CN110889490B - 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 PDF

Info

Publication number
CN110889490B
CN110889490B CN201911111907.4A CN201911111907A CN110889490B CN 110889490 B CN110889490 B CN 110889490B CN 201911111907 A CN201911111907 A CN 201911111907A CN 110889490 B CN110889490 B CN 110889490B
Authority
CN
China
Prior art keywords
data
prediction
spare part
updating
prediction model
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.)
Active
Application number
CN201911111907.4A
Other languages
English (en)
Other versions
CN110889490A (zh
Inventor
张秀玲
张亚红
朱明达
欧阳文理
范伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lenovo Beijing Ltd
Original Assignee
Lenovo Beijing Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lenovo Beijing Ltd filed Critical Lenovo Beijing Ltd
Priority to CN201911111907.4A priority Critical patent/CN110889490B/zh
Publication of CN110889490A publication Critical patent/CN110889490A/zh
Application granted granted Critical
Publication of CN110889490B publication Critical patent/CN110889490B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/045—Combinations of 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Accounting & Taxation (AREA)
  • Finance (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：获取备件的历史数据，由预测模型处理历史数据，得到输出数据，其中，输出数据包括针对备件的备件需求的预测数据和与影响因素对应的中间数据，影响因素表征预测模型中的至少一部分参数，预测模型用于基于与影响因素对应的中间数据处理历史数据。接收用户基于输出数据执行的更新操作，其中，更新操作包括针对预测数据和中间数据中的至少一个执行的操作。基于更新操作，更新预测模型，以便基于更新后的预测模型重新预测备件需求。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

