CN114970985A - 维修器材需求预测方法、装置及终端 - Google Patents

维修器材需求预测方法、装置及终端 Download PDF

Info

Publication number
CN114970985A
CN114970985A CN202210508898.8A CN202210508898A CN114970985A CN 114970985 A CN114970985 A CN 114970985A CN 202210508898 A CN202210508898 A CN 202210508898A CN 114970985 A CN114970985 A CN 114970985A
Authority
CN
China
Prior art keywords
mathematical model
historical
demand
sliding coefficient
optimal
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
Application number
CN202210508898.8A
Other languages
English (en)
Inventor
李万领
张连武
赵晔
孙江生
蔡娜
连光耀
王正军
王绍光
吕艳梅
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.)
32181 Troops of PLA
Original Assignee
32181 Troops of PLA
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 32181 Troops of PLA filed Critical 32181 Troops of PLA
Priority to CN202210508898.8A priority Critical patent/CN114970985A/zh
Publication of CN114970985A publication Critical patent/CN114970985A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • 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
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请适用于数据预测技术领域，提供了维修器材需求预测方法、装置及终端，该方法包括：获取历史数据，历史数据包括目标维修器材t个历史周期的需求时间和需求数量；基于历史数据确定目标维修器材的平均需求间隔ADI值，若ADI值小于ADI阈值采用第一数学模型，若ADI值大于或等于ADI阈值则采用第二数学模型；其中，第二数学模型与第一数学模型不同；基于第一数学模型述第二数学模型，确定未来第t+1个周期目标维修器材的需求数量。本申请通过对维修器材准确的需求预测方法，为建立科学合理的维修器材库存提供可靠依据，可达到减少维修器材的呆滞与积压，提高维修器材保障效费比的效果。

Description

维修器材需求预测方法、装置及终端
技术领域
本申请属于数据预测技术领域，尤其涉及维修器材需求预测方法、装置及终端。
背景技术
科学、合理的维修器材库存对于保障战备装备完好性和降低装备全寿命周期费用有着十分重要的意义。一般情况下，对于用于战时的装备群，需要对其所需维修器材库存做一定数量的应急储备。
众所周知，维修器材库存数量重要依据为维修器材的需求数量，而确定需求数量不仅要参考往期的历史数据，还需对未来的需求数量进行预测，结合需求历史数据和需求预测数据，才能形成准确的需求数量，是建立科学合理的维修器材库存的前提。
因此，需要一种维修器材准确的需求预测方法，为建立科学、合理的维修器材库存提供依据。
发明内容
为克服相关技术中存在的问题，本申请实施例提供了一种维修器材需求预测方法、装置及终端，可为建立科学、合理的维修器材库存提供依据。
本申请是通过如下技术方案实现的：
第一方面，本申请实施例提供了一种维修器材需求预测方法，包括：
获取历史数据，历史数据包括目标维修器材t个历史周期的需求时间和需求数量；基于历史数据确定目标维修器材的平均需求间隔ADI值，若ADI值小于ADI阈值采用第一数学模型，若ADI值大于或等于ADI阈值则采用第二数学模型；其中，第二数学模型与第一数学模型不同；基于第一数学模型或第二数学模型，确定未来第t+1个周期目标维修器材的需求数量。
在第一方面的一种可能的实现方式中，第一数学模型为指数平滑法，其中，第一数学模型包括第三滑动系数；第二数学模型包括Croston法、SBA法和TSB法中至少一种算法，其中，第二数学模型包括第一滑动系数和第二滑动系数。
在第一方面的一种可能实现的方式中，还包括构建第二数学模型的步骤，构建第二数学模型包括：采用Croston法、SBA法和TSB法中的至少一种算法训练目标维修器材从第1个历史周期至第t-1个历史周期的历史数据，得到多个第t个历史周期的预测需求，其中，通过调整第一滑动系数和第二滑动系数，训练目标维修器材从第1个历史周期至第t-1个历史周期的历史数据。比较上述多个第t个历史周期的预测需求中每个预测需求与第t个历史周期的实际需求，确定多个第t个历史周期的预测需求中的最优预测需求，其中，该最优预测需求中的第一滑动系数为最优第一滑动系数，该最优预测需求中的第二滑动系数为最优第二滑动系数，该最优预测需求中的算法为最优算法。基于最优第一滑动系数、最优第二滑动系数和最优算法确定第二数学模型。
