仓,所述N个第二层级备件仓中的每个第二层级备件仓包括多个第三层级备件仓,N为大于等于2的整数。
可选地,上述预处理子模型包括N+1个。所述将所述训练数据输入至所述预处理子模型中,得到处理后的训练数据包括:从所述训练数据中获取关于所述N个第二层级备件仓的N个子训练数据和关于所述第一层级备件仓的1个子训练数据,将N+1个子训练数据分别输入至N+1个预处理子模型,得到所述处理后的训练数据。
可选地,关于所述N个第二层级备件仓的N个子训练数据中的每个子训练数据包括:与子训练数据对应的第二层级备件仓下的多个第三层级备件仓各自的备件需求数据和环境数据组成的图数据。关于所述第一层级备件仓的1个子训练数据包括:N个第二层级备件仓各自的备件需求数据和环境数据组成的图数据。
可选地,上述基于所述输出数据和所述验证数据,更新所述预测模型包括:处理所述输出数据中的备件需求数据和所述验证数据中的备件需求数据,得到预测误差,基于所述预测误差,更新所述预测模型。
本公开的另一个方面提供了一种计算设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器用于实现如上的方法。
本公开的另一方面提供了一种非易失性可读存储介质,存储有计算机可执行指令,指令在被执行时用于实现如上的方法。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现如上的方法。
附图说明
为了更完整地理解本公开及其优势,现在将参考结合附图的以下描述,其中:
图1示意性示出了根据本公开实施例的预测方法和预测装置的应用场景;
图2示意性示出了根据本公开实施例的预测方法的流程图;
图3示意性示出了根据本公开实施例的预测方法的示意图;
图4示意性示出了根据本公开实施例的预测装置的框图;以及
图5示意性示出了根据本公开实施例的用于实现预测的计算机系统的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
附图中示出了一些方框图和/或流程图。应理解,方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程控制装置的处理器,从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。
因此,本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外,本公开的技术可以采取存储有指令的计算机可读介质上的计算机程序产品的形式,该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。在本公开的上下文中,计算机可读介质可以是能够包含、存储、传送、传播或传输指令的任意介质。例如,计算机可读介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。计算机可读介质的具体示例包括:磁存储装置,如磁带或硬盘(HDD);光存储装置,如光盘(CD-ROM);存储器,如随机存取存储器(RAM)或闪存;和/或有线/无线通信链路。
本公开的实施例提供了一种预测方法,包括:获取多个备件仓的历史数据,其中,历史数据包括训练数据和验证数据,训练数据包括多个备件仓中每个备件仓在多个第一时刻的备件需求数据和环境数据,验证数据包括多个备件仓在至少一个第二时刻的备件需求数据。然后,将训练数据输入至预测模型中,得到输出数据,其中,多个备件仓包括多层级备件仓,输出数据包括多层级备件仓中每一层级备件仓的备件需求数据,多层级备件仓中高层级备件仓的备件需求数据是根据低层级备件仓的备件需求数据确定的。其后,可以基于输出数据和验证数据,更新预测模型,并基于更新后的预测模型预测多个备件仓的备件需求数据。
图1示意性示出了根据本公开实施例的预测方法和预测装置的应用场景。需要注意的是,图1所示仅为可以应用本公开实施例的场景的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示的应用场景100例如包括多个地区中关于备件的历史数据以及用于预测备件需求的预测模型110。其中,本公开实施例所指的备件例如是为了替换机器、仪器中较容易损坏的器件所准备的零件和部件。例如,以机器为计算机举例,备件例如可以是主板、内存条、显卡等等。
根据本公开实施例,为了在机器备件损坏时及时提供替换的备件,通常需要提前存储一定数量的备件。但是,如果存储的备件数量较少,将导致无法及时提供足够数量的备件来替换损坏的备件;如果存储的备件数量过多,将导致库存成本较高。因此,本公开实施例可以通过预测未来对备件的需求量,以在保证服务水平的前提下,更加科学地制定采购备件的计划,尽可能降低库存成本。
根据本公开实施例,可以通过采集多个备件仓的历史数据,该历史数据能够反映在过去各个备件仓对备件的需求,并将多个备件仓的历史数据输入至同一个预测模型110中,以便通过同一个预测模型110预测多个备件仓未来对备件的需求。
例如,如图1所示的地区1、地区2、地区3中的每个地区均包括多个备件仓,将地区1、地区2、地区3中关于备件仓的历史数据输入至预测模型110中,以便通过预测模型110预测地区1、地区2、地区3中关于备件仓未来对备件的需求。
