CN115689018A - 物资需求预测方法、装置、设备、存储介质和程序产品 - Google Patents
物资需求预测方法、装置、设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN115689018A CN115689018A CN202211349877.2A CN202211349877A CN115689018A CN 115689018 A CN115689018 A CN 115689018A CN 202211349877 A CN202211349877 A CN 202211349877A CN 115689018 A CN115689018 A CN 115689018A
- Authority
- CN
- China
- Prior art keywords
- material demand
- demand prediction
- time period
- historical time
- 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.)
- Pending
Links
- 239000000463 material Substances 0.000 title claims abstract description 584
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 239000013077 target material Substances 0.000 claims abstract description 84
- 238000004590 computer program Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 24
- 238000013277 forecasting method Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种物资需求预测方法、装置、设备、存储介质和程序产品。所述方法包括：根据项目的项目需求影响因素和物资类型，对项目对应的第一历史时间段的历史物资需求进行分组得到至少一个物资需求组，针对各类型的物资需求预测模型，将各物资需求组输入物资需求预测模型，得到各物资需求组对应的第二历史时间段的物资需求预测结果，根据上述得到的物资需求预测结果、第二历史时间段的实际物资需求，从各类型的物资需求预测模型中确定目标物资需求预测模型，根据当前年度的第三历史时间段的实际物资需求和目标物资需求预测模型，预测下一年度的同期时间段的物资需求。采用本方法能够提高物资需求预测的准确性。
Description
技术领域
本申请涉及数据处理技术领域，特别是涉及一种物资需求预测方法、装置、设备、存储介质和程序产品。
背景技术
物资是资源脱离一个生产过程但尚未进入另一个生产消费过程时，会以储备形式暂时停留在生产领域和流通领域某一个环节上的储备资源，通常情况下，物资需要进行提前采购，而对于物资采购量的预测也变得尤为重要。
现有的物资采购预测为人工根据历史采购记录去预测物资需求量，存在物资需求预测准确性较低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高物资需求的预测的准确性的物资需求预测方法、装置、设备、存储介质和程序产品。
第一方面，本申请提供了一种物资需求预测方法。所述方法包括：
根据项目的项目需求影响因素和物资类型，对该项目对应的第一历史时间段的历史物资需求进行分组得到至少一个物资需求组；
针对各类型的物资需求预测模型，将各该物资需求组输入该物资需求预测模型，得到各该物资需求组对应的第二历史时间段的物资需求预测结果；该第二历史时间段为位于该第一历史时间段之后的下一个年度的同期时间段；
根据各该物资需求组对应的第二历史时间段的物资需求预测结果、该第二历史时间段的实际物资需求，从各该类型的物资需求预测模型中确定目标物资需求预测模型；
根据当前年度的第三历史时间段的实际物资需求和该目标物资需求预测模型，预测下一年度的同期时间段的物资需求。
在其中一个实施例中，一个类型的物资需求预测模型包括与各该物资需求组一一对应的各预测模型；该将各该物资需求组输入该物资需求预测模型，得到各该物资需求组对应的第二历史时间段的物资需求预测结果，包括：
将各该物资需求组输入对应的该预测模型，得到各该物资需求组对应的第二历史时间段的物资需求预测结果。
在其中一个实施例中，该根据各该物资需求组对应的第二历史时间段的物资需求预测结果、该第二历史时间段的实际物资需求，从各该类型的物资需求预测模型中确定目标物资需求预测模型，包括：
确定各该物资需求组对应的第二历史时间段的物资需求预测结果与该第二历史时间段的实际物资需求的比值；
根据各该比值，从各该类型的物资需求预测模型中确定目标物资需求预测模型。
在其中一个实施例中，该根据各该比值，从各该类型的物资需求预测模型中确定目标物资需求预测模型，包括：
确定各该比值与预设数值的差值；
将最小的差值的绝对值对应的比值作为目标比值，并将该目标比值对应的需求预测结果作为目标物资需求预测结果；
将该目标物资需求预测结果对应的预测模型作为该目标物资需求预测模型。
在其中一个实施例中，该方法还包括：
根据该项目的项目需求影响因素和物资类型，对该项目对应的第三历史时间段的历史物资需求样本进行分组得到至少一个物资需求组样本；
根据各该物资需求组样本和各类型的初始物资需求预测模型，对各该类型的初始物资需求预测模型进行训练，得到各该物资需求预测模型。