在第一方面的一种可能的实现方式中，还包括构建第一数学模型的步骤，构建第一数学模型包括：采用指数平滑法算法训练目标维修器材从第1个历史周期至第t-1个历史周期的历史数据，得到多个第t个历史周期的预测需求，其中，通过调整第三滑动系数，训练目标维修器材从第1个历史周期至第t-1个历史周期的历史数据；比较上述多个第t个历史周期的预测需求中每个预测需求与第t个历史周期的实际需求，确定多个第t个历史周期的预测需求中的最优预测需求，其中，该最优预测需求中的第三滑动系数为最优第三滑动系数；基于最优第三滑动系数确定第一数学模型。
在第一方面的一种可能的实现方式中，比较多个第t个历史周期的预测需求中每个预测需求与第t个历史周期的实际需求，确定多个第t个历史周期的预测需求中的最优预测需求，包括：比较多个第t个历史周期的预测需求中每个预测需求与第t个历史周期的实际需求的平均绝对偏差值MAD，MAD值最小的预测需求为最优预测需求，其中，MAD的表达式为：
Figure BDA0003637158540000031
式中，t为历史数据的周期数，dt为第t个周期的实际需求，xt为t周期的预测需求。
在第一方面的一种可能的实现方式中，第一滑动系数和第二滑动系数均大于等于0且小于等于1，上述通过调整第一滑动系数和第二滑动系数，训练目标维修器材从第1个历史周期至第t-1个历史周期的历史数据，包括：保持第一滑动系数为第一预设数集中的各个预设值，将第二滑动系数从第一初始数值开始，按照以第一预设步进间隔对第二滑动系数进行步进调整，其中，第一预设数集为A1∈[0，1]。或者，保持第二滑动系数为第二预设数集中的各个预设值，将第一滑动系数从第二初始数值开始，按照以第二预设步进间隔对第一滑动系数进行步进调整；其中，第二预设数集为A2∈[0，1]。
在第一方面的一种可能的实现方式中，第三滑动系数大于0且小于等于1，上述通过调整第三滑动系数，训练目标维修器材从第1个历史周期至第t-1个历史周期的历史数据，包括：将所述第三滑动系数从第三初始值开始，按照以第三预设步进间隔对所述第三滑动系数进行步进调整。
第二方面，本申请实施例提供了一种维修器材需求预测装置，包括：获取模块，用于获取历史数据，历史数据包括目标维修器材在t个历史周期的需求时间和需求数量；模型建立模块，用于基于历史数据确定目标维修器材的平均需求间隔ADI值，若ADI值小于ADI阈值采用第一数学模型，若ADI值大于或等于ADI阈值则采用第二数学模型；其中，第二数学模型与第一数学模型不同；输出模块，用于基于第一数学模型或第二数学模型，确定未来第t+1个周期目标维修器材的需求数量。
第三方面，本申请实施例提供了一种维修器材需求预测终端，包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的维修器材需求预测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的维修器材需求预测方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的维修器材需求预测方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例，首先获取目标维修器材在t个历史周期的需求时间和需求数量的历史数据，然后基于历史数据计算目标维修器材的平均需求间隔ADI值，根据ADI值选取数学模型，若ADI值小于ADI阈值则采用第一数学模型，若ADI值大于或等于ADI阈值则采用第二数学模型，最后基于不同的第一数学模型或第二数学模型，确定未来第t+1个周期目标维修器材的需求数量。
本申请通过计算ADI值对目标维修器材进行了分类，再根据不同的分类采用不同的数学模型，为建立科学、合理的维修器材库存提供了可靠依据，不仅减少了维修器材的呆滞与积压，同时提高了维修器材的保障效费比。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的维修器材需求预测方法的流程示意图；
图2是本申请一实施例提供的基于ADI阈值选取不同数学模型的流程示意图；
图3是本申请另一实施例提供的维修器材需求预测方法的流程示意图；
图4是本申请实施例提供的维修器材需求预测装置的结构示意图；
图5是本申请实施例提供的维修器材需求预测终端的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
考虑到战时作战任务的多样性，需对战时装备群建立应急储备的维修器材库，用于储备装备群中可能发生故障的维修器材，如电机、轮胎、发动机、轴承等。除少数同型号装备群外，大部分的装备群由于功能和用途的巨大差别，所需的维修器材种类繁多。受限于资金和场地等客观条件的限制，显然对所有型号的维修器材都储备一定数量的库存是不现实的。
但如何确定维修器材的库存数量，是相关人员一直在深入研究的问题。若库存数量过于冗余，势必会造成大量物资的积压或呆滞，造成极大浪费，若库存数量不足以支撑突发情况下的维修保障，又势必会造成装备停机的恶劣影响。因此，对于装备群建立科学、合理的维修器材库存有着十分重大的现实意义。
众所周知，维修器材库存数量的基本依据为维修器材的需求数量，而确定需求数量不仅要参考历史数据，更重要的是还需对未来的需求数量进行预测，预测方法的科学与否，将直接影响维修器材库存的针对性。因此，准确的需求预测是进行科学合理的维修器材库存管理的前提。
