CN113822499B - 一种基于模型融合的列车备件损耗预测方法 - Google Patents
一种基于模型融合的列车备件损耗预测方法 Download PDFInfo
- Publication number
- CN113822499B CN113822499B CN202111393234.3A CN202111393234A CN113822499B CN 113822499 B CN113822499 B CN 113822499B CN 202111393234 A CN202111393234 A CN 202111393234A CN 113822499 B CN113822499 B CN 113822499B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- training
- train
- svm 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000004927 fusion Effects 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 10
- 238000010219 correlation analysis Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012423 maintenance Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 14
- 238000003066 decision tree Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
Abstract
本发明公开了一种基于模型融合的列车备件损耗预测方法,属于备件损耗预测技术领域。将影响列车备件损耗的特征向量进行灰度关联分析得到第一数据集并归一化处理,分成数据A和数据B;利用数据A分别训练BP神经网络、SVM模型和CART模型,将数据B分别输入到训练后的BP神经网络、SVM模型和CART模型中得到组合预测数据库B’;交换训练集和测试集,得到组合预测数据库A’;将A’、B、B’和A构成第二数据集,输入到SVM模型中进行训练得到优化后的SVM模型,将待预测数据输入训练后的BP神经网络、SVM模型和CART模型中得到三个数据,再将三个数据输入到最优的SVM模型中得到列车备件损耗预测数据。
Description
技术领域
本发明属于备件损耗预测技术领域,具体涉及一种基于模型融合的列车备件损耗预测方法。
背景技术
在轨道交通日益发达的今天,我们国家的高铁铁路里程已经是世界第一。同时也应该看到如何保证后勤库存的有效供应。备件作为一种保障性物资,是不可或缺的物资,也是保证设备正常运行的关键性因素。企业在设备的运行过程中,如何在满足必要条件下,确定最低库存量,最好实现零库存是一个艰难的问题。库存数量过于充足能满足使用条件,但是也造成了大量的资金的消耗,不利于企业的扩张与前进;极少的库存,在遇到非常情况时,可能会造成重大的损失,不利于国计民生。
通常管理人员确定下一次的采购量一般是依据备件的ABC分类法来确定,也有使用灰色预测来确定,后来机器学习的兴起,逐渐有使用BP神经网络与SVM等常规的小样本数据处理模型。同时应该看到单个模型考虑的影响因素较少,以及模型的单一化造成的预测不准确缺点。备件的存储数量一直以来都是困扰库存管理人员的一大痛点。如何更好的预测下一季度的采购量是一个非常值得研究的问题。
发明内容
本发明的目的是为了准确的预测列车备件的采购量。
本发明提供了一种基于模型融合的列车备件损耗预测方法,包括以下步骤:
步骤1:将影响列车备件损耗的特征向量进行灰度关联分析进行排序,再根据预设规则得到关键影响因素作为第一数据集;
步骤2:将步骤1得到的第一数据集进行归一化处理;
步骤3:将归一化后的第一数据集分成数据A和数据B;
将数据A作为训练集,数据B作为测试集:利用训练集A分别训练BP神经网络、SVM模型和CART模型,然后将测试集B分别输入到训练后的BP神经网络、SVM模型和CART模型中得到得到组合预测数据库B’;
将数据B作为训练集,数据A作为测试集:利用训练集B分别训练BP神经网络、SVM模型和CART模型,然后将测试集A分别输入到训练后的BP神经网络、SVM模型和CART模型中得到得到组合预测数据库A’;
步骤4:将组合预测数据库A’、数据B、组合预测数据库B’和数据A构成第二数据集,将第二数据集输入到SVM模型中进行训练,得到最优的SVM模型;
步骤5:将待预测数据输入到步骤3中训练后的BP神经网络、SVM模型和CART模型中得到三个数据,再将三个数据输入到步骤4最优的SVM模型中得到列车备件损耗预测数据。
进一步地限定,步骤1所述的列车备件损耗的特征向量为:载客量比、备件故障率、当季湿度天数占比、当季度异常天气占比、当季度温度天数占比、列车的使用时长、维修手册数量、维护人员素质、维修人员数量和线路使用时长。
进一步地限定,步骤3所述第一数据集是按照1:1比例分成训练集和测试集的。
进一步地限定,步骤3所述SVM模型的核函数的宽带为0.1,惩罚参数设置为10。
进一步地限定,步骤3所述CART模型的最大深度为2。
进一步地限定,步骤4所述SVM模型的惩罚参数设置为2。