预测方法、装置、计算设备以及介质
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
准确的备件需求预测是服务供应链管理的关键一环，它能够帮助决策者在保证服务水平的前提下，更科学的制定采购计划，尽可能降低库存成本。在备件需求预测中，当模型的输入数据不足或者有误时，对导致预测结果的偏差和置信度下降，因此，如何优化预测模型以实现提高预测模型的预测精度是供应链智能化进程中非常关键的问题。
发明内容
本公开的一个方面提供了一种预测方法，包括：获取备件的历史数据，由预测模型处理所述历史数据，得到输出数据，其中，所述输出数据包括针对所述备件的备件需求的预测数据和与影响因素对应的中间数据，所述影响因素表征所述预测模型中的至少一部分参数，所述预测模型用于基于与影响因素对应的中间数据处理所述历史数据。接收用户基于所述输出数据执行的更新操作，其中，所述更新操作包括针对所述预测数据和所述中间数据中的至少一个执行的操作。基于所述更新操作，更新所述预测模型，以便基于更新后的预测模型重新预测所述备件需求。
可选地，上述基于所述更新操作，更新所述预测模型包括：基于所述更新操作，更新所述输出数据，基于更新后的输出数据，更新所述预测模型。
可选地，上述基于所述更新操作，更新所述输出数据包括以下至少一项：基于针对所述预测数据的第一更新操作，更新所述预测数据，基于针对所述中间数据的第二更新操作，更新所述中间数据。
可选地，上述第一更新操作包括：所述用户根据预定预测数据针对所述预测数据执行的操作，以将所述预测数据更新为所述预定预测数据，其中，所述预定预测数据包括根据所述预测数据确定的所述备件的当前备件需求。所述第二更新操作包括：所述用户根据关联关系针对所述中间数据执行的操作，其中，所述关联关系包括所述预测数据与所述中间数据之间的关系。
可选地，上述方法还包括：获取所述备件的属性信息和历史备件需求，展示所属性信息和所述历史备件需求，以便所述用户基于所述属性信息和所述历史备件需求确定所述关联关系。
可选地，上述基于更新后的输出数据，更新所述预测模型包括：基于更新后的输出数据，通过反向传输算法更新所述预测模型中的参数。
可选地，上述预测模型至少包括输入层、中间层、输出层，其中，所述输入层用于接收所述历史数据，所述中间数据是基于所述中间层中的至少一部分参数确定的，并且所述中间数据经由所述中间层输出，所述输出层用于输出所述预测数据。
本公开的另一个方面提供了一种预测装置，包括：获取模块、处理模块、接收模块以及更新模块。其中，获取模块，获取备件的历史数据。处理模块，由预测模型处理所述历史数据，得到输出数据，其中，所述输出数据包括针对所述备件的备件需求的预测数据和与影响因素对应的中间数据，所述影响因素表征所述预测模型中的至少一部分参数，所述预测模型用于基于与影响因素对应的中间数据处理所述历史数据。接收模块，接收用户基于所述输出数据执行的更新操作，其中，所述更新操作包括针对所述预测数据和所述中间数据中的至少一个执行的操作。更新模块，基于所述更新操作，更新所述预测模型，以便基于更新后的预测模型重新预测所述备件需求。
可选地，上述基于所述更新操作，更新所述预测模型包括：基于所述更新操作，更新所述输出数据，基于更新后的输出数据，更新所述预测模型。
可选地，上述基于所述更新操作，更新所述输出数据包括以下至少一项：基于针对所述预测数据的第一更新操作，更新所述预测数据，基于针对所述中间数据的第二更新操作，更新所述中间数据。
可选地，上述第一更新操作包括：所述用户根据预定预测数据针对所述预测数据执行的操作，以将所述预测数据更新为所述预定预测数据，其中，所述预定预测数据包括根据所述预测数据确定的所述备件的当前备件需求。所述第二更新操作包括：所述用户根据关联关系针对所述中间数据执行的操作，其中，所述关联关系包括所述预测数据与所述中间数据之间的关系。
可选地，上述装置还包括：获取模块和展示模块。其中，获取模块，获取所述备件的属性信息和历史备件需求。展示模块，展示所属性信息和所述历史备件需求，以便所述用户基于所述属性信息和所述历史备件需求确定所述关联关系。
可选地，上述基于更新后的输出数据，更新所述预测模型包括：基于更新后的输出数据，通过反向传输算法更新所述预测模型中的参数。
可选地，上述预测模型至少包括输入层、中间层、输出层，其中，所述输入层用于接收所述历史数据，所述中间数据是基于所述中间层中的至少一部分参数确定的，并且所述中间数据经由所述中间层输出，所述输出层用于输出所述预测数据。
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示例性示出了根据本公开实施例预测模型的示意图；
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，该包括：获取备件的历史数据，然后由预测模型处理历史数据，得到输出数据，其中，输出数据包括针对备件的备件需求的预测数据和与影响因素对应的中间数据，影响因素表征预测模型中的至少一部分参数，预测模型用于基于与影响因素对应的中间数据处理历史数据。其后，可以接收用户基于输出数据执行的更新操作，其中，更新操作包括针对预测数据和中间数据中的至少一个执行的操作。最后，可以基于更新操作，更新预测模型，以便基于更新后的预测模型重新预测备件需求。
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，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。
为了在机器备件损坏时及时提供替换的备件，通常需要提前预存一定数量的备件。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，通过采集备件的历史数据，该历史数据例如能够反映在过去对备件的需求，并将历史数据作为训练样本来训练预测模型。然后，可以利用经训练的预测模型预测未来备件需求。
如图1所示，在利用预测模型120预测未来备件需求时，例如可以将历史数据110输入至预测模型120中，输入数据110例如可以包括过去的备件需求量。预测模型120基于历史数据110预测未来备件的需求数据130，需求数据130例如可以包括未来的备件需求量。
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，该方法例如包括操作S210～S240。
在操作S210，获取备件的历史数据。
根据本公开实施例，备件的历史数据例如可以包括备件的在保量数据、备件的历史需求量数据以及备件的需求率数据等等。