下面结合图1的应用场景,参考图2~图3来描述根据本公开示例性实施方式的预测方法。需要注意的是,上述应用场景仅是为了便于理解本公开的精神和原理而示出,本公开的实施方式在此方面不受任何限制。相反,本公开的实施方式可以应用于适用的任何场景。
图2示意性示出了根据本公开实施例的预测方法的流程图。
如图2所示,该方法包括操作S210~S240。
在操作S210,获取多个备件仓的历史数据,其中,历史数据包括训练数据和验证数据,训练数据包括多个备件仓中每个备件仓在多个第一时刻的备件需求数据和环境数据,验证数据包括多个备件仓在至少一个第二时刻的备件需求数据。
根据本公开实施例,多个备件仓例如包括不同地区的备件仓。例如,针对一个国家来说,多个备件仓可以包括全国地区的备件仓、省级地区的备件仓以及市级地区的备件仓等等。
在本公开实施例中,多个备件仓中的历史数据例如包括每个备件仓的训练数据和验证数据。其中,第二时刻例如在第一时刻之后,第一时刻的训练数据可以用于训练预测模型,第二时刻的验证数据可以用于验证经训练的预测模型。
在本公开实施例中,多个第一时刻例如包括过去的第一时刻1、第一时刻2、第一时刻3等等,训练数据例如包括每个备件仓分别在第一时刻1、第一时刻2、第一时刻3的备件需求数据和环境数据。其中,备件需求数据例如为第一时刻时每个备件仓所消耗的备件数量,环境数据例如可以包括备件仓所在地区的天气信息、地理位置信息等等。
在操作S220,将训练数据输入至预测模型中,得到输出数据,其中,多个备件仓包括多层级备件仓,输出数据包括多层级备件仓中每一层级备件仓的备件需求数据,多层级备件仓中高层级备件仓的备件需求数据是根据低层级备件仓的备件需求数据确定的。
根据本公开实施例,多个备件仓例如包括多层级备件仓,多层级备件仓例如包括如上所提及的全国地区的备件仓、省级地区的备件仓以及市级地区的备件仓。其中,全国地区的备件仓、省级地区的备件仓以及市级地区的备件仓的层级从高至低排列。
在本公开实施例中,将训练数据输入到预测模型中,得到的输出数据例如包括全国地区的备件仓、省级地区的备件仓以及市级地区的备件仓的备件需求数据,该输出数据例如为在第二时刻关于备件需求的预测数据。其中,高层级备件仓的备件需求数据可以根据低层级备件仓的备件需求数据确定。例如,市级地区的备件仓的备件需求数据可以通过预测模型基于历史数据预测得到,省级地区的备件仓的备件需求量例如为该省级地区下的多个市级地区的备件仓的备件需求量之和,全国地区的备件仓的备件需求量例如为多个省级地区的备件仓的备件需求量之和。
在操作S230,基于输出数据和验证数据,更新预测模型。
根据本公开实施例,根据低层级备件仓的备件需求数据确定高层级备件仓的备件需求数据可能存在的一定预测误差,为了减小该预测误差,可以基于输出数据和验证数据更新预测模型。
例如,多个层级备件仓中包括省级地区的备件仓A以及该省级地区下的市级地区的备件仓B1、市级地区的备件仓B2。预测模型的输出数据例如包括市级地区的备件仓B1的备件需求量为b1、市级地区的备件仓B2的备件需求量为b2以及省级地区的备件仓A的备件需求量a,其中,a=b1+b2。可以理解,该预测数据a、b1、b2例如为第二时刻的预测数据,验证数据例如包括在第二时刻时省级地区的备件仓A实际备件需求量a’、市级地区的备件仓B1的实际备件需求量b1’、市级地区的备件仓B2的实际备件需求量b2’。
然后,通过处理输出数据中的备件需求数据和验证数据中的备件需求数据,得到预测误差。例如得到a与a’之间的误差、b1与b1’之间的误差以及b2与b2’之间的误差作为预测误差。基于该预测误差,可以利用随机梯度下降法更新预测模型。可以理解,本公开实施例不限制更新预测模型的次数,可以根据实际应用实时更新。
在本公开实施例中,为了保证备件需求数据的一致性,即为了保证预测结果中高层级备件仓的备件需求量等于低层级备件仓的备件需求量,本公开实施例采用将低层级备件仓的备件需求量之和作为高层级备件仓的备件需求量的方式。因此,为了尽可能减小低层级备件仓的预测误差逐层累积导致影响高层级备件仓的备件需求量的预测值,本公开实施例通过基于各个层级的预测误差更新预测模型,以在整体上提高预测模型的预测精度。
在操作S240,基于更新后的预测模型预测多个备件仓的备件需求数据。即,可以通过更新后的预测模型基于历史数据预测多个备件仓未来的备件需求数据。
本公开实施例的技术方案可以将多层级备件仓的历史数据输入同一个预测模型中,通过一个预测模型预测多层级备件仓未来的备件需求数据。可以理解,采用同一个预测模型的方式考虑到了多层级备件仓之间的内在联系,使得预测模型的预测精度更加精确。另外,通过基于各个层级的预测误差更新预测模型,至少能够减小低层级备件仓的预测误差对预测高层级备件仓的备件需求量的影响程度,实现了在整体上提高预测模型的预测精度。
图3示意性示出了根据本公开实施例的预测方法的示意图。
如图3所示,本公开实施例的多层级备件仓例如至少包括第一层级备件仓A、第二层级备件仓、第三层级备件仓。其中,第一层级备件仓、第二层级备件仓、第三层级备件仓的层级为高层级至低层级。例如,第一层级备件仓A包括N个第二层级备件仓,N个第二层级备件仓中的每个第二层级备件仓例如包括多个第三层级备件仓,其中,N为大于等于2的整数。为了便于理解,本公开实施例以N等于3举例。即,N个第二层级备件仓例如包括第二层级备件仓B、第二层级备件仓C、第二层级备件仓D。