本发明提供了一种基于模型融合的列车备件损耗预测装置,包括:
排序模块,用于将影响列车备件损耗的特征向量进行灰度关联分析进行排序,再根据预设规则得到关键影响因素作为第一数据集;
数据处理模块,用于将第一数据集进行归一化处理;
训练模块,用于将归一化后的第一数据集分成数据A和数据B;
将数据A作为训练集,数据B作为测试集:利用训练集A分别训练BP神经网络、SVM模型和CART模型,然后将测试集B分别输入到训练后的BP神经网络、SVM模型和CART模型中得到组合预测数据库B’;
将数据B作为训练集,数据A作为测试集:利用训练集B分别训练BP神经网络、SVM模型和CART模型,然后将测试集A分别输入到训练后的BP神经网络、SVM模型和CART模型中得到组合预测数据库A’;
预测模块,用于将组合预测数据库A’、数据B、组合预测数据库B’和数据A构成第二数据集,将第二数据集输入到SVM模型中得到列车备件损耗预测数据。
本发明提供了一种非临时性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如上述中任一所述的基于模型融合的列车备件损耗预测方法。
有益效果:1)提出基于BP神经网络、SVM模型、CART回归树模型预测和灰色预测相结合的模型可以很好的解决单个模型下数据预测不准确的缺点。通过引入灰色关联分析,可以很好的把握哪些影响因素是主要,哪些是次要,减少了非关键因素的影响。通过上述两者的结合方法可以很好的解决列车备件在实际需求中的备件消耗情况,更好的制定下一季度的采购量。在很大的程度上节约了资金,提升了企业的能效。
2)归一化的目的:消除量纲的影响。单个模型考虑的影响因素较少,以及模型的单一化造成的预测不准确缺点总体是:提升模型的精度;模型更加稳健。
3)将归一化后的数据集分成数据A和数据B,利用数据A进行三个训练模型进行训练后,进行数据集交叉训练后再混合数据集,弥补数据集少带来的训练欠拟合问题;常见模型结合的策略有平均法、投票法和学习法,而前两者过于简单且会引入主观因素,因此使用学习法。
4)SVM在小样本数据处理上具有良好的性质,因此使用其作为模型结合的策略。
附图说明
图1为本发明的训练流程图。
图2为三层神经网络模型。
图3为本发明的预测流程图。
具体实施方式
实施例1.
训练流程图如图1所示,预测流程图如图3所示,一种基于模型融合的列车备件损耗预测方法,获得影响变量的方法:列车在行驶的过程中,并不是都在全封闭的环境中运行。针对现实情况,以及专家意见考虑到影响列车备件的因素主要有:1)列车运行时长:列车运行越久,其各项性能都会有一定程度的下降。2)外界的环境:环境越恶劣,对列车本身的运行会带来较大的影响,相应的备件损坏的概率越大。3)备件自身的质量:越好的备件,那么其使用时长越久,相应的采购量也会有所下降。4)列车的维保情况:同样使用时长的列车,维护的越好,其性能下降也会相应降低。我们选取某型号的列车备件,探究影响其损耗的因素。根据现实分析与专家意见我们提出下表1所示的影响因素:
表1影响因素
其中备件的故障率可以通过备件供应企业查到,天气环境可以通过查看气象局网站历年的数据可以计算的来,备件的消耗量与维护人员素质及保障人员数量可以通过企业的出入库数据以及备件维修情况表单得到。
通过浏览相关企业备件仓库的出入库信息、备件的更换以及维修信息、维修人员出班信息表等表格以及从气象局网站获取到的环境信息组成一个初步的表格。我们对于其中的缺失值,如:维护人员素质和维修手册等缺失值,我们采用填充均值的方法来进行数据的补充。用箱型图分析其中的异常值,对其中的异常值将其视为缺失值处理。
步骤1:将影响列车备件损耗的特征向量进行灰度关联分析进行排序,通过计算备件的需求与各影响因素之间的灰色关联度来选出相应的关键因素(预设规则得到关键影响因素作为第一数据集,预设规则是本领域技术人员公认的一般规则),步骤如下:
灰色关联分析:灰色关联分析通过寻找变量之间随着时间或者别的因素演变过程中,彼此的变化趋势是否一致,从而来确定哪些因素是影响最终结果的关键性因素。其计算步骤为:
根据分析目的确定分析指标体系,收集分析数据;
对指标中的数据采用如下公式对原始数据进行无量纲处理;
计算每个被评价指标序列与参考序列对应元素的绝对值:
7)对步骤6求得的所有值进行一个排序,根据需求删除相应的影响因素,得到的结果如表2所示:
表2 各影响因子计算
从表2中,我们可以看出维修手册数量X7,维修人员数量X9,线路使用时长X10排序靠后,因此我们选取:列车的使用时长X1、备件的故障率X2、载客量X3、当季度异常天气占比X4、当季度温度天数占比X5、当季度湿度天数占比X6、维护人员素质X8。作为模型的输入变量。通过筛选后的部分数据(第一数据集)如表3所示:
表3 筛选后部分数据集
步骤2:将步骤1得到的第一数据集进行归一化处理;使用下述公式对数据集进行归一化处理,
步骤3:将归一化后的第一数据集分成数据A和数据B;
将数据A作为训练集,数据B作为测试集:利用训练集A分别训练BP神经网络、SVM模型和CART模型,然后将测试集B分别输入到训练后的BP神经网络、SVM模型和CART模型中得到组合预测数据库B’;
将数据B作为训练集,数据A作为测试集:利用训练集B分别训练BP神经网络、SVM模型和CART模型,然后将测试集A分别输入到训练后的BP神经网络、SVM模型和CART模型中得到组合预测数据库A’;