基于上述问题，本申请实施例中提供了一种准确的维修器材需求预测方法，为建立科学合理的维修器材库存提供依据。图1是本申请一实施例提供的维修器材需求预测方法的流程示意图，参照图1，对该方法的详述如下：
在步骤101中，获取历史数据。
在一些实施中，获取的历史数据包括目标维修器材在t个历史周期的需求时间和需求数量。
示例性的，获取历史数据的方法可以是：先将所有目标维修器材的历史数据做分类汇总，得到所有目标维修器材的历史需求总数；再将历史需求总数划分成t个历史周期；最后，分别汇总各目标维修器材在每个历史周期中的需求时间和需求数量。
需要指出的是，历史周期可以以年度、季度、或月度进行划分，本申请不再进一步对历史周期进行限定。同时，获取历史数据的方法是多样的，对历史数据处理分类的方式也是多样的，由于不是本申请的重点，本申请不再一一限定。
示例性的，目标维修器材包括常用的维修器材和不常用的维修器材。常用的维修器材包括蓄电池、标准件、工具、劳保用品、化学用品等；不常用的维修器材包括电机、发动机、电子器材等。目标维修器材的种类繁多，本申请不再一一列举。
在步骤102中，基于历史数据确定目标维修器材的平均需求间隔ADI值，若ADI值小于ADI阈值采用第一数学模型，若ADI值大于或等于ADI阈值则采用第二数学模型。在一些实施例中，可根据步骤101中获取的历史数据对目标维修器材进行ADI值的计算。ADI的表达式为：
Figure BDA0003637158540000071
式中，T为历史周期，t为周期数，i为第i个目标维修器材。
需要说明的是，在需求预测领域经常使用平均需求间隔ADI(Average inter-Demand Interval)。所谓ADI就是对于需求的间隔时间的平均值，该间隔时间越长ADI值越大。
在一些实施例中，发明人结合实践经验，发现ADI值小于1.25的目标维修器材通常是常用维修器材，ADI值大于等于1.25的目标维修器材通常是不常用维修器材，故将ADI值等于1.25设为ADI阈值。
示例性的，根据ADI阈值，将小于ADI阈值的目标维修器材采用第一数学模型，将大于或等于ADI阈值的目标维修器材采用第二数学模型。参见图2，本申请一实施例提供的基于ADI阈值选取不同数学模型的流程示意图。其中，第一数学模型和第二数学模型不同。
在一些实施例中，小于ADI阈值的通常是常用维修器材，故第一数学模型为指数平滑法，其中，第一数学模型包括第三滑动系数。大于或等于ADI阈值的通常是不常用维修器材，故第二数学模型包括Croston法、SBA法和TSB法中至少一种算法，其中，第二数学模型包括第一滑动系数和第二滑动系数。
参照图3，本申请一实施例提供的另一种维修器材需求预测的流程示意图，本申请结合图3对步骤102进行详细说明。
在一些实施例中，步骤102中还包括构建第一数学模型的步骤。示例性的，构建第一数学模型的过程可以包括：
步骤A1，采用指数平滑法算法训练目标维修器材从第1个历史周期至第t-1个历史周期的历史数据，得到多个第t个历史周期的预测需求，其中，通过调整第三滑动系数，训练目标维修器材从第1个历史周期至第t-1个历史周期的历史数据。
举例性的，第一数学模型采用指数平滑法对目标维修器材进行需求预测。指数平滑法是当前产生平滑时间序列的一种比较流行的方法，也是画拟合曲线的一种方法，同时还可以对未来进行预测。
可选的，第一数学模型的表达式可以为：
Figure BDA0003637158540000081
式中，α为第三滑动系数，α∈(0，1]，dt为历史周期t中目标维修器材的实际需求数，
Figure BDA0003637158540000082
为历史周期t中目标维修器材的平滑预测值，
Figure BDA0003637158540000083
为未来周期t+1中目标维修器材的预测值。
需要指出的是，上述第一数学模型的起始平滑点为
Figure BDA0003637158540000085
即，第1个历史周期目标维修器材的实际需求数d1等于第2个历史周期中目标维修器材的平滑预测值
Figure BDA0003637158540000084
在一些实施例中，为了更好地对第一数学模型进行训练，从步骤101中获取的历史数据中，选取从第1个至第t-1个历史周期的数据作为训练样本。因参与训练的有t-2个训练样本，故会得到t-2个训练结果，该训练结果为第t个历史周期的预测需求。
由第一数学模型的表达式可看出，第三滑动系数对第一数学模型的影响很大，为了准确预测未来周期t+1目标维修器材的需求数，则需要对第一数学模型进行训练，以获取准确的第三滑动系数。
在一些实施例中，将第三滑动系数设定为大于0且小于等于1，通过调整第三滑动系数，训练目标维修器材从第1个历史周期至第t-1个历史周期的数据，包括：将第三滑动系数从第三初始值开始，按照以第三预设步进间隔对第三滑动系数进行步进调整。
作为举例，本申请将第三预设步进间隔和第三初始值都设为0.1，则第一数学模型的训练过程为：
Figure BDA0003637158540000091
因此，每个历史周期都会得到10组数据，又因参与训练的有t-2个历史周期，故最终会得到10*(t-2)个第t个历史周期目标维修器材的预测需求。
