CN116090666A - 基于环境和时序的物资需求预测方法、装置、设备和介质 - Google Patents
基于环境和时序的物资需求预测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN116090666A CN116090666A CN202310230839.3A CN202310230839A CN116090666A CN 116090666 A CN116090666 A CN 116090666A CN 202310230839 A CN202310230839 A CN 202310230839A CN 116090666 A CN116090666 A CN 116090666A
- Authority
- CN
- China
- Prior art keywords
- historical
- information
- material demand
- prediction
- time
- 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.)
- Granted
Links
- 239000000463 material Substances 0.000 title claims abstract description 627
- 238000000034 method Methods 0.000 title claims abstract description 67
- 239000013598 vector Substances 0.000 claims abstract description 197
- 230000007613 environmental effect Effects 0.000 claims abstract description 145
- 230000000694 effects Effects 0.000 claims abstract description 141
- 238000012549 training Methods 0.000 claims abstract description 126
- 238000012545 processing Methods 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000013139 quantization Methods 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 230000005856 abnormality Effects 0.000 claims description 20
- 230000036541 health Effects 0.000 claims description 15
- 238000000638 solvent extraction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 3
- 239000003921 oil Substances 0.000 description 10
- 238000012876 topography Methods 0.000 description 9
- 238000012937 correction Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 235000013305 food Nutrition 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 229940035676 analgesics Drugs 0.000 description 1
- 239000000730 antalgic agent Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000002439 hemostatic effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及需求预测的技术领域,尤其是涉及基于环境和时序的物资需求预测方法、装置、设备和介质,方法包括:将多条已知物资信息、预测时段和环境因素输入至物资需求预测模型进行物资需求预测,提高了物资需求预测的准确度,其中,模型训练过程为:基于历史环境因素和物资需求量进行量化时序处理,得到二维向量,添加历史环境因素并进行量化,深入考虑到了环境对军事演习活动中物资需求的影响。然后,利用多维时间信息,在二维向量上增加时间维度,再基于每一时间维度对应的滑动窗口步长进行窗口滑动,使得三维向量能够在不同时间段范围上形成连续的向量,因而,基于三维向量对模型进行训练,使得物资需求预测模型的预测精度更加精准。
Description
技术领域
本申请涉及需求预测的技术领域,尤其是涉及基于环境和时序的物资需求预测方法、装置、设备和介质。
背景技术
在特殊时期进行军事演习,能够提高部队的实战能力、显示军事力量和军事素质。军用物资保障是军事演习中较为重要的一环,其中,军用物资需求预测是决定订货采购、库存储备、运输调度的前提,因而,大力加强各项军事演习中物资保障准备,对于保证军事演习顺利完成,具有十分重要而特殊的意义。
现有技术中,物资需求预测方法主要有统计分析法、类比分析法、经验分析法等,然而,军用物资需求同时受多重因素影响,例如,供应标准、保障任务、物资消耗规律等,因而,利用现有技术进行军用物资需求,会导致预测结果往往难以反映现实需求,预测精度不高。
因而,如何提供一种高精度的物资需求预测方法是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供基于环境和时序的物资需求预测方法、装置、设备和介质,用于解决以上至少一项技术问题。
本申请的上述发明目的是通过以下技术方案得以实现的:
第一方面,本申请提供一种基于环境和时序的物资需求预测方法,采用如下的技术方案:
一种基于环境和时序的物资需求预测方法,包括:
获取目标活动的多条已知物资信息、预测时段和预测时段对应的环境因素,其中,所述已知物资信息为目标活动对应的已知环境因素、已知时间和已知物资需求量;
将所述多条已知物资信息、所述预测时段和所述环境因素输入至物资需求预测模型进行物资需求预测,得到物资预测结果;
其中,所述物资需求预测模型的训练过程,包括:
获取历史活动对应的多个历史数据,其中,所述历史数据包括:历史活动信息、历史环境因素、历史时间和历史物资需求量;
基于所述多个历史数据各自对应的所述历史时间,对所述多个历史数据各自对应的所述历史环境因素和所述物资需求量进行量化时序处理,得到按照时序排列的二维向量;
基于所述二维向量进行时间分组,得到多维时间信息,并基于所述多维时间信息和所述二维向量进行窗口滑动,得到多个三维向量;
利用所述多个三维向量对模型进行迭代训练,得到初始物资需求预测模型,并将所述历史活动信息输入至所述初始物资需求预测模型,得到物资需求预测模型,其中,所述历史活动信息用于标记模型训练数据的来源。