将数据集按1:1划分成训练集和测试集,并对模型进行如下参数设置与操作:为了更好的适应性,对模型的选择,应选择不同类型的模型,选择的模型并不都是效果最精准的模型,也选择一个如:决策树模型,其预测的效果并不是最好,但是其可以增加模型的泛化能力,对此最后选择BP神经网络模型、SVM模型和决策树模型来构建第一层模型,对于第二层模型,选择SVM模型来进行数据的拟合。
BP神经网络模型:BP神经网络是模拟仿造突出神经元的信号传播方式来构建。其由多个神经元组件而成。作为一种多层的前馈神经网络,信号是前向传播,误差是反向传播。本发明中使用图2所示的三层神经网络模型,包含输入层,隐藏层和输出层。
正向传播原理:
在输出的结果中加入激活函数,是为了给模型加入非线性因素。如此,模型就可以较好的处理非线性问题,同时也可以保证迭代次数的有效性。常用的激活函数由ReLu、tanh、Maxout和Sigmoid。在本文中,我们使用Sigmoid函数作为激活函数如下:
反向传播原理:
计算模型的误差之后,通过反向传播算法对每个隐藏层依次计算误差。同时使用梯度下降法修正每个隐藏层的权重w和偏执b,直至小于设定的误差值为止,停止迭代。
求解步骤如下:
6)使用以下公式更新权重和偏置:
7)重复步骤4-6,直到最终误差小于设定误差。
步骤3.2:第一层中的SVM:采用高斯核函数来进行预测,其中的惩罚参数设置为10,设置为0.1。
SVM模型:支持向量积(SVM)是一种用于分类与回归的算法。对于回归类算法,我们得到的并不是如同传统的回归模型一样的误差,而是可以容忍预测值与真实值的差值在一个范围内。假定训练样本集为,定义不敏感的损失函数度量如下:
其中b的计算用如下公式:
步骤3.3:第一层中的决策树:最大深度max_depth设置成2:
CART回归树模型:分类回归树(classification and regression tree, CART)模型由Breiman等人在1984年提出,是应用广泛的决策树学习方法。假定训练样本集为。我们将CART模型表示如下:
1)我们将CART回归树的模型用如下公式表示:
其中是输入变量的第个数据值,是真实值。为此我们假设,选择第个输入变量为切分变量是输入变量:载客量比、备件的故障率、当季度湿度天数占比、当季度异常天气占比、当季度温度天数占比、列车的使用时长、维护人员素质中的任意一个切分变量;因此以切分变量的取值为切分点,得到如下两个区域:
对应的算法流程如下步骤所示:
3)训练数据集中,递归的将每个区域划分为两个子区域并求的每个区域上的输出值,构建一个二叉决策树,其步骤如下:
d)对两个子区域继续调用步骤a)和b),直到满足停止条件;
步骤3.4:将数据A作为训练集,数据B作为测试集:利用训练集A分别训练BP神经网络、SVM模型和CART模型,然后将测试集B分别输入到训练后的BP神经网络、SVM模型和CART模型中得到组合预测数据库B’;
步骤3.5:第二轮,我们将测试集与训练集进行对调,重复上述步骤,将数据B作为训练集,数据A作为测试集:利用训练集B分别训练BP神经网络、SVM模型和CART模型,然后将测试集A分别输入到训练后的BP神经网络、SVM模型和CART模型中得到组合预测数据库A’;
步骤4:将组合预测数据库A’、数据B、组合预测数据库B’和数据A构成第二数据集,将第二数据集输入到SVM模型中进行训练,得到最优的SVM模型。
对于所有模型中未提及的参数,一律设置为默认值。
步骤5:将待预测数据输入到步骤3中训练后的BP神经网络、SVM模型和CART模型中得到三个数据,再将三个数据输入到步骤4最优的SVM模型中得到列车备件损耗预测数据。
模型性能评价方式:
采用以下公式:
表4:预测性能比较
Claims (9)
1.一种基于模型融合的列车备件损耗预测方法,其特征在于,包括以下步骤:
步骤1:将影响列车备件损耗的特征向量进行灰度关联分析进行排序,再根据预设规则得到关键影响因素作为第一数据集;
步骤2:将步骤1得到的第一数据集进行归一化处理;
步骤3:将归一化后的第一数据集分成数据A和数据B;
将数据A作为训练集,数据B作为测试集:利用训练集A分别训练BP神经网络、SVM模型和CART模型,然后将测试集B分别输入到训练后的BP神经网络、SVM模型和CART模型中得到组合预测数据库B’;
将数据B作为训练集,数据A作为测试集:利用训练集B分别训练BP神经网络、SVM模型和CART模型,然后将测试集A分别输入到训练后的BP神经网络、SVM模型和CART模型中得到组合预测数据库A’;
步骤4:将组合预测数据库A’、数据B、组合预测数据库B’和数据A构成第二数据集,将第二数据集输入到SVM模型中进行训练,得到最优的SVM模型;
步骤5:将待预测数据输入到步骤3中训练后的BP神经网络、SVM模型和CART模型中得到三个数据,再将三个数据输入到步骤4最优的SVM模型中得到列车备件损耗预测数据;步骤1所述的列车备件损耗的特征向量为:载客量比、备件故障率、当季湿度天数占比、当季度异常天气占比、当季度温度天数占比、列车的使用时长、维修手册数量、维护人员素质、维修人员数量和线路使用时长。
3.根据权利要求1所述的列车备件损耗预测方法,其特征在于,步骤3所述第一数据集是按照1:1比例分成数据A和数据B。
5.根据权利要求1所述的列车备件损耗预测方法,其特征在于,步骤3所述SVM模型的核函数的带宽为0.1,惩罚参数设置为10。