需要指出的是，第三预设步进间隔大小的设定与确定第三滑动系数的准确度成负相关。即，第三预设步进间隔设定的越大，训练的次数会越少，则第三滑动系数的准确度越差；反之，第三预设步进间隔设定的越小，训练的次数越多，则第三滑动系数的准确度越好。同理，第三初始值大小的设置也与确定第三滑动系数的准确度成负相关。因此，第三预设步进间隔和第三初始值的设置对第一数学模型的准确精度十分关键，需根据实际应用场景予以合理选择。
步骤A2，比较上述多个第t个历史周期的预测需求中每个预测需求与第t个历史周期的实际需求，确定上述多个第t个历史周期的预测需求中的最优预测需求，其中，上述最优预测需求中的第三滑动系数为最优第三滑动系数。
在一些实施例中，比较上述多个第t个历史周期的预测需求中每个预测需求与第t个历史周期的实际需求的平均绝对偏差值MAD，MAD值最小的预测需求为最优预测需求。其中，MAD的表达式为：
Figure BDA0003637158540000101
式中，t为历史数据的周期数，dt为第t个周期的实际需求，xt为t周期的预测需求。
作为举例，将上述得到的10*(t-2)个第t个历史周期的预测需求中的每个预测需求分别与第t个历史周期的实际需求做比较，以确定最优预测需求。最优预测需求为预测需求与实际需求最接近的预测需求。
需要指出的是，为了便于区别本申请中第一数学模型和第二数学模型所确定的最优预测需求，将第一数学模型所确定的最优预测需求命名为最优第一预测需求，将第二数学模型所确定的最优预测需求命名为最优第二预测需求。
因此，根据最优第一预测需求，可以确定第一数学模型中所对应的第三滑动系数，将所对应的第三滑动系数设为最优第三滑动系数。
步骤A3，基于最优第三滑动系数确定第一数学模型。
示例性的，根据最优第三滑动系数，可确定基于最优第三滑动系数的第一数学模型。
本申请实施例提供的构建第一数学模型的方法为采用简单有效的指数滑动法，通过训练t-1个历史周期的目标维修器材数据，找到最接近第t个历史周期的预测需求，确定了最优第三滑动系数，获得了基于最优第三滑动系数的第一数学模型。为后续基于第一数学模型预测未来第t+1个周期常用目标维修器材的需求，提供了准确的依据，对建立科学、合理的维修器材库存有着重要的现实意义。
在一些实施例中，步骤102中还包括构建第二数学模型，示例性的，构建的第二数学模型包括Croston法、SBA法和TSB法中的至少一种算法。以下对Croston法、SBA法和TSB法的计算过程进行简要说明。
一、Croston法：
首先Croston法应用指数平滑法分别对非零需求出现的间隔和需求数进行预测，预测过程的表达式为：
Figure BDA0003637158540000111
Figure BDA0003637158540000112
式中，
Figure BDA0003637158540000113
为第t个历史周期目标维修器材非零需求平均间隔的平滑预测值，kt为在第t个历史周期开始时，距离最后一个非零需求出现的时间间隔，
Figure BDA0003637158540000114
为第t个历史周期目标维修器材非零需求数的平滑预测值，dt为第t个历史周期的实际需求数，α为第一滑动系数，α∈[0，1]，β为第二滑动系数，β∈[0，1]。
其次，设
Figure BDA0003637158540000115
为未来t+1周期目标维修器材的需求预测值，Croston法预测结果的表达式为：
Figure BDA0003637158540000116
二、SBA法：
首先，SBA法的预测过程与Croston法的预测过程相同，符号所表示的含义也相同，即：
Figure BDA0003637158540000117
Figure BDA0003637158540000118
其次，设
Figure BDA0003637158540000119
为未来t+1周期目标维修器材的需求预测值，SBA法的预测结果的表达式为：
Figure BDA00036371585400001110
三、TSB法：
TSB法是对Croston法的改进，该方法不预测非零需求出现的间隔，而是预测出现非零需求的概率。
首先，TSB法预测过程的表达式为：
Figure BDA0003637158540000121
Figure BDA0003637158540000122
式中，
Figure BDA0003637158540000123
为第t个历史周期目标维修器材非零需求数的平滑预测值，dt为第t个历史周期的实际需求数，α为第一滑动系数，α∈[0，1]，β为第二滑动系数，β∈[0，1]，pt为是否出现非零需求的标志，即
Figure BDA0003637158540000124
Figure BDA0003637158540000125
为第t个历史周期出现非零需求的预测概率值。
其次，设
Figure BDA0003637158540000126
为未来t+1周期目标维修器材的需求预测值，TSB法预测结果的表达式为：
Figure BDA0003637158540000127
在一些实施例中，因考虑到不常用维修器材种类繁多，若只是用一种或两种算法，计算结果不一定准确，故本申请对上述三种算法都进行了训练，并从训练结果中确定最适合不常用的目标维修器材的算法。
需要指出的是，对于上述三种算法的选取并使用，可根据实际的应用场景进行一种算法的选取或选取多种算法并作比较，本申请不再对选取算法的数量做进一步限定。
具体的，构建第二数学模型的过程可以包括：
步骤B1，采用Croston法、SBA法和TSB法中的至少一种算法训练目标维修器材从第1个历史周期至第t-1个历史周期的历史数据，得到多个第t个历史周期的预测需求，其中，通过调整第一滑动系数和第二滑动系数，训练目标维修器材从第1个历史周期至第t-1个历史周期的历史数据。