通过采用上述技术方案,将多条已知物资信息、预测时段和环境因素输入至物资需求预测模型进行物资需求预测,得到高精度的物资预测结果,提高了物资需求预测的准确度,其中,物资需求预测模型训练过程为:基于多个历史数据各自对应的历史环境因素和物资需求量进行量化时序处理,得到按照时序排列的二维向量,在进行模型训练时,添加历史环境因素并进行量化,深入考虑到了环境对军事演习活动中物资需求的影响。然后,基于二维向量进行时间分组,得到多维时间信息,并利用多维时间信息,在二维向量上增加时间维度,使得不同长度的连续时间段构成一组新的时间维度,再基于每一时间维度对应的滑动窗口步长进行窗口滑动,使得三维向量能够在不同时间段范围上形成连续的向量,因而,基于三维向量对模型进行训练,使得物资需求预测模型的预测精度更加精准。最终,将历史活动信息输入至初始物资需求预测模型,以标记模型训练数据的来源,即,便于后续在针对目标活动进行物资需求预测时,能够较为准确地确定与之对应的物资需求预测模型。
本申请在一较佳示例中可以进一步配置为:所述三维向量中每一行向量包括:历史环境值、历史物资值和历史时间值,其中,所述历史环境值包括若干项环境因子值;
所述利用所述多个三维向量对模型进行迭代训练,得到初始物资需求预测模型,包括:
当基于所述三维向量对模型完成一轮训练后,基于每一历史时间值对应的训练物资预测值和对应的历史物资值进行差值处理,得到预测差值;
基于所述预测差值和阈值范围进行匹配,基于与匹配失败的所述预测差值对应的历史环境值对应的若干均差值调整所有环境因子值,并基于调整后的所有环境因子值进行下一轮模型训练,直至满足停止条件;
其中,若干均差值确定的方式,包括:
基于所述历史环境值中的相同因子名称的所有环境因子值进行平均处理,得到所有相同因子名称各自对应的环境平均值;
针对每一环境平均值,基于所述环境平均值和所述环境平均值对应的若干环境因子值进行差值处理,得到每一环境平均值对应的若干均差值。
本申请在一较佳示例中可以进一步配置为:所述基于所述二维向量进行时间分组,得到多维时间信息,并基于所述多维时间信息和所述二维向量进行窗口滑动,得到多个三维向量,包括:
利用多维划分规则对所述二维向量进行时间分组,得到多维时间信息,其中,所述多维划分规则用于将二维向量中时间相邻的若干信息组成单元;
针对所述多维时间信息中每一时间维度,确定所述每一时间维度对应的滑动窗口步长;
基于所述二维向量和所述每一时间维度对应的滑动窗口步长进行窗口滑动,得到多个三维向量。
本申请在一较佳示例中可以进一步配置为:所述将所述多条已知物资信息、所述预测时段和所述环境因素输入至物资需求预测模型进行物资需求预测,得到物资预测结果,包括:
基于所述多条已知物资信息和所述物资需求预测模型中拟合曲线进行数值区间匹配,若数值区间匹配成功,则利用所述物资需求预测模型,对所述预测时段和所述环境因素进行物资需求预测,得到物资预测结果;
若数值区间匹配失败,则基于所述多条已知物资信息,调整所述物资需求预测模型中拟合曲线,得到更新物资需求预测模型;
利用所述更新物资需求预测模型,对所述预测时段和所述环境因素进行物资需求预测,得到物资预测结果。
本申请在一较佳示例中可以进一步配置为:所述将所述多条已知物资信息、所述预测时段和所述环境因素输入至物资需求预测模型进行物资需求预测,得到物资预测结果之后,还包括:
获取目标活动的活动信息,其中,活动信息至少包括:活动名称、活动类型、演习科目;
利用活动信息和总物资种类的关系,确定与所述活动信息对应的总物资集合;
基于所述总物资集合和所述物资预测结果中预测物资进行物资匹配,若匹配失败,则生成报警信息;
若匹配成功,利用物资类别标准对所述物资预测结果中物资进行类别区分,确定每一项物资对应的物资类别,其中,所述物资类别包括:一次性消耗物资和重复使用物资;
当所述物资类别为所述一次性消耗物资时,则保持物资预测结果中一次性消耗物资对应的预测信息项不变;
当所述物资类别为所述重复使用物资时,则获取所述重复使用物资的使用情况,并基于所述使用情况预估重复使用物资在所述预测时段内的健康状态;
基于所有健康状态,对物资预测结果中重复使用物资对应的预测信息项进行调整。
本申请在一较佳示例中可以进一步配置为:所述基于所述多个历史数据各自对应的所述历史环境因素和所述物资需求量进行量化时序处理,得到按照时序排列的二维向量,包括:
基于多个历史数据各自对应的所述历史环境因素和所述物资需求量进行量化时序处理,得到按照时序排列的初始二维向量;
基于所述初始二维向量和异常确定规则进行异常信息标记,确定信息异常原因,并基于所述信息异常原因和所述初始二维向量,得到二维向量。
本申请在一较佳示例中可以进一步配置为:还包括:
当目标活动结束后,获取目标活动的所有已知物资信息,基于所述所有已知物资信息对所述物资需求预测模型进行更新训练,得到更新训练后的物资需求预测模型。
第二方面,本申请提供一种基于环境和时序的物资需求预测装置,采用如下的技术方案:
一种基于环境和时序的物资需求预测装置,包括:
获取模块,用于获取目标活动的多条已知物资信息、预测时段和预测时段对应的环境因素,其中,所述已知物资信息为目标活动对应的已知环境因素、已知时间和已知物资需求量;
需求预测模块,用于将所述多条已知物资信息、所述预测时段和所述环境因素输入至物资需求预测模型进行物资需求预测,得到物资预测结果;
其中,基于环境和时序的物资需求预测装置,还包括:
模型训练模块,用于获取历史活动对应的多个历史数据,其中,所述历史数据包括:历史活动信息、历史环境因素、历史时间和历史物资需求量;
基于所述多个历史数据各自对应的所述历史时间,对所述多个历史数据各自对应的所述历史环境因素和所述物资需求量进行量化时序处理,得到按照时序排列的二维向量;
基于所述二维向量进行时间分组,得到多维时间信息,并基于所述多维时间信息和所述二维向量进行窗口滑动,得到多个三维向量;
利用所述多个三维向量对模型进行迭代训练,得到初始物资需求预测模型,并将所述历史活动信息输入至所述初始物资需求预测模型,得到物资需求预测模型其中,所述历史活动信息用于标记模型训练数据的来源。
第三方面,本申请提供一种电子设备,采用如下的技术方案:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行上述的基于环境和时序的物资需求预测方法。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令所述计算机执行上所述的基于环境和时序的物资需求预测方法。
综上所述,本申请包括以下至少一种有益技术效果:
将多条已知物资信息、预测时段和环境因素输入至物资需求预测模型进行物资需求预测,得到高精度的物资预测结果,提高了物资需求预测的准确度,其中,物资需求预测模型训练过程为:基于多个历史数据各自对应的历史环境因素和物资需求量进行量化时序处理,得到按照时序排列的二维向量,在进行模型训练时,添加历史环境因素并进行量化,深入考虑到了环境对军事演习活动中物资需求的影响。然后,基于二维向量进行时间分组,得到多维时间信息,并利用多维时间信息,在二维向量上增加时间维度,使得不同长度的连续时间段构成一组新的时间维度,再基于每一时间维度对应的滑动窗口步长进行窗口滑动,使得三维向量能够在不同时间段范围上形成连续的向量,因而,基于三维向量对模型进行训练,使得物资需求预测模型的预测精度更加精准。最终,将历史活动信息输入至初始物资需求预测模型,以标记模型训练数据的来源,即,便于后续在针对目标活动进行物资需求预测时,能够较为准确地确定与之对应的物资需求预测模型。
利用多维时间信息,在二维向量上增加时间维度,且,针对多维时间信息中每一时间维度,确定每一时间维度对应的滑动窗口步长,并基于二维向量和每一时间维度对应的滑动窗口步长进行窗口滑动,使得三维向量能够在不同时间段范围上形成连续的向量,因而,基于三维向量对模型进行训练,使得物资需求预测模型的预测精度更加精准。
附图说明
图1是本申请其中一实施例的一种基于环境和时序的物资需求预测方法的流程示意图;
图2是本申请其中一实施例的物资需求预测模型的训练过程的示意图;