在其中一个实施例中，该根据各该物资需求组样本和各类型的初始物资需求预测模型，对各该类型的初始物资需求预测模型进行训练，得到各该物资需求预测模型，包括：
针对各类型的初始物资需求预测模型，将各该物资需求组样本输入该初始物资需求预测模型，得到各该物资需求组样本对应的第四历史时间段的物资需求预测结果样本；该第四历史时间段为位于该第三历史时间段之后的下一个年度的同期时间段；
根据各该物资需求组样本对应的第四历史时间段的物资需求预测结果样本、该第四历史时间段的实际物资需求样本，对各该类型的初始物资需求预测模型进行训练，得到各该物资需求预测模型。
第二方面，本申请还提供了一种物资需求预测装置。该装置包括：
分组模块，用于根据项目的项目需求影响因素和物资类型，对该项目对应的第一历史时间段的历史物资需求进行分组得到至少一个物资需求组；
第一确定模块，用于针对各类型的物资需求预测模型，将各该物资需求组输入该物资需求预测模型，得到各该物资需求组对应的第二历史时间段的物资需求预测结果；
第二确定模块，根据各该物资需求组对应的第二历史时间段的物资需求预测结果、该第二历史时间段的实际物资需求，从各该类型的物资需求预测模型中确定目标物资需求预测模型。
预测模块，用于根据当前年度的第三历史时间段的实际物资需求和该目标物资需求预测模型，预测下一年度的同期时间段的物资需求。
第三方面，本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现以下步骤：
根据项目的项目需求影响因素和物资类型，对该项目对应的第一历史时间段的历史物资需求进行分组得到至少一个物资需求组；
针对各类型的物资需求预测模型，将各该物资需求组输入该物资需求预测模型，得到各该物资需求组对应的第二历史时间段的物资需求预测结果；该第二历史时间段为位于该第一历史时间段之后的下一个年度的同期时间段；
根据各该物资需求组对应的第二历史时间段的物资需求预测结果、该第二历史时间段的实际物资需求，从各该类型的物资需求预测模型中确定目标物资需求预测模型；
根据当前年度的第三历史时间段的实际物资需求和该目标物资需求预测模型，预测下一年度的同期时间段的物资需求。
第四方面，本申请还提供了一种计算机可读存储介质。该计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
根据项目的项目需求影响因素和物资类型，对该项目对应的第一历史时间段的历史物资需求进行分组得到至少一个物资需求组；
针对各类型的物资需求预测模型，将各该物资需求组输入该物资需求预测模型，得到各该物资需求组对应的第二历史时间段的物资需求预测结果；该第二历史时间段为位于该第一历史时间段之后的下一个年度的同期时间段；
根据各该物资需求组对应的第二历史时间段的物资需求预测结果、该第二历史时间段的实际物资需求，从各该类型的物资需求预测模型中确定目标物资需求预测模型；
根据当前年度的第三历史时间段的实际物资需求和该目标物资需求预测模型，预测下一年度的同期时间段的物资需求。
第五方面，本申请还提供了一种计算机程序产品。该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
根据项目的项目需求影响因素和物资类型，对该项目对应的第一历史时间段的历史物资需求进行分组得到至少一个物资需求组；
针对各类型的物资需求预测模型，将各该物资需求组输入该物资需求预测模型，得到各该物资需求组对应的第二历史时间段的物资需求预测结果；该第二历史时间段为位于该第一历史时间段之后的下一个年度的同期时间段；
根据各该物资需求组对应的第二历史时间段的物资需求预测结果、该第二历史时间段的实际物资需求，从各该类型的物资需求预测模型中确定目标物资需求预测模型；
根据当前年度的第三历史时间段的实际物资需求和该目标物资需求预测模型，预测下一年度的同期时间段的物资需求。
上述物资需求预测方法、装置、设备、存储介质和程序产品，根据项目的项目需求影响因素和物资类型，对项目对应的第一历史时间段的历史物资需求进行分组得到至少一个物资需求组，针对各类型的物资需求预测模型，将各物资需求组输入物资需求预测模型，得到各物资需求组对应的第二历史时间段的物资需求预测结果，根据各物资需求组对应的第二历史时间段的物资需求预测结果、第二历史时间段的实际物资需求，从各类型的物资需求预测模型中确定目标物资需求预测模型，根据当前年度的第三历史时间段的实际物资需求和目标物资需求预测模型，预测下一年度的同期时间段的物资需。通过构建需求预测模型，利用需求预测模型对物资需求进行预测，提高了物资需求预测的准确性。
附图说明
图1是本申请实施例中提供的一种计算机设备的内部结构图；
图2是本申请实施例提供的一种物资需求预测方法的流程示意图；
图3是本申请实施例提供的目标物资需求预测模型确定方法的流程示意图之一；
图4是本申请实施例提供的目标物资需求预测模型确定方法的流程示意图之二；
图5是本申请实施例提供的物资需求预测模型的训练方法的流程示意图之一；
图6是本申请实施例提供物资需求预测模型的训练方法的流程示意图之二；
图7是本申请实施例提供的一种物资需求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。
本申请提供的实施例可以应用于如图1所示的计算机设备上，参照图1，图1是本申请实施例中提供的计算机设备的内部结构图。该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种资源伸缩方法。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，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，如图2所示，图2是本申请实施例提供的一种物资需求预测方法的流程示意图，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