其中，备件的在保量数据例如可以表征还在保修期内的备件数量。例如，如果机器的保修期为1年，过去一年内所销售的机器为1万台，该一万台机器中的主板数量也为1万，该1万个主板均在保修期内，则备件为主板的在保量数据为1万。
其中，备件的历史需求量数据例如为过去损坏并需要替换的备件数量。备件的需求率如可以是备件的历史需求量与备件的在保量的比值。
在操作S220，由预测模型处理历史数据，得到输出数据，其中，输出数据包括针对备件的备件需求的预测数据和与影响因素对应的中间数据，影响因素表征预测模型中的至少一部分参数，预测模型用于基于与影响因素对应的中间数据处理历史数据。
根据本公开实施例，预测模型例如可以是机器学习模型，例如为线性回归模型、神经网络模型、xgboost(eXtreme Gradient Boosting，极端梯度提升)模型等等。该预测模型能够用于基于历史数据预测未来备件需求。具体地，可以通过将历史数据输入至该预测模型中，得到的输出数据例如包括预测数据和中间数据。
根据本公开实施例，预测数据例如为未来备件的需求量，影响因素例如可以包括备件需求率、备件保修期、备件预测偏好等等。其中，影响因素例如可以是预测模型的中间变量，该中间变量对应有中间数据。例如，备件需求率对应的中间数据为20％，备件保修期对应的中间数据例如为2年。备件预测偏好例如包括需求量偏高或者偏低，该预测偏好表征在预测过程中的倾向程度，如果预测偏好偏高，则预测模型所输出的关于未来备件需求量的预测数据偏高，如果预测偏好偏低，则预测模型所输出的关于未来备件需求量的预测数据偏低。
其中，该影响因素例如可以是预测模型中的一部分参数，或者可以是基于预测模型中一部分参数得到。在预测模型处理历史数据得到预测数据的过程中，预测模型具体可以根据与影响因素对应的中间数据处理该历史数据得到预测数据。
在操作S230，接收用户基于输出数据执行的更新操作，其中，更新操作包括针对预测数据和中间数据中的至少一个执行的操作。
在操作S240，基于更新操作，更新预测模型，以便基于更新后的预测模型重新预测备件需求。例如，可以基于更新操作，更新输出数据，并基于更新后的输出数据，更新预测模型。
根据本公开实施例，为了提高预测模型的预测精度，可以实时根据输出数据更新预测模型。具体地，可以根据实际应用需求更新预测数据或中间数据，并基于更新后的预测数据或中间参数，通过反向传输算法更新预测模型中的相关参数，其中，反向传输算法例如可以是BP算法(Backpropagation Algorithm)。以便基于更新后的预测模型重新预测备件的未来需求量。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。
具体地，对预测数据或中间数据的更新操作例如可以包括修改预测数据或中间数据。例如，以更新预测数据举例，根据历史经验，如果预测模型所输出的预测数据(备件需求量)过大，表征预测模型的预测偏好过高，则可以将预测数据更新为较小数据，并通过反向传输算法更新预测模型。或者，以更新中间数据举例，根据历史经验，如果备件需求率对应的中间数据过高，表征预测模型的预测精度较低，则可以将备件需求率对应的中间数据更新为较小数据，并通过反向传输算法更新预测模型。可以理解，本公开实施例的技术方案通过更新预测数据或者中间数据的方式更新预测模型，从而提高了预测模型的预测精度。
以下将举例说明更新预测数据以及更新中间数据的具体实现方式。
关于更新预测数据，例如可以基于针对预测数据的第一更新操作，更新预测数据。
根据本公开实施例，第一更新操作例如包括：用户根据预定预测数据针对预测数据执行的操作，以将预测数据更新为预定预测数据，其中，预定预测数据包括根据预测数据确定的备件的当前备件需求。例如，当预测模型输出的预测数据为备件需求量110件，根据历史经验，备件的需求量一般不会超过90件，则可以根据预测数据(备件需求量110件)初步确定备件需求量100件作为预定预测数据。即，该确定的预定预测数据是结合历史经验数据以及预测模型输出的预测数据确定的。该预定预测数据(备件需求量100件)可作为更新预测模型的参考，然后可以将模型所输出的预测数据更新为预定预测次数，并基于更新后的预测数据反向更新预测模型。更新后的预测模型更加符合历史经验，从而提高预测模型的预测精度。
关于更新中间数据，例如可以基于针对中间数据的第二更新操作，更新中间数据。
其中，第二更新操作包括：用户根据关联关系针对中间数据执行的操作，其中，关联关系包括预测数据与中间数据之间的关系。
根据本公开实施例，中间数据例如与预测数据相关联。例如，中间数据能影响预测模型所输出的预测数据。以中间数据为备件需求率对应的数据举例，例如备件需求率越大，预测模型输出的预测数据(备件需求量)也越大。因此，可以通过更新中间数据来提高预测模型的预测精度。例如，当预测模型输出的预测数据为备件需求量110件，根据历史经验可知该预测数据偏大，则可以通过更新中间数据来使得预测模型所输出的预测数据减小，例如，以中间数据为备件需求率对应的数据，可以减小中间数据的大小得到更新后的中间数据，并基于更新后的中间数据反向更新预测模型，使得更新后的预测模型所输出的预测数据(备件需求量)减小。
根据本公开实施例，获取关联关系例如包括获取备件的属性信息和历史备件需求，以及展示所属性信息和历史备件需求，以便用户基于属性信息和历史备件需求确定关联关系。
根据本公开实施例，备件的属性信息例如包括备件的特殊保修期、备件的产品特质或属性、备件的历史预测偏好、备件的历史需求等等。通过将备件的属性信息和历史备件需求展示给业务人员，便于业务人员确定该关联关系，从而可以根据关联关系来更新中间数据。
本公开实施例通过更新预测数据或者中间数据，并基于更新后的预测数据或中间数据自动化更新迭代预测模型，从而提高预测模型的预测精度，使得备件的需求预测更加准确，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。
图3示例性示出了根据本公开实施例预测模型的示意图。
如图3所示，预测模型至少包括输入层310、中间层320、输出层330，其中，输入层310例如可以用于接收历史数据，中间数据例如是基于中间层320中的至少一部分参数确定的，并且中间数据可以经由中间层320输出，输出层330例如可以用于输出预测数据。
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、处理模块420、接收模块430以及更新模块440。
获取模块410可以用于获取备件的历史数据。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。