由上述三种算法的表达式可看出，第一滑动系数和第二滑动系数对每种算法的准确度影响很大，为了准确预测未来t+1周期目标维修器材的需求数，需要对第二数学模型中三种算法都进行训练，以获取准确的第一滑动系数和第二滑动系数。
在一些实施例中，从步骤101中获取的t个历史周期的历史数据中，选取从第1个至第t-1个历史周期的历史数据作为训练样本，所获得的训练结果为对第t个历史周期的预测需求。本申请提供了两种具体的训练方式，两种训练方式如下：
在第一种方式中，可以保持第一滑动系数为第一预设数集中的各个预设值，将第二滑动系数从第一初始数值开始，按照以第一预设步进间隔对第二滑动系数进行步进调整，其中，第一预设数集为A1∈[0，1]。
示例性的，本申请将第一预设数集中的0.1作为第一滑动系数的训练起始，将第一初始数值设为0.1作为第二滑动系数的训练起始，同时，将第一预设步进间隔设为0.1，然后开始对第二模型中的各算法分别进行训练：
设第一滑动系数为0.1并保持不变，将第二滑动系数以0.1开始，以每次步进0.1直到1的方式，步进调整第二滑动系数；
设第一滑动系数为0.2并保持不变，将第二滑动系数以0.1开始，以每次步进0.1直到1的方式，步进调整第二滑动系数；
依次设第一滑动系数为0.3、0.4......、1并保持不变，将第二滑动系数以0.1开始，以每次步进0.1直到1的方式，步进调整第二滑动系数。
第二种训练方式中，可以保持第二滑动系数为第二预设数集中的各个预设值，将第一滑动系数从第二初始数值开始，按照以第二预设步进间隔对第一滑动系数进行步进调整；第二预设数集为A2∈[0，1]。
示例性的，本申请将第二预设数集中的0.1作为第二滑动系数的训练起始，将第二初始数值设为0.1作为第一滑动系数的训练起始，同时，将第二预设同步间隔设为0.1，然后开始对第二模型中的各算法进行训练：
设第二滑动系数为0.1并保持不变，将第一滑动系数以0.1开始，以每次步进0.1直到1的方式，步进调整第一滑动系数；
设第二滑动系数为0.2并保持不变，将第一滑动系数以0.1开始，以每次步进0.1直到1的方式，步进调整第一滑动系数；
依次设第二滑动系数为0.3、0.4......、1并保持不变，将第一滑动系数以0.1开始，并每次步进0.1直到1的方式，步进调整第一滑动系数。
需要指出的是，本申请提供的对三种算法Croston法、SBA算法和TSB算法训练的先后顺序不做具体限定。
需要指出的是，上述两种调整第一滑动系数和第二滑动系数的方法中，对第一/第二预设步进间隔的设定，第一/第二初始数值的设定，以及第一/第二预设数集的设定都与确定第一滑动系数和第二滑动系数的准确度成负相关，需根据实际应用场景予以合理选择，本申请不做进一步限定。
在一些实施例中，通过上述两种训练方式，每种算法都可得到100组的第一滑动系数和第二滑动系数的组合。再结合t-1个历史周期的历史数据，总计得到3*100*(t-1)个对第t个历史周期目标维修器材的预测需求。
步骤B2，比较多个第t个历史周期的预测需求中每个预测需求与第t个历史周期的实际需求，确定多个第t个历史周期的预测需求中的最优预测需求。此步骤中所确定的最优预测需求也可成为最优第二预测需求，最优第二预测需求中的第一滑动系数为最优第一滑动系数，最优第二预测需求中的第二滑动系数为最优第二滑动系数，最优第二预测需求中的算法为最优算法。
在一些实施例中，将上述得到的3*100*(t-1)个对第t个历史周期的预测需求中的每个预测需求分别与第t个历史周期的实际需求做比较，以确定最优第二预测需求。
示例性的，采用和上述确定最优第一预测需求的相同方法，即通过引入MAD值，来确定最优第二预测方法，此处不再赘述。
因此，根据得到的最优第二预测需求，可以确定第二数学模型中所对应的第一滑动系数、第二滑动系数和算法，将所对应的第一滑动系数设为最优第一滑动系数，将所对应的第二滑动系数设为最优第二滑动系数，将所对应的算法设为目标维修器材需求预测的最优算法。
步骤B3，基于最优第一滑动系数、最优第二滑动系数和最优算法确定第二数学模型。
示例性的，基于最优第一滑动系数、最优第二滑动系数和最优算法确定第二数学模型。
本申请实施例中提供的构建第二数学模型的方法为采用Croston法、SBA法和TSB法，通过训练t-1个历史周期的目标维修器材数据，找到最接近第t个历史周期的预测需求，确定了最优第一滑动系数、最优第二滑动系数和最优算法，获得了基于最优第一滑动系数、最优第二滑动系数和最优算法的第二数学模型。为后续基于第二数学模型预测未来第t+1个周期不常用目标维修器材的需求，提供了准确的依据，对建立科学、合理的维修器材库存有着重要的现实意义。
在步骤103中，基于第一数学模型或第二数学模型，确定未来第t+1个周期内目标维修器材的需求数量。
在一些实施例中，将适用于第一数学模型的目标维修器材在第t个历史周期的实际需求，代入基于最优第三滑动系数确定的第一数学模型，得到该目标维修器材在第t+1个历史周期的需求预测。
在一些实施例中，将适用于第二数学模型的目标维修器材在第t个历史周期的实际需求，代入基于最优第一滑动系数、最优第二滑动系数和最优算法确定的第二数学模型，得到该目标维修器材在第t+1个历史周期的需求预测。