S201，根据项目的项目需求影响因素和物资类型，对项目对应的第一历史时间段的历史物资需求进行分组得到至少一个物资需求组。
其中，项目需求影响因素包括影响项目需求的环境因素与该项目本身的资源占比情况；物资类型包括物资的规格和属性。历史物资需求包括物资需求量、需求影响因素和物资类型。
第一历史时间段可以为当前时间之前的任意个年度，例如，若当前时间为2022年，则第一历史时间段可为2018年至2020年之间的任一个月度或季度为单位的时间段。
例如，以配网基建项目所需的10kV电缆为例进行说明，配网基建项目的需求影响因素包括第一历史时间段的配网基建项目电网负荷量、实施项目数量、配网基建项目资源、第一历史时间段的各环境因素；物资类型包括10kV电缆的横截面积，长度等。获取第一历史时间段的配网基建项目所需的10kV电缆的实际物资需求量、配网基建项目的需求影响因素和10kV电缆的物资类型，作为第一历史时间段的历史物资需求；将第一历史时间段的配网基建项目所需的10kV电缆的实际物资需求量、与不同的基建项目的需求影响因素、不同的10kV电缆的物资类型进行组合，得到至少一个物资需求组。
S202，针对各类型的物资需求预测模型，将各物资需求组输入物资需求预测模型，得到各物资需求组对应的第二历史时间段的物资需求预测结果；第二历史时间段为位于第一历史时间段之后的下一个年度的同期时间段。
例如，若第一历史时间段为2019年2月，则第二历史时间段为2020年2月，上述第一历史时间段的配网基建项目所需的10kV电缆的物资需求组有两个，分别为：物资需求组1、物资需求组2，各类型的物资需求预测模型例如包括A模型、B模型。A模型包括A1模型和A2模型，物资需求组1对应A1模型，物资需求组2对应A2模型；B模型包括B1模型和B2模型，物资需求组1对应B1模型，物资需求组2对应B2模型，将物资需求组1输入A1模型得到物资需求预测结果yA1，将物资需求组2输入A2模型得到物资需求预测结果yA2，将物资需求组1输入B1模型得到物资需求预测结果yB1，将物资需求组2输入B2模型得到物资需求预测结果yB2。
S203，根据各物资需求组对应的第二历史时间段的物资需求预测结果、第二历史时间段的实际物资需求，从各类型的物资需求预测模型中确定目标物资需求预测模型。
若第二历史时间段的物资需求预测结果小于第二历史时间段的实际物资需求，则计算第二历史时间段的物资需求预测结果与第二历史时间段的实际物资需求的第一比值；若第二历史时间段的物资需求预测结果大于第二历史时间段的实际物资需求，则将第二历史时间段的实际物资需求与第二历史时间段的物资需求预测结果进行比对，得到第二比值；得到所有比值之后，所有比值包括第一比值和/或第二比值，将得到的所有比值中的最大比值对应的物资需求预测模型作为目标物资需求预测模型。
例如，结合上述举例进行介绍，若第二历史时间段的实际物资需求为y，yA1<y，yA2<y，yB1>y，yB2>y，将yA1除以y得到的第一比值设为q1，将yA2除以y的第一比值设为q2，将y除以yB1得到的第二比值设为q3，将除以yB2得到的第二比值设为q4，将q1、q2、q3、q4进行排序，若q1最大，则将A1模型确定为目标物资需求预测模型。
S204，根据当前年度的第三历史时间段的实际物资需求和目标物资需求预测模型，预测下一年度的同期时间段的物资需求。
结合上述举例进行介绍，得到目标物资需求预测模型A1后，获取当前年度的第三历史时间段的实际物资需求，根据物资需求组1的组合情况，将当前年度的第三历史时间段的实际物资需求按照物资需求组1的组合情况输入A1模型，得到下一年度的同期时间段的物资需求。
上述物资需求预测方法中，根据项目的项目需求影响因素和物资类型，对项目对应的第一历史时间段的历史物资需求进行分组得到至少一个物资需求组，针对各类型的物资需求预测模型，将各物资需求组输入物资需求预测模型，得到各物资需求组对应的第二历史时间段的物资需求预测结果，根据各物资需求组对应的第二历史时间段的物资需求预测结果、第二历史时间段的实际物资需求，从各类型的物资需求预测模型中确定目标物资需求预测模型，根据当前年度的第三历史时间段的实际物资需求和目标物资需求预测模型，预测下一年度的同期时间段的物资需。通过构建需求预测模型，利用需求预测模型对物资需求进行预测，提高了物资需求预测的准确性。
在其中一个实施例中，上述S202、将各物资需求组输入物资需求预测模型，得到各物资需求组对应的第二历史时间段的物资需求预测结果，可以通过如下方式实现：
将各物资需求组输入对应的预测模型，得到各物资需求组对应的第二历史时间段的物资需求预测结果。
例如，A模型包括A1模型和A2模型，物资需求组1对应A1模型，物资需求组2对应A2模型，B模型包括B1模型和B2模型，物资需求组1对应B1模型，物资需求组2对应B2模型，将物资需求组1输入A1模型得到物资需求预测结果yA1，将物资需求组2输入A2模型得到物资需求预测结果yA2，将物资需求组1输入B1模型得到物资需求预测结果yB1，将物资需求组2输入B2模型得到物资需求预测结果yB2。
可选的，可以将得到的yA1、yA2、yB1、yB2乘以第一预设系数得到的乘积结果作为第二历史时间段的物资需求预测结果。
本实施例中，通过将各物资需求组输入对应的预测模型，得到各物资需求组对应的第二历史时间段的物资需求预测结果，引入了物资需求预测模型，实现了通过物资需求预测模型来进行物资需求预测。