处理模块420可以用于由预测模型处理历史数据，得到输出数据，其中，输出数据包括针对备件的备件需求的预测数据和与影响因素对应的中间数据，影响因素表征预测模型中的至少一部分参数，预测模型用于基于与影响因素对应的中间数据处理历史数据。根据本公开实施例，处理模块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。
接收模块430可以用于接收用户基于输出数据执行的更新操作，其中，更新操作包括针对预测数据和中间数据中的至少一个执行的操作。根据本公开实施例，接收模块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。
更新模块440可以用于基于基于更新操作，更新预测模型，以便基于更新后的预测模型重新预测备件需求。根据本公开实施例，更新模块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，基于更新操作，更新预测模型包括：基于更新操作，更新输出数据，基于更新后的输出数据，更新预测模型。
根据本公开实施例，基于更新操作，更新输出数据包括以下至少一项：基于针对预测数据的第一更新操作，更新预测数据，基于针对中间数据的第二更新操作，更新中间数据。
根据本公开实施例，第一更新操作包括：用户根据预定预测数据针对预测数据执行的操作，以将预测数据更新为预定预测数据，其中，预定预测数据包括根据预测数据确定的备件的当前备件需求。第二更新操作包括：用户根据关联关系针对中间数据执行的操作，其中，关联关系包括预测数据与中间数据之间的关系。
根据本公开实施例，预测装置400还包括：获取模块和展示模块。其中，获取模块，获取备件的属性信息和历史备件需求。展示模块，展示所属性信息和历史备件需求，以便用户基于属性信息和历史备件需求确定关联关系。
根据本公开实施例，基于更新后的输出数据，更新预测模型包括：基于更新后的输出数据，通过反向传输算法更新预测模型中的参数。
根据本公开实施例，预测模型至少包括输入层、中间层、输出层，其中，输入层用于接收历史数据，中间数据是基于中间层中的至少一部分参数确定的，并且中间数据经由中间层输出，输出层用于输出预测数据。
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、处理模块420、接收模块430以及更新模块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、处理模块420、接收模块430以及更新模块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、处理模块420、接收模块430以及更新模块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、处理模块420、接收模块430以及更新模块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。电要注意的是，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：
获取备件的历史数据；
由预测模型处理所述历史数据，得到输出数据，其中，所述输出数据包括针对所述备件的备件需求的预测数据和与影响因素对应的中间数据，所述影响因素表征所述预测模型中的至少一部分参数，所述预测模型用于基于与影响因素对应的中间数据处理所述历史数据；其中，中间数据至少可以用于表示备件需求率、备件保修期、备件预测偏好任一项的数据；所述中间数据与所述预测数据存在关联关系；
接收用户基于所述输出数据执行的更新操作，其中，所述更新操作包括针对所述中间数据中的至少一个执行的操作；以及
基于所述更新操作，更新所述预测模型，以便基于更新后的预测模型重新预测所述备件需求。
2.根据权利要求1所述的方法，其中，所述更新操作还包括针对所述预测数据执行的操作。
3.根据权利要求1所述的方法，其中，所述基于所述更新操作，更新所述预测模型包括：
基于所述更新操作，更新所述输出数据；以及
基于更新后的输出数据，更新所述预测模型。
4.根据权利要求3所述的方法，其中，所述基于所述更新操作，更新所述输出数据包括以下至少一项：
基于针对所述预测数据的第一更新操作，更新所述预测数据；以及
基于针对所述中间数据的第二更新操作，更新所述中间数据。
5.根据权利要求4所述的方法，其中，
所述第一更新操作包括：所述用户根据预定预测数据针对所述预测数据执行的操作，以将所述预测数据更新为所述预定预测数据，其中，所述预定预测数据包括根据所述预测数据确定的所述备件的当前备件需求；以及
所述第二更新操作包括：所述用户根据关联关系针对所述中间数据执行的操作，其中，所述关联关系包括所述预测数据与所述中间数据之间的关系。
6.根据权利要求5所述的方法，还包括：
获取所述备件的属性信息和历史备件需求；以及
展示所属性信息和所述历史备件需求，以便所述用户基于所述属性信息和所述历史备件需求确定所述关联关系。
7.根据权利要求1所述的方法，其中，所述基于更新后的输出数据，更新所述预测模型包括：
基于更新后的输出数据，通过反向传输算法更新所述预测模型中的参数。
8.一种预测装置，包括：
获取模块，获取备件的历史数据；
处理模块，由预测模型处理所述历史数据，得到输出数据，其中，所述输出数据包括针对所述备件的备件需求的预测数据和与影响因素对应的中间数据，所述影响因素表征所述预测模型中的至少一部分参数，所述预测模型用于基于与影响因素对应的中间数据处理所述历史数据；其中，中间数据至少可以用于表示备件需求率、备件保修期、备件预测偏好任一项的数据；所述中间数据与所述预测数据存在关联关系；
接收模块，接收用户基于所述输出数据执行的更新操作，其中，所述更新操作包括针对所述中间数据中的至少一个执行的操作；以及
更新模块，基于所述更新操作，更新所述预测模型，以便基于更新后的预测模型重新预测所述备件需求。
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7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7中任一项所述的方法。
CN201911111907.4A 2019-11-13 2019-11-13 预测方法、装置、计算设备以及介质 Active CN110889490B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911111907.4A CN110889490B (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
CN201911111907.4A CN110889490B (zh) 2019-11-13 2019-11-13 预测方法、装置、计算设备以及介质