根据本公开实施例,关于N个第二层级备件仓的N个子训练数据中的每个子训练数据包括:与子训练数据对应的第二层级备件仓下的多个第三层级备件仓各自的备件需求数据和环境数据组成的图数据。例如,每个第二层级备件仓均具有子训练数据,以第二层级备件仓B举例,第二层级备件仓B包括多个第三层级备件仓,例如包括第三层级备件仓b1、b2、b3等等,第三层级备件仓b1、b2、b3各自的备件需求数据和环境数据例如组成第二层级备件仓B的图数据b。
根据本公开实施例,关于第一层级备件仓A的子训练数据包括:N个第二层级备件仓各自的备件需求数据和环境数据组成的图数据a。例如,第二层级备件仓B、第二层级备件仓C、第二层级备件仓D的备件需求数据和环境数据组合为第一层级备件仓A的图数据a。
根据本公开实施例,图数据例如为非欧式数据,非欧式数据例如为非欧几里德结构数据(Non-Euclidean Structure Data),本公开实施例可以通过图卷积神经网络(GraphConvolutional Networks,GCN)基于该图数据预测备件需求。因此,本公开实施例的预测模型例如可以包括图卷积神经网络。
具体地,本公开实施例的预测模型例如可以包括预处理子模型和预测子模型。其中,处理子模型例如可以是图卷积神经网络,预测子模型例如可以是长短期记忆网络(LongShort-Term Memory,LSTM)。
其中,将训练数据输入至预测模型中,得到输出数据例如可以包括:将训练数据输入至预处理子模型中,得到处理后的训练数据,其中,处理后的训练数据包括备件需求数据和环境数据的关联关系。即,本公开实施例通过预处理子模型对训练数据进行特征增强处理,以提取训练数据中关于备件需求数据和环境数据的关联关系。以环境数据为天气因素举例,关联关系例如可以表现为温度越高的地区对某些备件的需求量越高。
根据本公开实施例,可以从训练数据中获取关于N个第二层级备件仓的N个子训练数据(图数据b、图数据c、图数据d)和关于第一层级备件仓的1个子训练数据(图数据a),再将N+1个子训练数据分别输入至N+1个预处理子模型,得到处理后的训练数据。例如,N+1个子训练数据分别为图数据b、图数据c、图数据d、图数据a,N+1个预处理子模型例如分别为GCN_1、GCN_2、GCN_3、GCN_4。然后,可以将处理后的训练数据输入至预测子模型(例如LSTM)中,得到输出数据。
本公开实施例的技术方案通过将多层级备件仓的历史数据输入同一个预测模型中,以便通过一个预测模型预测多层级备件仓未来的备件需求数据。其中,通过采用同一个预测模型预测多层级备件仓的方式考虑到了多层级备件仓之间的内在联系,使得预测模型的预测精度更加精确。另外,由于各个层级的历史数据是非欧式数据,本公开实施例通过图卷积神经网络来处理非欧式数据,至少部分实现了对各个层级数据的拓扑结构的真实模拟。
图4示意性示出了根据本公开实施例的预测装置的框图。
如图4所示,预测装置400包括获取模块410、输入模块420、更新模块430以及预测模块440。
获取模块410可以用于获取多个备件仓的历史数据,其中,历史数据包括训练数据和验证数据,训练数据包括多个备件仓中每个备件仓在多个第一时刻的备件需求数据和环境数据,验证数据包括多个备件仓在至少一个第二时刻的备件需求数据。根据本公开实施例,获取模块410例如可以执行上文参考图2描述的操作S210,在此不再赘述。
输入模块420可以用于将训练数据输入至预测模型中,得到输出数据,其中,多个备件仓包括多层级备件仓,输出数据包括多层级备件仓中每一层级备件仓的备件需求数据,多层级备件仓中高层级备件仓的备件需求数据是根据低层级备件仓的备件需求数据确定的。根据本公开实施例,输入模块420例如可以执行上文参考图2描述的操作S220,在此不再赘述。
更新模块430可以用于基于输出数据和验证数据,更新预测模型。根据本公开实施例,更新模块430例如可以执行上文参考图2描述的操作S230,在此不再赘述。
预测模块440可以用于基于更新后的预测模型预测多个备件仓的备件需求数据。根据本公开实施例,预测模块440例如可以执行上文参考图2描述的操作S240,在此不再赘述。
根据本公开实施例,预测模型包括预处理子模型和预测子模型。将训练数据输入至预测模型中,得到输出数据包括:将训练数据输入至预处理子模型中,得到处理后的训练数据,其中,处理后的训练数据包括备件需求数据和环境数据的关联关系,将处理后的训练数据输入至预测子模型中,得到输出数据。
根据本公开实施例,多层级备件仓至少包括:第一层级备件仓、第二层级备件仓、第三层级备件仓,第一层级备件仓、第二层级备件仓、第三层级备件仓的层级为高层级至低层级,其中,第一层级备件仓包括N个第二层级备件仓,N个第二层级备件仓中的每个第二层级备件仓包括多个第三层级备件仓,N为大于等于2的整数。
根据本公开实施例,预处理子模型包括N+1个。将训练数据输入至预处理子模型中,得到处理后的训练数据包括:从训练数据中获取关于N个第二层级备件仓的N个子训练数据和关于第一层级备件仓的1个子训练数据,将N+1个子训练数据分别输入至N+1个预处理子模型,得到处理后的训练数据。
根据本公开实施例,关于N个第二层级备件仓的N个子训练数据中的每个子训练数据包括:与子训练数据对应的第二层级备件仓下的多个第三层级备件仓各自的备件需求数据和环境数据组成的图数据。关于第一层级备件仓的1个子训练数据包括:N个第二层级备件仓各自的备件需求数据和环境数据组成的图数据。