本申请实施例提供的维修器材需求预测方法，首先获取目标维修器材在t个历史周期的历史数据；然后基于历史数据计算目标维修器材的平均需求间隔ADI值，根据ADI值对目标维修器材进行了分类，再根据不同的分类采用不同的数学模型；再然后根据t-1个历史周期的历史数据对不同的数学模型进行训练，确定基于最优算法和/或滑动系数的数学模型，最后根据基于最优算法和/或滑动系数的数学模型确定未来第t+1个周期目标维修器材的需求数量。可以为建立科学、合理的维修器材库存提供了可靠依据，不仅减少了维修器材的呆滞与积压，同时提高了维修器材的保障效费比。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的维修器材需求预测方法，图4示出了本申请实施例提供的维修器材需求预测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参见图4，本申请实施例中的装置可以包括获取模块201、模型建立模块202和输出模块203。
获取模块201，用于获取历史数据，历史数据包括目标维修器材在t个历史周期的需求时间和需求数量。
模型建立模块202，用于基于历史数据确定目标维修器材的平均需求间隔ADI值，若ADI值小于ADI阈值采用第一数学模型，若ADI值大于或等于ADI阈值则采用第二数学模型；其中，第二数学模型与所述第一数学模型不同。
模型建立模块202，还用于构建第一数学模型，第一数学模型为指数平滑法，其中第一数学模型包括第三滑动系数。
可选的，模型建立模块202构建第一数学模型的步骤，包括：采用指数平滑法算法训练目标维修器材从第1个历史周期至第t-1个历史周期的历史数据，得到多个第t个历史周期的预测需求，其中，通过调整第三滑动系数，训练目标维修器材从第1个历史周期至第t-1个历史周期的历史数据；比较上述多个第t个历史周期的预测需求中每个预测需求与第t个历史周期的实际需求，确定多个第t个历史周期的预测需求中的最优预测需求，其中，该最优预测需求中的第三滑动系数为最优第三滑动系数；基于最优第三滑动系数确定第一数学模型。
其中，第三滑动系数大于0且小于等于1，上述通过调整第三滑动系数，训练目标维修器材从第1个历史周期至第t-1个历史周期的历史数据，包括：将所述第三滑动系数从第三初始值开始，按照以第三预设步进间隔对所述第三滑动系数进行步进调整。
模型建立模块202，还用于构建第二数学模型，第二数学模型包括Croston法、SBA法和TSB法中至少一种算法，其中，第二数学模型包括第一滑动系数和第二滑动系数。
可选的，模型建立模块202构建第二数学模型的步骤，包括：用Croston法、SBA法和TSB法中的至少一种算法训练目标维修器材从第1个历史周期至第t-1个历史周期的历史数据，得到多个第t个历史周期的预测需求，其中，通过调整第一滑动系数和第二滑动系数，训练目标维修器材从第1个历史周期至第t-1个历史周期的历史数据。比较上述多个第t个历史周期的预测需求中每个预测需求与第t个历史周期的实际需求，确定多个第t个历史周期的预测需求中的最优预测需求，其中，该最优预测需求中的第一滑动系数为最优第一滑动系数，该最优预测需求中的第二滑动系数为最优第二滑动系数，该最优预测需求中的算法为最优算法。基于最优第一滑动系数、最优第二滑动系数和最优算法确定第二数学模型。
其中，第一滑动系数和第二滑动系数均大于等于0且小于等于1，上述通过调整第一滑动系数和第二滑动系数，训练目标维修器材从第1个历史周期至第t-1个历史周期的历史数据，包括：保持第一滑动系数为第一预设数集中的各个预设值，将第二滑动系数从第一初始数值开始，按照以第一预设步进间隔对第二滑动系数进行步进调整，其中，第一预设数集为A1∈[0，1]。或者，保持第二滑动系数为第二预设数集中的各个预设值，将第一滑动系数从第二初始数值开始，按照以第二预设步进间隔对第一滑动系数进行步进调整；其中，第二预设数集为A2∈[0，1]。
模型建立模块202还用于，比较多个第t个历史周期的预测需求中每个预测需求与第t个历史周期的实际需求，确定多个第t个历史周期的预测需求中的最优预测需求，包括：比较多个第t个历史周期的预测需求中每个预测需求与第t个历史周期的实际需求的平均绝对偏差值MAD，MAD值最小的预测需求为最优预测需求，其中，MAD的表达式为：
Figure BDA0003637158540000181
式中，t为历史数据的周期数，dt为第t个周期的实际需求，xt为t周期的预测需求。
输出模块203，用于基于所述第一数学模型或所述第二数学模型，确定未来第t+1个周期目标维修器材的需求数量。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种维修器材需求预测终端，参见图5，该终端设300可以包括：至少一个处理器310、存储器320以及存储在所述存储器320中并可在所述至少一个处理器310上运行的计算机程序321，所述处理器310执行所述计算机程序时实现上述任意各个方法实施例中的步骤，例如图1所示实施例中的步骤101至步骤103。或者，处理器310执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块301至303的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器320中，并由处理器310执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段，该程序段用于描述计算机程序在终端设备300中的执行过程。
本领域技术人员可以理解，图5仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