图3是本申请实施例提供的目标物资需求预测模型确定方法的流程示意图之一，本实施例涉及的是如何根据各物资需求组对应的第二历史时间段的物资需求预测结果、第二历史时间段的实际物资需求，从各类型的物资需求预测模型中确定目标物资需求预测模型的一种可能的实现方式，在上述实施例的基础上，如图3所示，上述S203包括：
S301，确定各物资需求组对应的第二历史时间段的物资需求预测结果与第二历史时间段的实际物资需求的比值。
将各物资需求预测模型输出的第二历史时间段的物资需求预测结果与第二历史时间段的实际物资需求的比值，与第一预设阈值进行比对，根据比对结果确定目标物资需求预测模型。例如，第二历史时间段的实际物资需求为y,将yA1与y的比值设为q1，将yA2与y的比值设为q2，将yB1与y的比值设为q3，将yB2与y的比值设为q4，
S302，根据各比值，从各类型的物资需求预测模型中确定目标物资需求预测模型。
若各比值都大于第一预设阈值，可以将最小的比值对应的物资需求预测结果作为目标物资需求预测结果，将目标物资需求预测结果对应的预测模型作为目标物资需求预测模型，若各比值都小于第一预设阈值，可以将最大的比值对应的需求预测结果作为目标物资需求预测结果，将目标物资需求预测结果对应的预测模型作为目标物资需求预测模型。
本实施例中，通过确定各物资需求组对应的第二历史时间段的物资需求预测结果与第二历史时间段的实际物资需求的比值，据各比值，从各类型的物资需求预测模型中确定目标物资需求预测模型，更加准确的选择了输出的物资需求预测结果与实际物资需求符合度最高的物资需求预测模型。
图4是本申请实施例提供的目标物资需求预测模型确定方法的流程示意图之二，本实施例涉及的是如何根据各比值，从各类型的物资需求预测模型中确定目标物资需求预测模型的一种可能的实现方式，在上述实施例的基础上，如图4所示，上述S302包括：
S401，确定各比值与预设数值的差值。
S402，将最小的差值的绝对值对应的比值作为目标比值，并将目标比值对应的需求预测结果作为目标物资需求预测结果。
S403，将目标物资需求预测结果对应的预测模型作为目标物资需求预测模型。
例如，第二历史时间段的实际物资需求为y,将yA1与y的比值设为q1，将yy2与y的比值设为q2，将yB1与y的比值设为q3，将yB2与y的比值设为q4，将第二预设阈值设为1，将q1、q2、q3、q4分别与1作差之后取绝对值，将得到的各绝对值进行比对，最小绝对值对应的预测模型为目标物资需求预测模型。具体地，设z1＝|q1-1|、z2＝|q2-1|、z3＝|q3-1|、z4＝|q4-1|，将z1、z2、z3、z4进行比对，若z1最小，则A1模型为目标物资需求预测模型。
本申请实施例中，通过确定各比值与预设数值的差值，将最小的差值的绝对值对应的比值作为目标比值，并将目标比值对应的需求预测结果作为目标物资需求预测结果，将目标物资需求预测结果对应的预测模型作为目标物资需求预测模型，更加准确的选择了输出的物资需求预测结果与实际物资需求符合度最高的物资需求预测模型。
图5是本申请实施例提供的物资需求预测模型的训练方法的流程示意图之一，本实施例涉及的是如何对物资需求预测模型进行预测的一种可能的实现方式，如图5所示，物资需求预测模型的训练方法包括：
S501，根据项目的项目需求影响因素和物资类型，对项目对应的第三历史时间段的历史物资需求样本进行分组得到至少一个物资需求组样本。
其中，根据项目的项目需求影响因素和物资类型，对项目对应的第三历史时间段的历史物资需求样本进行分组得到至少一个物资需求组样本。例如，以配网基建项目所需的10kV电缆为例进行说明，对配网基建项目对应的第三历史时间段的历史物资需求样本进行分组得到物资需求组样本3和物资需求组样本4。
S502，根据各物资需求组样本和各类型的初始物资需求预测模型，对各类型的初始物资需求预测模型进行训练，得到各物资需求预测模型。
其中，初始物资需求预测模型包括：回归分析模型、向量机模型与神经网络等大数据算法模型。
具体地，将第三历史时间段的各月份的物资需求样本组3和物资需求样本组4进行输入各初始物资需求预测模型，并将物资需求预测结果样本与第三历史时间段的同时期下一年度的实际物资需求进行比对，并不断调整模型参数，最终得到各物资需求预测模型。
本实施例中，根据项目的项目需求影响因素和物资类型，对项目对应的第三历史时间段的历史物资需求样本进行分组得到至少一个物资需求组样本，根据各物资需求组样本和各类型的初始物资需求预测模型，对各类型的初始物资需求预测模型进行训练，得到各物资需求预测模型。实现了优化物资需求预测模型的效果。
图6是本申请实施例提供物资需求预测模型的训练方法的流程示意图之二，本实施例涉及的是如何根据各物资需求组样本和各类型的初始物资需求预测模型，对各类型的初始物资需求预测模型进行训练，得到各物资需求预测模型的一种可能的实现方式，在上述实施例的基础上，如图6所示，上述S502包括：
S601，针对各类型的初始物资需求预测模型，将各物资需求组样本输入初始物资需求预测模型，得到各物资需求组样本对应的第四历史时间段的物资需求预测结果样本；第四历史时间段为位于第三历史时间段之后的下一个年度的同期时间段。
例如，获取初始物资需求预测模型C，将物资需求组样本3输入初始物资需求预测模型C，得到物资需求组样本3对应的第四历史时间段的物资需求预测结果样本yC3，将物资需求组样本4输入初始物资需求预测模型C，得到物资需求组样本3对应的第四历史时间段的物资需求预测结果样本yC4。
S602，根据各物资需求组样本对应的第四历史时间段的物资需求预测结果样本、第四历史时间段的实际物资需求样本，对各类型的初始物资需求预测模型进行训练，得到各物资需求预测模型。