6.根据权利要求1所述的列车备件损耗预测方法,其特征在于,步骤3所述CART模型的最大深度为2。
7.根据权利要求1所述的列车备件损耗预测方法,其特征在于,步骤4所述SVM模型的惩罚参数设置为2。
8.一种基于模型融合的列车备件损耗预测装置,其特征在于,包括:
排序模块,用于将影响列车备件损耗的特征向量进行灰度关联分析进行排序,再根据预设规则得到关键影响因素作为第一数据集;所述列车备件损耗的特征向量为:载客量比、备件故障率、当季湿度天数占比、当季度异常天气占比、当季度温度天数占比、列车的使用时长、维修手册数量、维护人员素质、维修人员数量和线路使用时长;
数据处理模块,用于将第一数据集进行归一化处理;
训练模块,用于将归一化后的第一数据集分成数据A和数据B,
将数据A作为训练集,数据B作为测试集:利用训练集A分别训练BP神经网络、SVM模型和CART模型,然后将测试集B分别输入到训练后的BP神经网络、SVM模型和CART模型中得到组合预测数据库B’;
将数据B作为训练集,数据A作为测试集:利用训练集B分别训练BP神经网络、SVM模型和CART模型,然后将测试集A分别输入到训练后的BP神经网络、SVM模型和CART模型中得到组合预测数据库A’;
预测模块,用于将组合预测数据库A’、数据B、组合预测数据库B’和数据A构成第二数据集,将第二数据集输入到SVM模型中进行训练,得到最优的SVM模型,并利用该最优的SVM模型进行数据预测。
9.一种非临时性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如权利要求1-7中任一所述的基于模型融合的列车备件损耗预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111393234.3A CN113822499B (zh) | 2021-11-23 | 2021-11-23 | 一种基于模型融合的列车备件损耗预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111393234.3A CN113822499B (zh) | 2021-11-23 | 2021-11-23 | 一种基于模型融合的列车备件损耗预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113822499A CN113822499A (zh) | 2021-12-21 |
CN113822499B true CN113822499B (zh) | 2022-04-15 |
Family
ID=78919721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111393234.3A Active CN113822499B (zh) | 2021-11-23 | 2021-11-23 | 一种基于模型融合的列车备件损耗预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822499B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114329788B (zh) * | 2021-12-31 | 2024-04-12 | 武汉理工大学 | 一种基于田口法和熵权灰色关联分析的车门优化设计方法 |
CN115511136B (zh) * | 2022-11-01 | 2023-06-30 | 北京磁浮有限公司 | 基于层次分析和故障树的设备故障辅助诊断方法及系统 |
CN116894527B (zh) * | 2023-09-11 | 2023-11-24 | 中国船舶集团有限公司第七一九研究所 | 基于船舶行驶状态进行预测的器材储备系统 |
CN118396199B (zh) * | 2024-07-01 | 2024-08-16 | 中国电子科技集团公司第十五研究所 | 一种基于神经网络的装甲维修器材备件预测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520325A (zh) * | 2018-04-16 | 2018-09-11 | 北京航空航天大学 | 一种基于多变环境下加速退化数据的集成寿命预测方法 |
CN113326960A (zh) * | 2020-02-28 | 2021-08-31 | 南京理工大学 | 基于粒子群算法优化lstm的地铁牵引能耗预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10410135B2 (en) * | 2015-05-21 | 2019-09-10 | Software Ag Usa, Inc. | Systems and/or methods for dynamic anomaly detection in machine sensor data |
-
2021
- 2021-11-23 CN CN202111393234.3A patent/CN113822499B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520325A (zh) * | 2018-04-16 | 2018-09-11 | 北京航空航天大学 | 一种基于多变环境下加速退化数据的集成寿命预测方法 |