处理器310可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器320可以是终端设备的内部存储单元，也可以是终端设备的外部存储设备，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。所述存储器320用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器320还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的维修器材需求预测方法可以应用于计算机、可穿戴设备、车载设备、平板电脑、笔记本电脑、上网本、个人数字助理(personal digital assistant，PDA)、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、手机等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述维修器材需求预测方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述维修器材需求预测方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种维修器材需求预测方法，其特征在于，包括：
获取历史数据，所述历史数据包括目标维修器材t个历史周期的需求时间和需求数量；
基于所述历史数据确定目标维修器材的平均需求间隔ADI值，若所述ADI值小于所述ADI阈值采用第一数学模型，若所述ADI值大于或等于所述ADI阈值则采用第二数学模型；其中，所述第二数学模型与所述第一数学模型不同；
基于所述第一数学模型或所述第二数学模型，确定未来第t+1个周期目标维修器材的需求数量。
2.如权利要求1所述的方法，其特征在于，所述第一数学模型为指数平滑法，其中，所述第一数学模型包括第三滑动系数；
所述第二数学模型包括Croston法、SBA法和TSB法中至少一种算法，其中，所述第二数学模型包括第一滑动系数和第二滑动系数。
3.如权利要求2所述的方法，其特征在于，所述方法还包括构建所述第二数学模型的步骤，所述构建所述第二数学模型包括：
采用Croston法、SBA法和TSB法中的至少一种算法训练目标维修器材从第1个历史周期至第t-1个历史周期的历史数据，得到多个第t个历史周期的预测需求，其中，通过调整第一滑动系数和第二滑动系数，训练目标维修器材从第1个历史周期至第t-1个历史周期的历史数据；
比较所述多个第t个历史周期的预测需求中每个预测需求与第t个历史周期的实际需求，确定所述多个第t个历史周期的预测需求中的最优预测需求，其中，所述最优预测需求中的第一滑动系数为最优第一滑动系数，所述最优预测需求中的第二滑动系数为最优第二滑动系数，所述最优预测需求中的算法为最优算法；
基于最优第一滑动系数、最优第二滑动系数和最优算法确定第二数学模型。
4.如权利要求2所述的方法，其特征在于，所述方法还包括构建所述第一数学模型的步骤，所述构建所述第一数学模型包括：
采用指数平滑法算法训练目标维修器材从第1个历史周期至第t-1个历史周期的历史数据，得到多个第t个历史周期的预测需求，其中，通过调整第三滑动系数，训练目标维修器材从第1个历史周期至第t-1个历史周期的历史数据；
比较所述多个第t个历史周期的预测需求中每个预测需求与第t个历史周期的实际需求，确定所述多个第t个历史周期的预测需求中的最优预测需求，其中，所述最优预测需求中的第三滑动系数为最优第三滑动系数；
基于所述最优第三滑动系数确定所述第一数学模型。
5.如权利要求3或4所述的方法，其特征在于，所述比较所述多个第t个历史周期的预测需求中的每个预测需求与第t个历史周期的实际需求，确定所述多个第t个历史周期的预测需求中的最优预测需求，包括：
比较所述多个第t个历史周期的预测需求中每个预测需求与第t个历史周期的实际需求的平均绝对偏差值MAD，所述MAD值最小的所述预测需求为最优预测需求，其中，所述MAD的表达式为：
Figure FDA0003637158530000021
式中，t为历史数据的周期数，dt为第t个周期的实际需求，xt为t周期的预测需求。
6.如权利要求3所述的方法，其特征在于，所述第一滑动系数和所述第二滑动系数均大于等于0且小于等于1，所述通过调整第一滑动系数和第二滑动系数，训练目标维修器材从第1个历史周期至第t-1个历史周期的历史数据，包括：
保持所述第一滑动系数为第一预设数集中的各个预设值，将所述第二滑动系数从第一初始数值开始，按照以第一预设步进间隔对所述第二滑动系数进行步进调整，其中，所述第一预设数集为：A1∈[0，1]；
或者，
保持所述第二滑动系数为第二预设数集中的各个预设值，将所述第一滑动系数从第二初始数值开始，按照以第二预设步进间隔对所述第一滑动系数进行步进调整，其中，所述第二预设数集为A2∈[0，1]。
7.如权利要求4所述的方法，其特征在于，所述第三滑动系数大于0且小于等于1，所述通过调整第三滑动系数，训练目标维修器材从第1个历史周期至第t-1个历史周期的历史数据，包括：
将所述第三滑动系数从第三初始值开始，按照以第三预设步进间隔对所述第三滑动系数进行步进调整。
8.一种维修器材需求预测装置，其特征在于，包括：
获取模块，用于获取历史数据，所述历史数据包括目标维修器材在t个历史周期的需求时间和需求数量；