例如，将得到的yC3与第四历史时间段的实际物资需求样本进行比对，调整模型参数，不断重复此过程，训练出物资需求组样本3对应的物资需求预测模型C3，将得到的yC4与第四历史时间段的实际物资需求样本进行比对，调整模型参数，不断重复此过程，训练出物资需求组样本4对应的物资需求预测模型C4。
本实施例中，针对各类型的初始物资需求预测模型，将各物资需求组样本输入初始物资需求预测模型，得到各物资需求组样本对应的第四历史时间段的物资需求预测结果样本，根据各物资需求组样本对应的第四历史时间段的物资需求预测结果样本、第四历史时间段的实际物资需求样本，对各类型的初始物资需求预测模型进行训练，得到各物资需求预测模型，实现了对物资需求预测模型的训练。
应该理解的是，虽然如上所述的各实施例所涉及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，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的物资需求预测方法的物资需求预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个物资需求预测装置实施例中的具体限定可以参见上文中对于物资需求预测方法的限定，在此不再赘述。
在一个实施例中，如图7所示，提供了一种物资需求预测装置，包括：分组模块701、第一确定模块702、第二确定模块703和预测模块704，其中：
分组模块701，用于根据项目的项目需求影响因素和物资类型，对项目对应的第一历史时间段的历史物资需求进行分组得到至少一个物资需求组。
第一确定模块702，用于针对各类型的物资需求预测模型，将各物资需求组输入物资需求预测模型，得到各物资需求组对应的第二历史时间段的物资需求预测结果。
第二确定模块703，根据各物资需求组对应的第二历史时间段的物资需求预测结果、第二历史时间段的实际物资需求，从各类型的物资需求预测模型中确定目标物资需求预测模型。
预测模块704，用于根据当前年度的第三历史时间段的实际物资需求和目标物资需求预测模型，预测下一年度的同期时间段的物资需求。
在其中一个实施例中，第一确定模块702，具体用于将各物资需求组输入对应的预测模型，得到各物资需求组对应的第二历史时间段的物资需求预测结果。
在其中一个实施例中，第二确定模块703包括：
第一确定单元，用于确定各物资需求组对应的第二历史时间段的物资需求预测结果与第二历史时间段的实际物资需求的比值；
第二确定单元，用于根据各比值，从各类型的物资需求预测模型中确定目标物资需求预测模型。
在其中一个实施例中，第二确定单元具体用于确定各比值与预设数值的差值，将最小的差值对应的比值作为目标比值，并将目标比值对应的需求预测结果作为目标物资需求预测结果，将目标物资需求预测结果对应的预测模型作为目标物资需求预测模型。
在其中一个实施例中，装置700还包括：
第三确定模块，用于根据项目的项目需求影响因素和物资类型，对项目对应的第三历史时间段的历史物资需求样本进行分组得到至少一个物资需求组样本；
第四确定模块，用于根据各物资需求组样本和各类型的初始物资需求预测模型，对各类型的初始物资需求预测模型进行训练，得到各物资需求预测模型。
在其中一个实施例中，第四确定模块具体用于针对各类型的初始物资需求预测模型，将各物资需求组样本输入初始物资需求预测模型，得到各物资需求组样本对应的第四历史时间段的物资需求预测结果样本；第四历史时间段为位于第三历史时间段之后的下一个年度的同期时间段；根据各物资需求组样本对应的第四历史时间段的物资需求预测结果样本、第四历史时间段的实际物资需求样本，对各类型的初始物资需求预测模型进行训练，得到各物资需求预测模型。
上述物资需求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，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：
根据项目的项目需求影响因素和物资类型，对项目对应的第一历史时间段的历史物资需求进行分组得到至少一个物资需求组；
针对各类型的物资需求预测模型，将各物资需求组输入物资需求预测模型，得到各物资需求组对应的第二历史时间段的物资需求预测结果；第二历史时间段为位于第一历史时间段之后的下一个年度的同期时间段；
根据各物资需求组对应的第二历史时间段的物资需求预测结果、第二历史时间段的实际物资需求，从各类型的物资需求预测模型中确定目标物资需求预测模型；
根据当前年度的第三历史时间段的实际物资需求和目标物资需求预测模型，预测下一年度的同期时间段的物资需求。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将各物资需求组输入对应的预测模型，得到各物资需求组对应的第二历史时间段的物资需求预测结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定各物资需求组对应的第二历史时间段的物资需求预测结果与第二历史时间段的实际物资需求的比值；
根据各比值，从各类型的物资需求预测模型中确定目标物资需求预测模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定各比值与预设数值的差值；
将最小的差值对应的比值作为目标比值，并将目标比值对应的需求预测结果作为目标物资需求预测结果；
将目标物资需求预测结果对应的预测模型作为目标物资需求预测模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据项目的项目需求影响因素和物资类型，对项目对应的第三历史时间段的历史物资需求样本进行分组得到至少一个物资需求组样本；