Publications (2)

Publication Number Publication Date
CN110889490A CN110889490A (zh) 2020-03-17
CN110889490B true CN110889490B (zh) 2024-04-26

Family

ID=69747474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911111907.4A Active CN110889490B (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) CN110889490B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833329A (zh) * 2003-03-18 2010-09-15 费舍-柔斯芒特系统股份有限公司 过程工厂中的资产优化报告
CN102955876A (zh) * 2011-08-11 2013-03-06 通用电气公司 动态备件管理的系统和方法
CN109636044A (zh) * 2018-12-17 2019-04-16 优必爱信息技术（北京）有限公司 一种智能网联车配件需求预测方法
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
CN109948050A (zh) * 2019-02-12 2019-06-28 东软集团股份有限公司 信息处理方法和装置，存储介质和电子设备
WO2019143931A1 (en) * 2018-01-19 2019-07-25 Griffin Group Global, LLC System and method for providing a prediction-based data structure having different-scheme-derived portions
CN110070391A (zh) * 2019-04-17 2019-07-30 同盾控股有限公司 数据处理方法、装置、计算机可读介质及电子设备
CN110334839A (zh) * 2019-04-15 2019-10-15 北京航空航天大学 航班延误预测方法、装置、设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095614A (zh) * 2014-04-18 2015-11-25 国际商业机器公司 更新预测模型的方法和装置
US10755196B2 (en) * 2016-05-06 2020-08-25 Accenture Global Solutions Limited Determining retraining of predictive models
US11068916B2 (en) * 2017-06-26 2021-07-20 Kronos Technology Systems Limited Partnershi Using machine learning to predict retail business volume