图3是本申请其中一实施例的一种基于环境和时序的物资需求预测装置的结构示意图;
图4是本申请其中一实施例的一种电子设备的结构示意图。
具体实施方式
以下结合图1至图4对本申请作进一步详细说明。
本具体实施例仅仅是对本申请的解释,其并不是对本申请的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本申请实施例作进一步详细描述。
在特殊时期进行军事演习,能够提高部队的实战能力、显示军事力量和军事素质。现如今,信息化条件下的战争,物资消耗情况瞬息万变,精确的军用物资消耗量预测是实现精确后勤保障的前提和关键。现有技术中,物资需求预测方法主要有统计分析法、类比分析法、经验分析法等,然而,每年进行军事演戏的次数有限,因而,军用物资需求的历史数据较少,且,军用物资需求同时受多重因素影响,因而,利用现有技术进行物资需求预测,会导致预测结果往往难以反映现实需求,预测精度不高。
为了解决上述技术问题,本申请提供了一种基于环境和时序的物资需求预测方法,利用高预测精度的物资需求预测模型进行物资需求预测,得到物资预测结果,其中,在物资需求预测模型的训练过程中,首先,基于多个历史数据进行量化时序处理,其中,历史数据包括:历史环境因素和物资需求量,得到按照时序排列的二维向量。然后,基于二维向量进行时间分组,得到多维时间信息,并基于多维时间信息和二维向量进行窗口滑动,得到多个三维向量。最终,利用多个三维向量对模型进行迭代训练,得到初始物资需求预测模型。在对模型进行迭代训练时,二维向量中包括环境因素,在一定程度上提高了物资需求预测的精度,并利用多维时间信息和二维向量进行窗口滑动,从而使得历史数据能够在不同时段范围上形成了连续的向量,进而,利用三维向量对模型进行训练,使得物资需求预测模型的预测结果更加精准。
本申请实施例提供了一种基于环境和时序的物资需求预测方法,由电子设备执行,该电子设备可以为服务器也可以为终端设备,其中,该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机等,但并不局限于此,该终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例在此不做限制,如图1所示,该方法包括步骤S101和步骤S102,其中:
步骤S101:获取目标活动的多条已知物资信息、预测时段和预测时段对应的环境因素,其中,已知物资信息为目标活动对应的已知环境因素、已知时间和已知物资需求量;
步骤S102:将多条已知物资信息、预测时段和环境因素输入至物资需求预测模型进行物资需求预测,得到物资预测结果。
对于本申请实施例,军事演习活动中会消耗较多的军用物资,例如,给养中的主副食、舰艇备品、潜艇远航食品,油料中的车用油料、舰艇油料、航空油料,药材中的止血绷带、创伤敷料、止痛药等,精确的军用物资消耗量预测是实现精确后勤保障的前提和关键。本申请利用物资需求预测模型进行物资需求预测,得到物资预测结果,其中,在进行物资需求预测时,可以基于用户的实际预测时间需求进行预测,例如,预测军事演习活动未来一段时间的物资需求情况,预测军事演习活动中某一天或不连续的某几天的物资需求情况,具体的预测情况,本申请实施例不再进行限定。
具体的,在实际军事演习活动中,不同的军事演习活动和/或相同的军事演习活动的不同阶段会处在不同的环境条件下,所处环境的变动性会对军事演习活动中不同类型的物资消耗产生不同程度的影响,因而,在进行物资需求预测时,综合考虑环境因素能够在一定程度上提高物资需求预测的精度,其中,环境因素至少包括:地形、地势、天气、温度,当然,还可以包括其他环境因素项,本申请实施例不再进行限定。预测时段为用户基于实际需求进行设定的,可以为军事演习活动的某一天、某一段时间,例如,针对军事演习活动的第4天至第7天进行物资需求预测,针对军事演习活动的第5天进行物资需求预测,然而,需要明确的是,预测时段需要在已知时间之后。利用物资需求预测模型进行物资需求预测时,输入多条已知物资信息能够在一定程度上提高物资需求预测模型的预测精度,具体的,物资需求预测模型是基于历史活动的多个历史数据训练得到的,然而,在利用该物资需求预测模型进行预测时,由于活动情况相似,因而目标活动的物资需求量的波动情况与物资需求预测模型中拟合曲线的波动情况大致相同,其中,拟合曲线位于物资需求预测模型内,用于显示物资需求情况,但是,目标活动的波动情况和物资需求预测模型中拟合曲线波动的起始点可能不同,因而,将多条已知物资信息输入至物资需求预测模型中,多条已知物资信息用于确定预测模型中拟合曲线波动的起点,以使得物资预测结果接近目标活动的实际物资需求。
其中,物资需求预测模型的训练过程,包括:
对于本申请实施例,如图2所示,图2为本申请实施例提供的物资需求预测模型的训练过程的示意图,包括步骤SA、步骤SB、步骤SC和步骤SD,其中:
步骤SA:获取历史活动对应的多个历史数据,其中,历史数据包括:历史活动信息、历史环境因素、历史时间和历史物资需求量;
步骤SB:基于多个历史数据各自对应的历史时间,对多个历史数据各自对应的历史环境因素和物资需求量进行量化时序处理,得到按照时序排列的二维向量。
对于本申请实施例,多个历史数据是同一历史活动的多天的数据信息,历史数据包括:历史活动信息、历史环境因素、历史时间和历史物资需求量,其中,历史活动信息至少包括:活动名称,当然,还可以包括:活动类型和演习科目;历史环境因素至少包括:地形、地势、天气、温度,当然,还可以包括:气候、水文气象、风浪等;军事演习活动中需要的多类物资,例如,食品、油料、药品等,因而,历史物资需求量中包括多项具体物资的需求量数据,例如,具体物资包括:水、面包、急救包、止疼药;历史时间为历史数据对应的日期。
进而,基于多个历史时间,对多个历史数据进行量化时序处理,具体的,基于量化转换规则,将多个历史数据各自对应的历史环境因素进行量化处理,得到数字形式的历史环境因素,例如,针对天气而言,量化转换规则中规定:晴天为0、阴天为1、多云为2、雨天为3、雪天为4;针对地形而言,量化转换规则中规定:高原为0、平原为1、盆地为2、丘陵为3、山地为4;针对地势而言,量化转换规则中规定:低位0、中为1、高位1。然后,基于多个历史数据中的历史时间,对多个历史数据进行时序化处理,其中,多个历史数据中的历史环境因素为数字形式的,得到按照时序排列的二维向量,以使得多个历史数据按照历史时间的顺序排列。
步骤SC:基于二维向量进行时间分组,得到多维时间信息,并基于多维时间信息和二维向量进行窗口滑动,得到多个三维向量;
对于本申请实施例,在进行时间分组时,首先,确定二维向量的维度,二维向量的维度与构成二维向量的多个历史数据的数据数量相同;然后,基于二维向量的维度确定二维向量的划分规则,并基于划分规则得到多维时间信息,其中,确定划分规则的方法为:设定初始划分单元的长度为1,然后,逐一增加划分单元的长度,直至划分单元的长度等于二维向量的维度,例如,二维向量的维度为4,即,二维向量是由4条历史数据进行量化时序处理得到的,确定的划分规则为:针对二维向量中的每一个行向量为一个划分单元、针对二维向量中的时间相邻的两个行向量为一个划分单元、针对二维向量中的时间相邻的三个行向量为一个划分单元、针对二维向量中的时间相邻的四个行向量为一个划分单元,进而,划分规则中的每一项信息为多维时间信息中的一个时间维度。然后,基于多维时间信息和二维向量进行窗口滑动,得到多个三维向量,具体的,基于多维时间信息中的每一时间维度对二维向量进行窗口滑动,滑动窗口的大小与对应的时间维度相关,例如,当时间维度为:针对二维向量中的相邻的两个行向量为一个划分单元,则将滑动窗口的大小设定为2对二维向量进行窗口滑动时,即,将二维向量中第一、二行向量作为一个数据单元;将二维向量中第二、三行向量作为一个数据单元;将二维向量中第三、四行向量作为一个数据单元。基于其他时间维度对二维向量进行窗口滑动的操作与之类似,为了论述简单,本申请实施例不再进行重复阐述。最终,在完成了每一时间维度对二维向量进行窗口滑动后,得到多个三维向量,其中,每一三维向量对应于一次窗口滑动。