根据各物资需求组样本和各类型的初始物资需求预测模型，对各类型的初始物资需求预测模型进行训练，得到各物资需求预测模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
针对各类型的初始物资需求预测模型，将各物资需求组样本输入初始物资需求预测模型，得到各物资需求组样本对应的第四历史时间段的物资需求预测结果样本；第四历史时间段为位于第三历史时间段之后的下一个年度的同期时间段；
根据各物资需求组样本对应的第四历史时间段的物资需求预测结果样本、第四历史时间段的实际物资需求样本，对各类型的初始物资需求预测模型进行训练，得到各物资需求预测模型。
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：
根据项目的项目需求影响因素和物资类型，对项目对应的第一历史时间段的历史物资需求进行分组得到至少一个物资需求组；
针对各类型的物资需求预测模型，将各物资需求组输入物资需求预测模型，得到各物资需求组对应的第二历史时间段的物资需求预测结果；第二历史时间段为位于第一历史时间段之后的下一个年度的同期时间段；
根据各物资需求组对应的第二历史时间段的物资需求预测结果、第二历史时间段的实际物资需求，从各类型的物资需求预测模型中确定目标物资需求预测模型；
根据当前年度的第三历史时间段的实际物资需求和目标物资需求预测模型，预测下一年度的同期时间段的物资需求。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将各物资需求组输入对应的预测模型，得到各物资需求组对应的第二历史时间段的物资需求预测结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定各物资需求组对应的第二历史时间段的物资需求预测结果与第二历史时间段的实际物资需求的比值；
根据各比值，从各类型的物资需求预测模型中确定目标物资需求预测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定各比值与预设数值的差值；
将最小的差值对应的比值作为目标比值，并将目标比值对应的需求预测结果作为目标物资需求预测结果；
将目标物资需求预测结果对应的预测模型作为目标物资需求预测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据项目的项目需求影响因素和物资类型，对项目对应的第三历史时间段的历史物资需求样本进行分组得到至少一个物资需求组样本；
根据各物资需求组样本和各类型的初始物资需求预测模型，对各类型的初始物资需求预测模型进行训练，得到各物资需求预测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
针对各类型的初始物资需求预测模型，将各物资需求组样本输入初始物资需求预测模型，得到各物资需求组样本对应的第四历史时间段的物资需求预测结果样本；第四历史时间段为位于第三历史时间段之后的下一个年度的同期时间段；
根据各物资需求组样本对应的第四历史时间段的物资需求预测结果样本、第四历史时间段的实际物资需求样本，对各类型的初始物资需求预测模型进行训练，得到各物资需求预测模型。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
根据项目的项目需求影响因素和物资类型，对项目对应的第一历史时间段的历史物资需求进行分组得到至少一个物资需求组；
针对各类型的物资需求预测模型，将各物资需求组输入物资需求预测模型，得到各物资需求组对应的第二历史时间段的物资需求预测结果；第二历史时间段为位于第一历史时间段之后的下一个年度的同期时间段；
根据各物资需求组对应的第二历史时间段的物资需求预测结果、第二历史时间段的实际物资需求，从各类型的物资需求预测模型中确定目标物资需求预测模型；
根据当前年度的第三历史时间段的实际物资需求和目标物资需求预测模型，预测下一年度的同期时间段的物资需求。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将各物资需求组输入对应的预测模型，得到各物资需求组对应的第二历史时间段的物资需求预测结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定各物资需求组对应的第二历史时间段的物资需求预测结果与第二历史时间段的实际物资需求的比值；
根据各比值，从各类型的物资需求预测模型中确定目标物资需求预测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定各比值与预设数值的差值；
将最小的差值对应的比值作为目标比值，并将目标比值对应的需求预测结果作为目标物资需求预测结果；
将目标物资需求预测结果对应的预测模型作为目标物资需求预测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据项目的项目需求影响因素和物资类型，对项目对应的第三历史时间段的历史物资需求样本进行分组得到至少一个物资需求组样本；
根据各物资需求组样本和各类型的初始物资需求预测模型，对各类型的初始物资需求预测模型进行训练，得到各物资需求预测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
针对各类型的初始物资需求预测模型，将各物资需求组样本输入初始物资需求预测模型，得到各物资需求组样本对应的第四历史时间段的物资需求预测结果样本；第四历史时间段为位于第三历史时间段之后的下一个年度的同期时间段；