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833329A (zh) * 2003-03-18 2010-09-15 费舍-柔斯芒特系统股份有限公司 过程工厂中的资产优化报告
CN102955876A (zh) * 2011-08-11 2013-03-06 通用电气公司 动态备件管理的系统和方法
WO2019143931A1 (en) * 2018-01-19 2019-07-25 Griffin Group Global, LLC System and method for providing a prediction-based data structure having different-scheme-derived portions
CN109636044A (zh) * 2018-12-17 2019-04-16 优必爱信息技术（北京）有限公司 一种智能网联车配件需求预测方法
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
CN109948050A (zh) * 2019-02-12 2019-06-28 东软集团股份有限公司 信息处理方法和装置，存储介质和电子设备
CN110334839A (zh) * 2019-04-15 2019-10-15 北京航空航天大学 航班延误预测方法、装置、设备及存储介质
CN110070391A (zh) * 2019-04-17 2019-07-30 同盾控股有限公司 数据处理方法、装置、计算机可读介质及电子设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
周春光，梁艳春.误差逆传播算法（BP算法）.《计算智能：人工神经网络模糊系统进化计算》.2005, *
基于BP神经网络和设备特性的工业设备备件需求预测;张冬等;《机械设计与研究》;20100220(第01期);全文 *
孙硕.面向预防性维修的备件需求预测与库存优化方法研究.《中国优秀硕士学位论文全文数据库 农业科技辑》.2015,27-36. *
面向预防性维修的备件需求预测与库存优化方法研究;孙硕;《中国优秀硕士学位论文全文数据库 农业科技辑》;20150715;第27-39页 *

Also Published As

Publication number Publication date
CN110889490A (zh) 2020-03-17

Similar Documents

Publication Publication Date Title
CN114004425B (zh) 物品流转信息预测模型生成方法、信息生成方法、装置
US20200090095A1 (en) Flexible product manufacturing planning
CN109471783A (zh) 预测任务运行参数的方法和装置
US20170212928A1 (en) Cognitive decision making based on dynamic model composition
CN113419941A (zh) 评估方法及装置、电子设备和计算机可读存储介质
US20170316339A1 (en) Method and apparatus to analytically support parts provision for hardware maintenance service
CN105653528B (zh) 一种业务字段多态展示的方法及装置
CN110032437A (zh) 一种基于信息时效性的计算任务处理方法及装置
CN114091589A (zh) 模型训练方法、装置、电子设备及介质
CN110889490B (zh) 预测方法、装置、计算设备以及介质
CN109240916A (zh) 信息输出控制方法、装置及计算机可读存储介质
CN112884376A (zh) 工单处理方法、装置、电子设备及计算机可读存储介质
US10789559B2 (en) Virtually assisted task generation
CN115473822B (zh) 一种5g智能网关数据传输方法、系统及云平台
US9524204B2 (en) Methods and apparatus for customizing and using a reusable database framework for fault processing applications
CN114266239A (zh) 数据集的生成方法及装置
CN114461499A (zh) 异常信息检测模型的构建方法和灰度环境异常检测方法
CN116149978A (zh) 服务接口测试方法、装置、电子设备及存储介质
CN110009380B (zh) 交易数据预测方法、装置、电子设备及计算机存储介质
CN110837937A (zh) 预测方法、装置、计算设备以及介质
JP2022509574A (ja) 動的な入力データに基づく運送業者経路予測
CN112328340B (zh) 模型流程显示方法，装置，电子设备及存储介质
CN115907830B (zh) 基于指标预警的策略执行方法、装置、设备及可读介质
CN116823407B (zh) 产品信息推送方法、装置、电子设备和计算机可读介质
CN110633596A (zh) 预测车辆方向角的方法和装置

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
GR01 Patent grant
GR01 Patent grant