利用多维时间信息,在二维向量上增加时间维度,使得不同长度的连续时间段构成一组新的时间维度,再基于每一时间维度对应的滑动窗口步长进行窗口滑动,使得三维向量能够在不同时间段范围上形成连续的向量,因而,基于三维向量对模型进行训练,使得物资需求预测模型的预测精度更加精准。与此同时,相较于传统的直接利用数据进行模型训练的情况,本申请在二维向量上增加时间维度,在一定程度上增加了模型的训练数据,提升了物资需求预测模型的预测精度。
步骤SD:利用多个三维向量对模型进行迭代训练,得到初始物资需求预测模型,并将历史活动信息输入至初始物资需求预测模型,得到物资需求预测模型,其中,历史活动信息用于标记模型训练数据的来源。
对于本申请实施例,利用三维向量对模型进行迭代训练,得到初始物资需求预测模型。具体的,基于多个三维向量通过卷积神经网络得到训练拟合曲线;针对每一个三维向量,确定训练拟合曲线和历史物资需求量对应波动曲线的相似度;基于多个三维向量的相似度得到损失,并将损失反向传播,以对卷积神经网络进行训练;对训练后的卷积神经网络的各损失进行加权求和,以得到总损失,当总损失满足设定损失阈值范围时,确定训练后的卷积神经网络为物资需求预测模型。其中,本申请实施例中,卷积神经网络可以为各种卷积网络,例如,LSTM网络、Resnet网络、yolov5网络。进而,将历史活动信息输入至初始物资需求预测模型,以标记模型训练数据的来源,即,便于后续在针对目标活动进行物资需求预测时,能够较为准确地确定与之对应的物资需求预测模型。
可见,在本申请实施例中,将多条已知物资信息、预测时段和环境因素输入至物资需求预测模型进行物资需求预测,得到高精度的物资预测结果,提高了物资需求预测的准确度,其中,物资需求预测模型训练过程为:基于多个历史数据各自对应的历史环境因素和物资需求量进行量化时序处理,得到按照时序排列的二维向量,在进行模型训练时,添加历史环境因素并进行量化,深入考虑到了环境对军事演习活动中物资需求的影响。然后,基于二维向量进行时间分组,得到多维时间信息,并利用多维时间信息,在二维向量上增加时间维度,使得不同长度的连续时间段构成一组新的时间维度,再基于每一时间维度对应的滑动窗口步长进行窗口滑动,使得三维向量能够在不同时间段范围上形成连续的向量,因而,基于三维向量对模型进行训练,使得物资需求预测模型的预测精度更加精准。最终,将历史活动信息输入至初始物资需求预测模型,以标记模型训练数据的来源,即,便于后续在针对目标活动进行物资需求预测时,能够较为准确地确定与之对应的物资需求预测模型。
进一步的,为了完成对不满足要求的训练模型进行矫正,保证训练成功的物资需求预测模型的预测精度,在本申请实施例中,三维向量每一行向量包括:历史环境值、历史物资值和历史时间值,其中,历史环境值由若干项环境因子值构成;
利用多个三维向量对模型进行迭代训练,得到初始物资需求预测模型,包括:步骤SD1(图中未示出)和步骤SD2(图中未示出),其中:
步骤SD1:当基于三维向量对模型完成一轮训练后,基于每一历史时间值对应的训练物资预测值和历史物资值进行差值处理,得到预测差值;
对于本申请实施例,由多个历史数据进行量化时序处理得到二维向量,进而,在二维向量的基础上增加时间维度向量,得到三维向量,因而,三维向量中每一行向量包括:历史环境值、历史物资值和历史时间值。由于环境因素包括多项具体的因子项,例如,环境因素至少包括:地形、地势、天气、温度,因而,历史环境值由若干项环境因子值构成,例如,环境因子为地形,对应的环境因子值为0;环境因子为地势,对应的环境因子值为1;环境因子为天气,对应的环境因子值为2;环境因子为温度,对应的环境因子值为15,因而,历史环境值为:0、1、2、15。
在模型训练的过程中,并非每一轮训练得到训练模型均能够满足要求,在训练的梯度下降过程中可能会掉进局部最大或局部最小的陷阱,因而,在模型完成一轮训练后,验证训练模型的是否满足要求,并对不满足要求的训练模型进行矫正,以保证训练成功的物资需求预测模型的预测精度。具体的,在完成对模型的一轮训练后,训练模型输出训练结果,其中,训练结果包括每一历史时间值对应的训练物资预测值,然后,基于训练结果中的每一历史时间值的训练物资预测值和实际的历史物资值进行差值处理,得到预测差值,预测差值用于表征训练模型的训练结果和实际情况的偏差程度。
步骤SD2:基于预测差值和阈值范围进行匹配,基于与匹配失败的预测差值对应的历史环境值对应的若干均差值调整所有环境因子值,并基于调整后的所有环境因子值进行下一轮模型训练,直至满足停止条件;
对于本申请实施例,在计算得到预测差值后,基于预测差值和阈值范围进行匹配,其中,由于预测差值可能为正数、负数或零,因而,阈值范围为基于零对称的区间范围,阈值范围是技术人员基于大量的实验测试得到的。若预测差值和阈值范围匹配成功,则表明本轮训练得到的训练模型能够满足要求,故保留本轮训练的所有相关数据;若预测差值和阈值范围匹配失败,则表明本轮训练得到的训练模型未能够满足要求,则基于均差值调整训练模型的训练参数,且调整训练物资预测值。
具体的,首先,判断训练物资预测值和历史物资值的大小关系,倘若训练物资预测值大于历史物资值,则获取预测差值对应的历史环境值,其中,由于预测差值与历史时间值、历史物资值具有一对一的关系,故预测差值和历史环境值也同样具有一对一的关系;然后,针对三维向量中的同一历史时间值的历史环境值而言,获取历史环境值对应的若干均差值,即,每一环境因子值对应一个均差值。针对每一环境因子值,将环境因子值减去对应的均差值,得到矫正环境因子值,最终得到三维向量中每一环境因子值对应的矫正环境因子值。与此同时,针对三维向量中的同一历史时间值的训练物资预测值而言,将训练物资预测值与阈值范围的正数部分相加,得到矫正预测值,最终得到三维向量中每一训练物资预测值对应的矫正预测值。倘若训练物资预测值小于历史物资值,针对三维向量中的同一历史时间值的历史环境值而言,获取历史环境值对应的若干均差值,即,每一环境因子值对应一个均差值。针对每一环境因子值,将环境因子值与对应的均差值相加,得到矫正环境因子值,最终得到三维向量中每一环境因子值对应的矫正环境因子值。以此同时,针对三维向量中的同一历史时间值的训练物资预测值而言,将训练物资预测值减去阈值范围的正数部分,得到矫正预测值,最终得到三维向量中每一训练物资预测值对应的矫正预测值。调整环境因子值是为了反向传播调整优化神经网络参数,用于下一次迭代训练时能使预测的更准确。调整训练物资预测值是为了记录每次迭代训练的物资预测值,若矫正预测值符合标准,则保存模型。
进而,基于调整后的所有环境因子值进行下一轮模型训练,直至满足停止条件,停止条件是技术人员预先设定的,例如,迭代训练次数达到预设训练次数,本申请实施例不再进行限定。
其中,若干均差值确定的方式,包括:步骤Sa(图中未示出)和步骤Sb(图中未示出),其中:
步骤Sa:基于历史环境值中的相同因子名称的所有环境因子值进行平均处理,得到所有相同因子名称各自对应的环境平均值;
步骤Sb:针对每一环境平均值,基于环境平均值和环境平均值对应的若干环境因子值进行差值处理,得到每一环境平均值对应的若干均差值。