根据各物资需求组样本对应的第四历史时间段的物资需求预测结果样本、第四历史时间段的实际物资需求样本，对各类型的初始物资需求预测模型进行训练，得到各物资需求预测模型。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
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、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
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本申请专利范围的限制。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，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种物资需求预测方法，其特征在于，所述方法包括：
根据项目的项目需求影响因素和物资类型，对所述项目对应的第一历史时间段的历史物资需求进行分组得到至少一个物资需求组；
针对各类型的物资需求预测模型，将各所述物资需求组输入所述物资需求预测模型，得到各所述物资需求组对应的第二历史时间段的物资需求预测结果；所述第二历史时间段为位于所述第一历史时间段之后的下一个年度的同期时间段；
根据各所述物资需求组对应的第二历史时间段的物资需求预测结果、所述第二历史时间段的实际物资需求，从各所述类型的物资需求预测模型中确定目标物资需求预测模型；
根据当前年度的第三历史时间段的实际物资需求和所述目标物资需求预测模型，预测下一年度的同期时间段的物资需求。
2.根据权利要求1所述的方法，其特征在于，一个类型的物资需求预测模型包括与各所述物资需求组一一对应的各预测模型；所述将各所述物资需求组输入所述物资需求预测模型，得到各所述物资需求组对应的第二历史时间段的物资需求预测结果，包括：
将各所述物资需求组输入对应的所述预测模型，得到各所述物资需求组对应的第二历史时间段的物资需求预测结果。
3.根据权利要求2所述的方法，其特征在于，所述根据各所述物资需求组对应的第二历史时间段的物资需求预测结果、所述第二历史时间段的实际物资需求，从各所述类型的物资需求预测模型中确定目标物资需求预测模型，包括：
确定各所述物资需求组对应的第二历史时间段的物资需求预测结果与所述第二历史时间段的实际物资需求的比值；
根据各所述比值，从各所述类型的物资需求预测模型中确定目标物资需求预测模型。
4.根据权利要求3所述的方法，其特征在于，所述根据各所述比值，从各所述类型的物资需求预测模型中确定目标物资需求预测模型，包括：
确定各所述比值与预设数值的差值；
将最小的差值的绝对值对应的比值作为目标比值，并将所述目标比值对应的需求预测结果作为目标物资需求预测结果；
将所述目标物资需求预测结果对应的预测模型作为所述目标物资需求预测模型。
5.根据权利要求1-4任一所述的方法，其特征在于，所述方法还包括：
根据所述项目的项目需求影响因素和物资类型，对所述项目对应的第三历史时间段的历史物资需求样本进行分组得到至少一个物资需求组样本；
根据各所述物资需求组样本和各类型的初始物资需求预测模型，对各所述类型的初始物资需求预测模型进行训练，得到各所述物资需求预测模型。
6.根据权利要求5所述的方法，其特征在于，所述根据各所述物资需求组样本和各类型的初始物资需求预测模型，对各所述类型的初始物资需求预测模型进行训练，得到各所述物资需求预测模型，包括：
针对各类型的初始物资需求预测模型，将各所述物资需求组样本输入所述初始物资需求预测模型，得到各所述物资需求组样本对应的第四历史时间段的物资需求预测结果样本；所述第四历史时间段为位于所述第三历史时间段之后的下一个年度的同期时间段；
根据各所述物资需求组样本对应的第四历史时间段的物资需求预测结果样本、所述第四历史时间段的实际物资需求样本，对各所述类型的初始物资需求预测模型进行训练，得到各所述物资需求预测模型。
7.一种物资需求预测装置，其特征在于，所述装置包括：
分组模块，用于根据项目的项目需求影响因素和物资类型，对所述项目对应的第一历史时间段的历史物资需求进行分组得到至少一个物资需求组；
第一确定模块，用于针对各类型的物资需求预测模型，将各所述物资需求组输入所述物资需求预测模型，得到各所述物资需求组对应的第二历史时间段的物资需求预测结果；
第二确定模块，根据各所述物资需求组对应的第二历史时间段的物资需求预测结果、所述第二历史时间段的实际物资需求，从各所述类型的物资需求预测模型中确定目标物资需求预测模型；
预测模块，用于根据当前年度的第三历史时间段的实际物资需求和所述目标物资需求预测模型，预测下一年度的同期时间段的物资需求。
8.一种计算机设备，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6中任一项所述的方法的步骤。
9.一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6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211349877.2A CN115689018A (zh) | 2022-10-31 | 2022-10-31 | 物资需求预测方法、装置、设备、存储介质和程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211349877.2A CN115689018A (zh) | 2022-10-31 | 2022-10-31 | 物资需求预测方法、装置、设备、存储介质和程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115689018A true CN115689018A (zh) | 2023-02-03 |