根据本公开实施例,基于输出数据和验证数据,更新预测模型包括:处理输出数据中的备件需求数据和验证数据中的备件需求数据,得到预测误差,基于预测误差,更新预测模型。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,获取模块410、输入模块420、更新模块430以及预测模块440中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,获取模块410、输入模块420、更新模块430以及预测模块440中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块410、输入模块420、更新模块430以及预测模块440中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图5示意性示出了根据本公开实施例的用于实现预测的计算机系统的方框图。图5示出的计算机系统仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,实现预测的计算机系统500包括处理器501、计算机可读存储介质502。该系统500可以执行根据本公开实施例的方法。
具体地,处理器501例如可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器501还可以包括用于缓存用途的板载存储器。处理器501可以是用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
计算机可读存储介质502,例如可以是能够包含、存储、传送、传播或传输指令的任意介质。例如,可读存储介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。可读存储介质的具体示例包括:磁存储装置,如磁带或硬盘(HDD);光存储装置,如光盘(CD-ROM);存储器,如随机存取存储器(RAM)或闪存;和/或有线/无线通信链路。
计算机可读存储介质502可以包括计算机程序503,该计算机程序503可以包括代码/计算机可执行指令,其在由处理器501执行时使得处理器501执行根据本公开实施例的方法或其任何变形。
计算机程序503可被配置为具有例如包括计算机程序模块的计算机程序代码。例如,在示例实施例中,计算机程序503中的代码可以包括一个或多个程序模块,例如包括503A、模块503B、……。应当注意,模块的划分方式和个数并不是固定的,本领域技术人员可以根据实际情况使用合适的程序模块或程序模块组合,当这些程序模块组合被处理器501执行时,使得处理器501可以执行根据本公开实施例的方法或其任何变形。
根据本公开的实施例,获取模块410、输入模块420、更新模块430以及预测模块440中的至少一个可以实现为参考图5描述的计算机程序模块,其在被处理器501执行时,可以实现上面描述的相应操作。
本公开还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现以上预测方法。
根据本公开的实施例,计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、有线、光缆、射频信号等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
尽管已经参照本公开的特定示例性实施例示出并描述了本公开,但是本领域技术人员应该理解,在不背离所附权利要求及其等同物限定的本公开的精神和范围的情况下,可以对本公开进行形式和细节上的多种改变。因此,本公开的范围不应该限于上述实施例,而是应该不仅由所附权利要求来进行确定,还由所附权利要求的等同物来进行限定。
Claims (10)
1.一种预测方法,包括:
获取多个备件仓的历史数据,其中,所述历史数据包括训练数据和验证数据,所述训练数据包括所述多个备件仓中每个备件仓在多个第一时刻的备件需求数据和环境数据,所述验证数据包括所述多个备件仓在至少一个第二时刻的备件需求数据;
将所述训练数据输入至预测模型中,得到输出数据,其中,所述多个备件仓包括多层级备件仓,所述输出数据包括所述多层级备件仓中每一层级备件仓的备件需求数据,所述多层级备件仓中高层级备件仓的备件需求数据是根据低层级备件仓的备件需求数据确定的;
基于所述输出数据和所述验证数据,更新所述预测模型;以及
基于更新后的预测模型预测所述多个备件仓的备件需求数据。
2.根据权利要求1所述的方法,其中,所述预测模型包括预处理子模型和预测子模型;
所述将所述训练数据输入至预测模型中,得到输出数据包括:
将所述训练数据输入至所述预处理子模型中,得到处理后的训练数据,其中,所述处理后的训练数据包括所述备件需求数据和所述环境数据的关联关系;以及
将所述处理后的训练数据输入至所述预测子模型中,得到所述输出数据。
3.根据权利要求2所述的方法,其中,
所述多层级备件仓至少包括:第一层级备件仓、第二层级备件仓、第三层级备件仓,所述第一层级备件仓、所述第二层级备件仓、所述第三层级备件仓的层级为高层级至低层级,
其中,所述第一层级备件仓包括N个第二层级备件仓,所述N个第二层级备件仓中的每个第二层级备件仓包括多个第三层级备件仓,N为大于等于2的整数。