对于本申请实施例,相同因子名称包括若干项环境因子值,故基于历史环境值中的相同因子名称的若干环境因子值进行平均处理,得到所有因子名称各自对应的环境平均值。例如,因子名称包括:天气、地形,在三维向量中,天气对应的若干环境因子值分别为:0、1、2、1、3,因而,天气对应的环境平均值为1.4,即,(0+1+2+1+3)/5=1.4;地形对应的若干环境因子值分别为:1、2、4、2、1,因而,地形对应的环境平均值为2,即,(1+2+4+2+1)/5=2。然后,针对每一环境平均值,将环境平均值和环境平均值对应的若干环境因子值进行差值处理,得到每一环境平均值对应的若干均差值,其中,针对每一环境因子值对应一个均差值。例如,针对地形对应的环境平均值2而言,逐一进行差值处理,得到若干均差值分别为:-1、0、2、0、-1。
可见,在本申请实施例中,在模型训练的过程中,并非每一轮训练得到训练模型均能够满足要求,在训练的梯度下降过程中可能会掉进局部最大或局部最小的陷阱,因而,在模型完成一轮训练后,基于预测差值和阈值范围进行匹配,若匹配失败,则基于与预测差值对应的历史环境值对应的若干均差值调整所有环境因子值和训练物资预测值,以完成对不满足要求的训练模型进行矫正,保证训练成功的物资需求预测模型的预测精度。
进一步的,为了使得物资需求预测模型的预测精度更加精准,在本申请实施例中,基于二维向量进行时间分组,得到多维时间信息,并基于多维时间信息和二维向量进行窗口滑动,得到多个三维向量,包括:
利用多维划分规则对二维向量进行时间分组,得到多维时间信息,其中,多维划分规则用于将二维向量中时间相邻的若干信息组成单元;
针对多维时间信息中每一时间维度,确定每一时间维度对应的滑动窗口步长;
基于二维向量和每一时间维度对应的滑动窗口步长进行窗口滑动,得到多个三维向量。
对于本申请实施例,利用多维划分规则对二维向量进行时间分组,得到多维时间信息,其中,确定划分规则的方法为:设定初始划分单元的长度为1,然后,逐一增加划分单元的长度,直至划分单元的长度等于二维向量的维度,例如,二维向量的维度为4,即,二维向量是由4条历史数据进行量化时序处理得到的,确定的划分规则为:针对二维向量中的每一个行向量为一个划分单元、针对二维向量中的相邻的两个行向量为一个划分单元、针对二维向量中的相邻的三个行向量为一个划分单元、针对二维向量中的相邻的四个行向量为一个划分单元,进而,划分规则中的每一项信息均为多维时间信息中的一个时间维度。在多维时间信息中确定了划分单元,故也就确定了每一时间维度对应的滑动窗口步长,例如,针对二维向量中的相邻的两个行向量为一个划分单元,则确定该时间维度对应的滑动窗口步长为2;针对二维向量中的相邻的三个行向量为一个划分单元,则确定该时间维度对应的滑动窗口步长为3。然后,基于二维向量和每一时间维度对应的滑动窗口步长进行窗口滑动,得到多个三维向量,其中,每一三维向量是由相同时间维度进行窗口滑动得到的。利用多维时间信息,在二维向量上增加时间维度,使得不同长度的连续时间段构成一组新的时间维度,再基于每一时间维度对应的滑动窗口步长进行窗口滑动,使得三维向量能够在不同时间段范围上形成连续的向量,因而,基于三维向量对模型进行训练,使得物资需求预测模型的预测精度更加精准。与此同时,相较于传统的直接利用数据进行模型训练的情况,本申请在二维向量上增加时间维度,在一定程度上增加了模型的训练数据,提升了物资需求预测模型的预测精度。
可见,在本申请实施例中,利用多维时间信息,在二维向量上增加时间维度,且,针对多维时间信息中每一时间维度,确定每一时间维度对应的滑动窗口步长,并基于二维向量和每一时间维度对应的滑动窗口步长进行窗口滑动,使得三维向量能够在不同时间段范围上形成连续的向量,因而,基于三维向量对模型进行训练,使得物资需求预测模型的预测精度更加精准。
进一步的,为了提高物资需求预测模型的预测精度,在本申请实施例中,将多条已知物资信息、预测时段和环境因素输入至物资需求预测模型进行物资需求预测,得到物资预测结果,包括:
基于多条已知物资信息和物资需求预测模型中拟合曲线进行数值区间匹配,若数值区间匹配成功,则利用物资需求预测模型,对预测时段和环境因素进行物资需求预测,得到物资预测结果;
若数值区间匹配失败,则基于多条已知物资信息,调整物资需求预测模型中拟合曲线,得到更新物资需求预测模型;
利用更新物资需求预测模型,对预测时段和环境因素进行物资需求预测,得到物资预测结果。
对于本申请实施例,在进行物资需求预测时,首先,将多条已知物资信息、预测时段和环境因素输入至物资需求预测模型,其中,多条已知物资信息包括:目标活动对应的已知环境因素、已知时间和已知物资需求量。物资需求预测模型是基于大量的历史数据训练得到的,内部有拟合曲线用于进行物资需求预测,然后,基于已知时间从物资需求预测模型中的拟合曲线确定已知物资信息对应的数值,进而,基于已知物资信息对应的已知物资需求量和拟合曲线对应的数值进行数值区间匹配,具体的,将自然数预先划定成不同的数值区间, 划分数值区间的规则可以是技术人员基于大量的实验验证得到的,当然,用户也可以基于实际需求进行自行设定。然后,分别确定已知物资需求量和拟合曲线对应的数值所处的数值区间,倘若两者所处在相同的数值区间,则确定为数值区间匹配成功;倘若两者所处在不同的数值区间,则确定为数值区间匹配失败。
若数值区间匹配失败,则表明物资需求预测模型中拟合曲线的起点与目标活动的物资需求的起点存在较大差距,但是,目标活动的物资需求量的波动情况与物资需求预测模型中拟合曲线的波动情况大致相同,因而,基于多条已知物资信息中的已知物资需求量,调整物资需求预测模型中拟合曲线的波动起点至目标数值区间,其中,目标数值区间为已知物资需求量所处数值区间,进而,得到更新物资需求预测模型。然后,利用更新物资需求预测模型,对预测时段和环境因素进行物资需求预测,得到物资预测结果。
在基于物资需求预测模型进行物资需求预测时,向物资需求预测模型输入多条已知物资信息,使得物资需求预测模型中拟合曲线能够较好地拟合目标活动的物资需求情况,在一定程度上提高物资需求预测模型的预测精度。例如,物资需求预测模型是基于历史活动的多个历史数据进行训练得到的,然后,利用该物资需求预测模型对目标活动的物资需求量进行预测,倘若不考虑目标活动中物资需求的起点问题,直接利用物资需求预测模型对输入的三维向量进行物资预测,得到物资预测结果,通过这种方式,在进行物资预测时,仅考虑了环境因素对物资需求量的影响。倘若针对多个历史数据确定活动第一天对油的需求量为40升、第二天对油的需求量为50升,然而,现实情况中目标活动中第一天对油的需求量为10升、第二天对油的需求量为20升,可知,物资需求预测模型和目标活动中物资需求量所处的数值区间不同,若直接利用物资需求预测模型进行物资需求预测,会使得物资需求的预测值高于目标活动的实际需求值。因而,本申请在进行物资需求预测时,将目标活动对应的多条已知物资信息输入至物资需求预测模型,调整物资需求预测模型中拟合曲线的波动起点至目标数值区间,以提高物资需求预测模型的预测精度。
可见,在本申请实施例中,在利用物资需求预测模型进行物资需求预测时,基于多条已知物资信息和物资需求预测模型中拟合曲线进行数值区间匹配。若数值区间匹配失败,则表明物资需求预测模型中拟合曲线的起点与目标活动的物资需求的起点存在较大差距,故基于多条已知物资信息,调整物资需求预测模型中拟合曲线,并利用更新物资需求预测模型进行物资需求预测,提高了物资需求预测模型的预测精度;若数值区间匹配成功,则表明物资需求预测模型能够较为准确地预测目标活动的物资需求,故利用物资需求预测模型进行物资需求预测。
进一步的,为了进一步提高物资需求预测模型的预测精度,在本申请实施例中,将多条已知物资信息、预测时段和环境因素输入至物资需求预测模型进行物资需求预测,得到物资预测结果之后,还包括:步骤Ⅰ(图中未示出)-步骤Ⅶ(图中未示出),其中:
步骤Ⅰ:获取目标活动的活动信息,其中,活动信息至少包括:活动名称、活动类型、演习科目;
对于本申请实施例,活动名称为目标活动的唯一标识,优选的,基于活动名称能够确定参演的人员以及活动类型;活动类型能够按照多种分类标准进行划分,分类标准至少包括:按照目的划分、按照规模划分、按照参演方面划分、按照参演人员划分,优选的,按照规模进行划分,确定活动类型包括:战略级演习、战役级演习和战术级演习;军演科目可以包括:轻武器射击、反海盗演练、对空防御、联合海上封锁、海上阅舰式等。
步骤Ⅱ:利用活动信息和总物资种类的关系,确定与活动信息对应的总物资集合;
步骤Ⅲ:基于总物资集合和物资预测结果中预测物资进行物资匹配,若匹配失败,则生成报警信息;
对于本申请实施例,电子设备内预先存储了活动信息和总物资种类的关系,是技术人员基于目标活动的活动类型、演习科目,并结合军演实际情况进行设定的。进而,基于活动信息和总物资种类的关系,能够较为快速且准确地确定与活动信息对应的总物资集合,其中,总物资集合由若干物资名称的共同构成的。
进而,基于总物资集合和物资预测结果中预测物资进行物资匹配,物资匹配用于判断物资需求预测模型是否对物资进行了全面的预测,若匹配失败,则表明物资需求预测模型在进行物资需求预测时,遗漏了部分物资或错误预测了部分物资,因而,生成报警信息。通过这种方式,保证了物资预测结果高度匹配目标活动。
步骤Ⅳ:若匹配成功,利用物资类别标准对物资预测结果中物资进行类别区分,确定每一项物资对应的物资类别,其中,物资类别包括:一次性消耗物资和重复使用物资;
对于本申请实施例,若匹配成功,则表明物资需求预测模型全面地预测出了目标活动所需要的所有物资,然而,从物资消耗规律看,物资类别能够分为:一次性消耗物资和重复使用物资,一次性消耗品至少包括:食品、油料、药材等;重复使用物资至少包括:行军床、帐篷、软体储油罐、供电照明设备、消防救生设备等,不同类别的物资会对物资预测结果产生影响,因而,利用物资类别标准对物资预测结果中物资进行类别区分,确定每一项物资对应的物资类别。
步骤Ⅴ:当物资类别为一次性消耗物资时,则保持物资预测结果中一次性消耗物资对应的预测信息项不变;
步骤Ⅵ:当物资类别为重复使用物资时,则获取重复使用物资的使用情况,并基于使用情况预估重复使用物资在预测时段内的健康状态;
步骤Ⅶ:基于所有健康状态,对物资预测结果中重复使用物资对应的预测信息项进行调整。
对于本申请实施例,在基于物资需求预测模型进行物资需求预测时,由于物资需求预测模型并不能准确地确定物资的老化情况,故在进行物资需求时一般设定物资为一次性消耗物资,即,不能够重复利用的物资,这就导致在针对重复使用物资的预测结果不准确。因而,当物资类别为一次性消耗物资时,则表明物资预测结果准确,故保持物资预测结果中一次性消耗物资对应的预测信息项不变;当物资类别为重复使用物资时,则表明物资预测结果不准确,因而,获取重复使用物资的使用情况,其中,使用情况至少包括:使用时长、使用次数、磨损情况等,然后,基于使用情况预估重复使用物资在预测时段内的健康状态,优选的,利用物资状态预测模型进行健康状态预估,物资状态预测模型是基于大量的训练数据进行训练得到的,能够较为准确地预估出一段时间内物资的健康状态,其中,健康状态包括:正常使用和发生异常。进而,基于所有重复使用物资各自对应的健康状态,调整物资预测结果,例如,针对行军床而言,基于行军床的所有健康状态可知,存在10个健康状态为发生异常,因而,在针对行军床的物资预测结果中加上10,作为最终的物资预测结果,通过这种方式,能够有效地避免重复使用物资在军事演习活动中发生异常而影响活动正常进行。
可见,在本申请实施例中,利用活动信息和总物资种类的关系,确定与活动信息对应的总物资集合,并基于总物资集合和物资预测结果中预测物资进行物资匹配,若匹配失败,则重新利用物资需求预测模型进行物资需求预测,通过这种方式,保证物资预测结果高度匹配目标活动,在一定程度上,提高了物资需求预测模型的预测精度。由于不同类别的物资会对物资预测结果产生影响,因而,若匹配成功,则利用物资类别标准确定每一项物资对应的物资类别,当物资类别为一次性消耗物资时,则保持物资预测结果中一次性消耗物资对应的预测信息项不变;当物资类别为重复使用物资时,则基于使用情况预估重复使用物资在预测时段内的健康状态,并基于所有健康状态,对物资预测结果中重复使用物资对应的预测信息项进行调整。通过这种方式,能够有效地避免重复使用物资在军事演习活动中发生异常而影响活动正常进行,进一步提高了物资需求预测模型的预测精度。
进一步的,为了能够保证数据的完整性,且,便于模型在针对异常原因进行预测时,预测结果更加精准,在本申请实施例中,基于多个历史数据各自对应的历史环境因素和物资需求量进行量化时序处理,得到按照时序排列的二维向量,包括:
基于多个历史数据各自对应的历史环境因素和物资需求量进行量化时序处理,得到按照时序排列的初始二维向量;
基于初始二维向量和异常确定规则进行异常信息标记,确定信息异常原因,并基于信息异常原因和初始二维向量,得到二维向量。
对于本申请实施例,由于军事演习活动的复杂性,在整个活动周期内,活动地点会经常改变,与此同时,伴随着历史环境因素的改变,因而,在一定程度上会影响物资需求量,使得物资需求量短时间内出现快速地升高或降低,然而,这种由于环境因素改变导致的“物资需求量短时间内出现快速地升高或降低”在军事演习活动中是正常情况。
在进行量化时序处理后,得到了按照时序排列的初始二维向量,然后,基于初始二维向量和异常确定规则进行异常信息标记,得到信息异常原因,具体的,基于初始二维向量中历史物资需求量绘制物资需求曲线,根据物资需求曲线的波动情况确定异常的历史物资需求量,即,将物资需求量短时间内出现快速地升高或降低的点,标记为异常的历史物资需求量,针对短时间内出现快速地升高或降低的判定存在多种方式,在一种情况中,基于相邻两点之间的波动值与波动阈值进行比较,若大于波动阈值,则标记为异常的历史物资需求量;在另一种情况中,基于物资需求曲线中相邻两点之间的斜率与斜率阈值进行比较,若大于斜率阈值,则标记为异常的历史物资需求量。进而,将异常的历史物资需求量的历史环境因素与前一天的历史环境因素进行比较,确定信息异常原因,其中,信息异常原因为历史环境因素中发生改变的环境因子值。最终,基于信息异常原因和初始二维向量,得到二维向量。二维向量中标记了信息异常原因,因而,基于多维时间信息处理后的多个三维向量中也标记了信息异常原因,故在基于多个三维向量对模型进行迭代训练时,首先,基于常规方式对模型进行迭代训练,得到第一物资需求预测模型,然后,再将三维向量中标记了信息异常原因的行向量输入至第一物资需求预测模型中再进行训练,得到初始物资需求预测模型。因而,在后续进行物资需求预测时,若输入至物资需求预测模型的环境因素与信息异常原因相同,则能够使得物资预测结果更加精准。
现有技术,在模型训练的数据准备阶段,针对存在异常的数据,会采用剔除异常数据的方式,以保证模型预测的准确性,然而,由于本申请适用的情况特殊,由于环境因素改变导致的“物资需求量短时间内出现快速地升高或降低”在军事演习活动中是正常情况,因而,本申请在进行模型训练时,并不会剔除异常数据,而是对数据进行保留并进行异常信息标记,既能够保证数据的完整性,又便于模型在针对异常原因进行预测时,预测结果更加精准。
可见,在本申请实施例中,由于环境因素改变导致的“物资需求量短时间内出现快速地升高或降低”在军事演习活动中是正常情况,因而,本申请在进行模型训练时,并不会剔除异常数据,而是,基于初始二维向量和异常确定规则进行异常信息标记,并基于信息异常原因和初始二维向量,得到二维向量,既能够保证数据的完整性,又便于模型在针对异常原因进行预测时,预测结果更加精准。