模型建立模块，用于基于所述历史数据确定目标维修器材的平均需求间隔ADI值，若所述ADI值小于所述ADI阈值采用第一数学模型，若所述ADI值大于或等于所述ADI阈值则采用第二数学模型；其中，所述第二数学模型与所述第一数学模型不同；
输出模块，用于基于所述第一数学模型或所述第二数学模型，确定未来第t+1个周期目标维修器材的需求数量。
9.一种维修器材需求预测终端，包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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至7任一项所述的方法。
CN202210508898.8A 2022-05-10 2022-05-10 维修器材需求预测方法、装置及终端 Pending CN114970985A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210508898.8A CN114970985A (zh) 2022-05-10 2022-05-10 维修器材需求预测方法、装置及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210508898.8A CN114970985A (zh) 2022-05-10 2022-05-10 维修器材需求预测方法、装置及终端

Publications (1)

Publication Number Publication Date
CN114970985A true CN114970985A (zh) 2022-08-30

Family

ID=82980940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210508898.8A Pending CN114970985A (zh) 2022-05-10 2022-05-10 维修器材需求预测方法、装置及终端

Country Status (1)

Country Link
CN (1) CN114970985A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078361A (zh) * 2023-10-17 2023-11-17 北京北汽鹏龙汽车服务贸易股份有限公司 基于用户行为的车辆维修产品组合信息推送方法、设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078361A (zh) * 2023-10-17 2023-11-17 北京北汽鹏龙汽车服务贸易股份有限公司 基于用户行为的车辆维修产品组合信息推送方法、设备
CN117078361B (zh) * 2023-10-17 2023-12-26 北京北汽鹏龙汽车服务贸易股份有限公司 基于用户行为的车辆维修产品组合信息推送方法、设备

Similar Documents

Publication Publication Date Title
CN112101169A (zh) 基于注意力机制的道路图像目标检测方法及相关设备
CN108985489B (zh) 一种风险预测方法、风险预测装置和终端设备
CN111950738A (zh) 机器学习模型优化效果评估方法、装置、终端及存储介质
CN111178537B (zh) 一种特征提取模型训练方法及设备
CN110264270A (zh) 一种行为预测方法、装置、设备和存储介质
CN112214402B (zh) 一种代码验证算法的选择方法、装置及存储介质
CN113516275A (zh) 一种配电网超短期负荷预测方法、装置及终端设备
CN110795324A (zh) 一种数据处理方法及装置
CN114970985A (zh) 维修器材需求预测方法、装置及终端
CN111339157B (zh) 一种配电网日运行效率计算及预测方法、系统及设备
CN112862546A (zh) 用户流失预测方法、装置、计算机设备及存储介质
CN112668455B (zh) 人脸年龄识别方法、装置、终端设备及存储介质
CN112686470A (zh) 电网饱和负荷预测方法、装置及终端设备
CN112508308A (zh) 一种数据处理方法、装置、设备及可读存储介质
CN112365156A (zh) 一种数据处理方法、数据处理装置、终端及存储介质
CN109344877B (zh) 一种样本数据处理方法、样本数据处理装置及电子设备
CN111523083A (zh) 一种电力负荷申报数据的确定方法以及装置
CN111127114A (zh) 一种电力负荷申报数据的确定方法以及装置
CN113093702B (zh) 故障数据的预测方法和装置、电子设备和存储介质
CN114140023A (zh) 一种项目风险确定方法、装置、电子设备及存储介质
CN112330041A (zh) 信息预测方法、装置、电子设备及存储介质
CN114580255A (zh) 一种设备剩余寿命预测模型的构建方法及终端设备
CN111160969A (zh) 一种电力价格预测方法及装置
CN111275162A (zh) 用于通过神经网络处理数据的方法和设备
CN112541514A (zh) 事件发布方法、服务器、终端及存储介质

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