4.根据权利要求3所述的方法,其中,所述预处理子模型包括N+1个;
所述将所述训练数据输入至所述预处理子模型中,得到处理后的训练数据包括:
从所述训练数据中获取关于所述N个第二层级备件仓的N个子训练数据和关于所述第一层级备件仓的1个子训练数据;以及
将N+1个子训练数据分别输入至N+1个预处理子模型,得到所述处理后的训练数据。
5.根据权利要求4所述的方法,其中,
关于所述N个第二层级备件仓的N个子训练数据中的每个子训练数据包括:与子训练数据对应的第二层级备件仓下的多个第三层级备件仓各自的备件需求数据和环境数据组成的图数据;
关于所述第一层级备件仓的1个子训练数据包括:N个第二层级备件仓各自的备件需求数据和环境数据组成的图数据。
6.根据权利要求1所述的方法,其中,所述基于所述输出数据和所述验证数据,更新所述预测模型包括:
处理所述输出数据中的备件需求数据和所述验证数据中的备件需求数据,得到预测误差;以及
基于所述预测误差,更新所述预测模型。
7.一种预测装置,包括:
获取模块,获取多个备件仓的历史数据,其中,所述历史数据包括训练数据和验证数据,所述训练数据包括每个备件仓在多个第一时刻的备件需求数据和环境数据,所述验证数据包括所述多个备件仓在多个第二时刻的备件需求数据;
输入模块,将所述训练数据输入至预测模型中,得到输出数据,其中,所述多个备件仓包括多层级备件仓,所述输出数据包括所述多层级备件仓中每一层级备件仓的备件需求数据,所述多层级备件仓中高层级备件仓的备件需求数据是根据低层级备件仓的备件需求数据确定的;
更新模块,基于所述输出数据和所述验证数据,更新所述预测模型;以及
预测模块,基于更新后的预测模型预测所述多个备件仓的备件需求数据。
8.根据权利要求7所述的装置,其中,所述预测模型包括预处理子模型和预测子模型;
所述将所述训练数据输入至预测模型中,得到输出数据包括:
将所述训练数据输入至所述预处理子模型中,得到处理后的训练数据,其中,所述处理后的训练数据包括所述备件需求数据和所述环境数据的关联关系;以及
将所述处理后的训练数据输入至所述预测子模型中,得到所述输出数据。
9.一种计算设备,包括:
一个或多个处理器;以及
存储器,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至6中任一项所述的方法。
10.一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911112032.XA CN110837937A (zh) | 2019-11-13 | 2019-11-13 | 预测方法、装置、计算设备以及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911112032.XA CN110837937A (zh) | 2019-11-13 | 2019-11-13 | 预测方法、装置、计算设备以及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110837937A true CN110837937A (zh) | 2020-02-25 |
Family
ID=69574919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911112032.XA Pending CN110837937A (zh) | 2019-11-13 | 2019-11-13 | 预测方法、装置、计算设备以及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110837937A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007286977A (ja) * | 2006-04-18 | 2007-11-01 | Ricoh Co Ltd | 需要予測方法及び需要予測プログラム |
CN102360388A (zh) * | 2011-10-20 | 2012-02-22 | 苏州大学 | 基于支持向量回归的时间序列预测方法及系统 |
CN108492141A (zh) * | 2018-03-28 | 2018-09-04 | 联想(北京)有限公司 | 一种多模型融合的预测方法及装置 |
-
2019
- 2019-11-13 CN CN201911112032.XA patent/CN110837937A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007286977A (ja) * | 2006-04-18 | 2007-11-01 | Ricoh Co Ltd | 需要予測方法及び需要予測プログラム |
CN102360388A (zh) * | 2011-10-20 | 2012-02-22 | 苏州大学 | 基于支持向量回归的时间序列预测方法及系统 |
CN108492141A (zh) * | 2018-03-28 | 2018-09-04 | 联想(北京)有限公司 | 一种多模型融合的预测方法及装置 |
Non-Patent Citations (3)
Title |
---|
张冬等: "基于BP神经网络和设备特性的工业设备备件需求预测", 《机械设计与研究》 * |