进一步的,为了提高物资需求预测模型的预测精度,在本申请实施例中,还包括:
当目标活动结束后,获取目标活动的所有已知物资信息,基于所有已知物资信息对物资需求预测模型进行更新训练,得到更新训练后的物资需求预测模型。
对于本申请实施例,通过大量的训练数据不断对物资需求预测模型进行训练,能够提高物资需求预测模型的预测精度,因而,在目标活动结束后,当目标活动结束后,获取目标活动的所有已知物资信息,然后,基于所有已知物资信息对物资需求预测模型进行更新训练,得到更新训练后的物资需求预测模型,训练的具体过程与物资需求预测模型的训练过程相同,为了论述简单,本申请实施例不再进行重复论述。
可见,在本申请实施例中,在目标活动结束后,基于已知物资信息对物资需求预测模型进行更新训练,得到更新训练后的物资需求预测模型,通过大量的训练数据不断对物资需求预测模型进行训练,能够提高物资需求预测模型的预测精度。
上述实施例从方法流程的角度介绍一种基于环境和时序的物资需求预测方法,下述实施例从虚拟模块或者虚拟单元的角度介绍了一种基于环境和时序的物资需求预测装置,具体详见下述实施例。
本申请实施例提供一种基于环境和时序的物资需求预测装置,如图3所示,该基于环境和时序的物资需求预测装置,具体可以包括:
获取模块210,用于获取目标活动的多条已知物资信息、预测时段和预测时段对应的环境因素,其中,已知物资信息为目标活动对应的已知环境因素、已知时间和已知物资需求量;
需求预测模块220,用于将多条已知物资信息、预测时段和环境因素输入至物资需求预测模型进行物资需求预测,得到物资预测结果;
其中,基于环境和时序的物资需求预测装置,还包括:
模型训练模块230,用于获取历史活动对应的多个历史数据,其中,历史数据包括:历史活动信息、历史环境因素、历史时间和历史物资需求量;
基于多个历史数据各自对应的历史时间,对多个历史数据各自对应的历史环境因素和物资需求量进行量化时序处理,得到按照时序排列的二维向量;
基于二维向量进行时间分组,得到多维时间信息,并基于多维时间信息和二维向量进行窗口滑动,得到多个三维向量;
利用多个三维向量对模型进行迭代训练,得到初始物资需求预测模型,并将历史活动信息输入至初始物资需求预测模型,得到物资需求预测模型其中,历史活动信息用于标记模型训练数据的来源。
对于本申请实施例,需求预测模块220能够将多条已知物资信息、预测时段和环境因素输入至物资需求预测模型进行物资需求预测,得到高精度的物资预测结果,提高了物资需求预测的准确度,模型训练模块230能够基于多个历史数据各自对应的历史环境因素和物资需求量进行量化时序处理,得到按照时序排列的二维向量,在进行模型训练时,添加历史环境因素并进行量化,深入考虑到了环境对军事演习活动中物资需求的影响。然后,基于二维向量进行时间分组,得到多维时间信息,并利用多维时间信息,在二维向量上增加时间维度,使得不同长度的连续时间段构成一组新的时间维度,再基于每一时间维度对应的滑动窗口步长进行窗口滑动,使得三维向量能够在不同时间段范围上形成连续的向量,因而,基于三维向量对模型进行训练,使得物资需求预测模型的预测精度更加精准。最终,将历史活动信息输入至初始物资需求预测模型,以标记模型训练数据的来源,即,便于后续在针对目标活动进行物资需求预测时,能够较为准确地确定与之对应的物资需求预测模型。
本申请实施例的一种可能的实现方式,三维向量中每一行向量包括:历史环境值、历史物资值和历史时间值,其中,历史环境值包括若干项环境因子值;
模型训练模块230在执行利用多个三维向量对模型进行迭代训练,得到初始物资需求预测模型时,用于:
当基于三维向量对模型完成一轮训练后,基于每一历史时间值对应的训练物资预测值和对应的历史物资值进行差值处理,得到预测差值;
基于预测差值和阈值范围进行匹配,基于与匹配失败的预测差值对应的历史环境值对应的若干均差值调整所有环境因子值,并基于调整后的所有环境因子值进行下一轮模型训练,直至满足停止条件;
其中,基于环境和时序的物资需求预测装置,还包括:
均差值确定模块,用于基于历史环境值中的相同因子名称的所有环境因子值进行平均处理,得到所有相同因子名称各自对应的环境平均值;
针对每一环境平均值,基于环境平均值和环境平均值对应的若干环境因子值进行差值处理,得到每一环境平均值对应的若干均差值。
本申请实施例的一种可能的实现方式,模型训练模块230在执行基于二维向量进行时间分组,得到多维时间信息,并基于多维时间信息和二维向量进行窗口滑动,得到多个三维向量时,用于:
利用多维划分规则对二维向量进行时间分组,得到多维时间信息,其中,多维划分规则用于将二维向量中时间相邻的若干信息组成单元;
针对多维时间信息中每一时间维度,确定每一时间维度对应的滑动窗口步长;
基于二维向量和每一时间维度对应的滑动窗口步长进行窗口滑动,得到多个三维向量。
本申请实施例的一种可能的实现方式,需求预测模块220在执行将多条已知物资信息、预测时段和环境因素输入至物资需求预测模型进行物资需求预测,得到物资预测结果时,用于:
基于多条已知物资信息和物资需求预测模型中拟合曲线进行数值区间匹配,若数值区间匹配成功,则利用物资需求预测模型,对预测时段和环境因素进行物资需求预测,得到物资预测结果;
若数值区间匹配失败,则基于多条已知物资信息,调整物资需求预测模型中拟合曲线,得到更新物资需求预测模型;
利用更新物资需求预测模型,对预测时段和环境因素进行物资需求预测,得到物资预测结果。
本申请实施例的一种可能的实现方式,基于环境和时序的物资需求预测装置,还包括:
预测结果调整模块,用于获取目标活动的活动信息,其中,活动信息至少包括:活动名称、活动类型、演习科目;
利用活动信息和总物资种类的关系,确定与活动信息对应的总物资集合;
基于总物资集合和物资预测结果中预测物资进行物资匹配,若匹配失败,则生成报警信息;
若匹配成功,利用物资类别标准对物资预测结果中物资进行类别区分,确定每一项物资对应的物资类别,其中,物资类别包括:一次性消耗物资和重复使用物资;
当物资类别为一次性消耗物资时,则保持物资预测结果中一次性消耗物资对应的预测信息项不变;
当物资类别为重复使用物资时,则获取重复使用物资的使用情况,并基于使用情况预估重复使用物资在预测时段内的健康状态;
基于所有健康状态,对物资预测结果中重复使用物资对应的预测信息项进行调整。
本申请实施例的一种可能的实现方式,模型训练模块230在执行基于多个历史数据各自对应的历史环境因素和物资需求量进行量化时序处理,得到按照时序排列的二维向量时,用于:
基于多个历史数据各自对应的历史环境因素和物资需求量进行量化时序处理,得到按照时序排列的初始二维向量;
基于初始二维向量和异常确定规则进行异常信息标记,确定信息异常原因,并基于信息异常原因和初始二维向量,得到二维向量。
本申请实施例的一种可能的实现方式,基于环境和时序的物资需求预测装置,还包括:
更新训练模块,用于当目标活动结束后,获取目标活动的所有已知物资信息,基于所有已知物资信息对物资需求预测模型进行更新训练,得到更新训练后的物资需求预测模型。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的一种装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例中提供了一种电子设备,如图4所示,图4所示的电子设备300包括:处理器301和存储器303。其中,处理器301和存储器303相连,如通过总线302相连。可选地,电子设备300还可以包括收发器304。需要说明的是,实际应用中收发器304不限于一个,该电子设备300的结构并不构成对本申请实施例的限定。