CN113326960A (zh) * | 2020-02-28 | 2021-08-31 | 南京理工大学 | 基于粒子群算法优化lstm的地铁牵引能耗预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113822499A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113822499B (zh) | 一种基于模型融合的列车备件损耗预测方法 | |
CN109784806B (zh) | 供应链控制方法、系统以及存储介质 | |
Azzeh et al. | Fuzzy grey relational analysis for software effort estimation | |
Dejaeger et al. | Data mining techniques for software effort estimation: a comparative study | |
CN109002686B (zh) | 一种自动生成样本的多牌号化工过程软测量建模方法 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN108710905B (zh) | 一种基于多模型联合的备件数量预测方法和系统 | |
Zhang et al. | Comparison of econometric models and artificial neural networks algorithms for the prediction of baltic dry index | |
CN112668822B (zh) | 科技成果转化平台共享系统、方法、存储介质、手机app | |
CN113408869A (zh) | 一种配电网建设目标风险评估方法 | |
Azadeh et al. | An integrated artificial neural network fuzzy C-means-normalization algorithm for performance assessment of decision-making units: The cases of auto industry and power plant | |
CN115587666A (zh) | 基于季节趋势分解和混合神经网络的负荷预测方法及系统 | |
CN117334334B (zh) | 一种健康风险预测方法、装置、设备及介质 | |
CN114819777A (zh) | 一种基于数字孪生技术的企业销售业务分析管理系统 | |
Scherger et al. | The OWA distance operator and its application in business failure | |
Chaudhary et al. | Comparative analysis of entropy weight method and c5 classifier for predicting employee churn | |
CN114881485A (zh) | 一种基于层次分析法和云模型的企业资金风险评估方法 | |
CN117575564A (zh) | 可扩展的基础设施网络组件维修与改造决策评估方法及系统 | |
Raza et al. | Application of extreme learning machine algorithm for drought forecasting | |
Dikopoulou et al. | From undirected structures to directed graphical lasso fuzzy cognitive maps using ranking-based approaches | |
CN114363004B (zh) | 风险评估方法、装置、计算机设备和存储介质 | |
CN116186507A (zh) | 一种特征子集的选取方法、装置及存储介质 | |
Zhang et al. | A grey measurement of product complexity | |
CN113393023B (zh) | 模具质量评估方法、装置、设备及存储介质 | |
CN114595890A (zh) | 基于bp-svr组合模型的船舶备件需求预测方法及系统 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Wu Lei Inventor after: Yuan Zhihong Inventor after: Kang Junli Inventor before: Wu Lei Inventor before: Yuan Zhihong Inventor before: Kang Junli Inventor before: Zheng Jianying |
|
CB03 | Change of inventor or designer information |