Family
ID=85045725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211349877.2A Pending CN115689018A (zh) | 2022-10-31 | 2022-10-31 | 物资需求预测方法、装置、设备、存储介质和程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115689018A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116070781A (zh) * | 2023-03-06 | 2023-05-05 | 南方电网数字电网研究院有限公司 | 电能计量设备需求预测方法、装置和计算机设备 |
| CN116090666A (zh) * | 2023-03-11 | 2023-05-09 | 北斗天下卫星导航有限公司 | 基于环境和时序的物资需求预测方法、装置、设备和介质 |
| CN117974011A (zh) * | 2024-04-01 | 2024-05-03 | 国网浙江省电力有限公司宁波供电公司 | 动态感知物资需求的采购决策方法、装置、设备及介质 |
-
2022
- 2022-10-31 CN CN202211349877.2A patent/CN115689018A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116070781A (zh) * | 2023-03-06 | 2023-05-05 | 南方电网数字电网研究院有限公司 | 电能计量设备需求预测方法、装置和计算机设备 |
| CN116070781B (zh) * | 2023-03-06 | 2023-06-27 | 南方电网数字电网研究院有限公司 | 电能计量设备需求预测方法、装置和计算机设备 |
| CN116090666A (zh) * | 2023-03-11 | 2023-05-09 | 北斗天下卫星导航有限公司 | 基于环境和时序的物资需求预测方法、装置、设备和介质 |
| CN117974011A (zh) * | 2024-04-01 | 2024-05-03 | 国网浙江省电力有限公司宁波供电公司 | 动态感知物资需求的采购决策方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115689018A (zh) | 物资需求预测方法、装置、设备、存储介质和程序产品 | |
| CN114359563A (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
| CN114462723B (zh) | 基于高空风资源影响的云层迁移分钟级光伏功率预测方法 | |
| CN114816711A (zh) | 批量任务处理方法、装置、计算机设备和存储介质 | |
| CN117078480A (zh) | 碳排放量监测方法、装置、设备、存储介质和计算机产品 | |
| CN115471098A (zh) | 碳排放量获取方法、装置、计算机设备和存储介质 | |
| CN108764553B (zh) | 用户规模预测方法、装置及计算机设备 | |
| CN117829892A (zh) | 三维模型供需分析方法、装置、计算机设备和存储介质 | |
| CN116191398A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
| CN114501518B (zh) | 流量预测方法、装置、设备、介质和程序产品 | |
| CN115481767A (zh) | 面向配电网检修的运行数据处理方法、装置和计算机设备 | |
| CN115511562A (zh) | 虚拟产品推荐方法、装置、计算机设备和存储介质 | |
| CN115759574A (zh) | 物资的存储方法、装置、计算机设备和存储介质 | |
| CN115169155A (zh) | 发动机故障预测方法、装置、计算机设备和存储介质 | |
| CN114236458A (zh) | 基于测试数据流的双芯智能电表故障定位方法和装置 | |
| CN114492905A (zh) | 基于多模型融合的客诉率预测方法、装置和计算机设备 | |
| CN117233630B (zh) | 锂离子电池的使用寿命预测方法、装置和计算机设备 | |
| CN115618288A (zh) | 等级确定方法、装置、设备、存储介质和程序产品 | |
| CN117724680A (zh) | 需求评估方法、装置、计算机设备和存储介质 | |
| CN117114170A (zh) | 一种电力物资需求预测方法和相关产品 | |
| CN116011671A (zh) | 有序用电行业筛选方法、装置、计算机设备和存储介质 | |
| CN117495131A (zh) | 用电数据预测方法、装置、计算机设备和存储介质 | |
| CN117424198A (zh) | 基于数据知识联合驱动的电力负荷预测方法和装置 | |
| CN118691042A (zh) | 承接饱和度评估方法、装置、设备、存储介质和程序产品 | |
| CN117495128A (zh) | 用电数据预测方法、装置、计算机设备和存储介质 |
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 |