程凤姣等: "基于需求特性的组合式库存需求预测方法", 《北京信息科技大学学报(自然科学版)》 * |
荆园园: "人工神经网络在客车备件需求预测中的应用研究", 《中国优秀博硕士学位论文全文数据库(硕士)经济与管理科学辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359793B (zh) | 一种针对新场景的预测模型训练方法及装置 | |
US10242425B2 (en) | Translation of artificial intelligence representations | |
NL2030226A (en) | Methods, systems, articles of manufacture and apparatus to optimize resources in edge networks | |
US20150254686A1 (en) | End of Life Product Planning | |
US20200074267A1 (en) | Data prediction | |
US11093882B2 (en) | System and method for a cognitive it change request evaluator | |
US20220083976A1 (en) | Digital twin based supply chain routing | |
US20180174069A1 (en) | System and method for improving problematic information technology device prediction using outliers | |
US20210357767A1 (en) | Automated knowledge infusion for robust and transferable machine learning | |
US20190147390A1 (en) | Predicting timely completion of a work order | |
US10176437B2 (en) | Method and apparatus to analytically support parts provision for hardware maintenance service | |
US20210110248A1 (en) | Identifying and optimizing skill scarcity machine learning algorithms | |
CN111507541B (zh) | 货量预测模型构建方法、货量测量方法、装置及电子设备 | |
US11488083B2 (en) | Risk failure prediction for line assets | |
US11803792B2 (en) | Risk management | |
Fracca et al. | Estimating activity start timestamps in the presence of waiting times via process simulation | |
US20230267400A1 (en) | Artificially intelligent warehouse management system | |
US10824777B2 (en) | Employing natural language processing to facilitate geospatial analysis | |
CN112783423A (zh) | 数据对象的存放方法、装置、电子设备及计算机可读介质 | |
CN110837937A (zh) | 预测方法、装置、计算设备以及介质 | |
US20230137184A1 (en) | Incremental machine learning for a parametric machine learning model | |
US20230177243A1 (en) | Processor chip timing adjustment enhancement | |
CN110852513A (zh) | 预测方法、装置、计算设备以及介质 | |
US20230018159A1 (en) | Autonomous generation of grc programs | |
US11120174B1 (en) | Methods and apparatus for evaluation of combinatorial processes using simulation and multiple parallel statistical analyses of real data |
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: 20200225 |
|
RJ01 | Rejection of invention patent application after publication |