处理器301可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器301也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线302可包括一通路,在上述组件之间传送信息。总线302可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一型的总线。
存储器303可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器303用于存储执行本申请方案的应用程序代码,并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图4示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。与相关技术相比,本申请实施例,将多条已知物资信息、预测时段和环境因素输入至物资需求预测模型进行物资需求预测,得到高精度的物资预测结果,提高了物资需求预测的准确度,其中,物资需求预测模型训练过程为:基于多个历史数据各自对应的历史环境因素和物资需求量进行量化时序处理,得到按照时序排列的二维向量,在进行模型训练时,添加历史环境因素并进行量化,深入考虑到了环境对军事演习活动中物资需求的影响。然后,基于二维向量进行时间分组,得到多维时间信息,并利用多维时间信息,在二维向量上增加时间维度,使得不同长度的连续时间段构成一组新的时间维度,再基于每一时间维度对应的滑动窗口步长进行窗口滑动,使得三维向量能够在不同时间段范围上形成连续的向量,因而,基于三维向量对模型进行训练,使得物资需求预测模型的预测精度更加精准。最终,将历史活动信息输入至初始物资需求预测模型,以标记模型训练数据的来源,即,便于后续在针对目标活动进行物资需求预测时,能够较为准确地确定与之对应的物资需求预测模型。
应该理解的是,虽然附图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,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种基于环境和时序的物资需求预测方法,其特征在于,包括:
获取目标活动的多条已知物资信息、预测时段和预测时段对应的环境因素,其中,所述已知物资信息为目标活动对应的已知环境因素、已知时间和已知物资需求量;
将所述多条已知物资信息、所述预测时段和所述环境因素输入至物资需求预测模型进行物资需求预测,得到物资预测结果;
其中,所述物资需求预测模型的训练过程,包括:
获取历史活动对应的多个历史数据,其中,所述历史数据包括:历史活动信息、历史环境因素、历史时间和历史物资需求量;
基于所述多个历史数据各自对应的所述历史时间,对所述多个历史数据各自对应的所述历史环境因素和所述物资需求量进行量化时序处理,得到按照时序排列的二维向量;
基于所述二维向量进行时间分组,得到多维时间信息,并基于所述多维时间信息和所述二维向量进行窗口滑动,得到多个三维向量;
利用所述多个三维向量对模型进行迭代训练,得到初始物资需求预测模型,并将所述历史活动信息输入至所述初始物资需求预测模型,得到物资需求预测模型,其中,所述历史活动信息用于标记模型训练数据的来源。
2.根据权利要求1所述的基于环境和时序的物资需求预测方法,其特征在于,所述三维向量中每一行向量包括:历史环境值、历史物资值和历史时间值,其中,所述历史环境值包括若干项环境因子值;
所述利用所述多个三维向量对模型进行迭代训练,得到初始物资需求预测模型,包括:
当基于所述三维向量对模型完成一轮训练后,基于每一历史时间值对应的训练物资预测值和对应的历史物资值进行差值处理,得到预测差值;
基于所述预测差值和阈值范围进行匹配,基于与匹配失败的所述预测差值对应的历史环境值对应的若干均差值调整所有环境因子值,并基于调整后的所有环境因子值进行下一轮模型训练,直至满足停止条件;
其中,若干均差值确定的方式,包括:
基于所述历史环境值中的相同因子名称的所有环境因子值进行平均处理,得到所有相同因子名称各自对应的环境平均值;
针对每一环境平均值,基于所述环境平均值和所述环境平均值对应的若干环境因子值进行差值处理,得到每一环境平均值对应的若干均差值。
3.根据权利要求1所述的基于环境和时序的物资需求预测方法,其特征在于,所述基于所述二维向量进行时间分组,得到多维时间信息,并基于所述多维时间信息和所述二维向量进行窗口滑动,得到多个三维向量,包括:
利用多维划分规则对所述二维向量进行时间分组,得到多维时间信息,其中,所述多维划分规则用于将二维向量中时间相邻的若干信息组成单元;
针对所述多维时间信息中每一时间维度,确定所述每一时间维度对应的滑动窗口步长;
基于所述二维向量和所述每一时间维度对应的滑动窗口步长进行窗口滑动,得到多个三维向量。
4.根据权利要求1所述的基于环境和时序的物资需求预测方法,其特征在于,所述将所述多条已知物资信息、所述预测时段和所述环境因素输入至物资需求预测模型进行物资需求预测,得到物资预测结果,包括:
基于所述多条已知物资信息和所述物资需求预测模型中拟合曲线进行数值区间匹配,若数值区间匹配成功,则利用所述物资需求预测模型,对所述预测时段和所述环境因素进行物资需求预测,得到物资预测结果;
若数值区间匹配失败,则基于所述多条已知物资信息,调整所述物资需求预测模型中拟合曲线,得到更新物资需求预测模型;
利用所述更新物资需求预测模型,对所述预测时段和所述环境因素进行物资需求预测,得到物资预测结果。
5.根据权利要求1所述的基于环境和时序的物资需求预测方法,其特征在于,所述将所述多条已知物资信息、所述预测时段和所述环境因素输入至物资需求预测模型进行物资需求预测,得到物资预测结果之后,还包括:
获取目标活动的活动信息,其中,活动信息至少包括:活动名称、活动类型、演习科目;
利用活动信息和总物资种类的关系,确定与所述活动信息对应的总物资集合;
基于所述总物资集合和所述物资预测结果中预测物资进行物资匹配,若匹配失败,则生成报警信息;
若匹配成功,利用物资类别标准对所述物资预测结果中物资进行类别区分,确定每一项物资对应的物资类别,其中,所述物资类别包括:一次性消耗物资和重复使用物资;
当所述物资类别为所述一次性消耗物资时,则保持物资预测结果中一次性消耗物资对应的预测信息项不变;
当所述物资类别为所述重复使用物资时,则获取所述重复使用物资的使用情况,并基于所述使用情况预估重复使用物资在所述预测时段内的健康状态;
基于所有健康状态,对物资预测结果中重复使用物资对应的预测信息项进行调整。
6.根据权利要求1所述的基于环境和时序的物资需求预测方法,其特征在于,所述基于所述多个历史数据各自对应的所述历史环境因素和所述物资需求量进行量化时序处理,得到按照时序排列的二维向量,包括:
基于多个历史数据各自对应的所述历史环境因素和所述物资需求量进行量化时序处理,得到按照时序排列的初始二维向量;
基于所述初始二维向量和异常确定规则进行异常信息标记,确定信息异常原因,并基于所述信息异常原因和所述初始二维向量,得到二维向量。
7.根据权利要求1所述的基于环境和时序的物资需求预测方法,其特征在于,还包括:
当目标活动结束后,获取目标活动的所有已知物资信息,基于所述所有已知物资信息对所述物资需求预测模型进行更新训练,得到更新训练后的物资需求预测模型。
8.一种基于环境和时序的物资需求预测装置,其特征在于,包括:
获取模块,用于获取目标活动的多条已知物资信息、预测时段和预测时段对应的环境因素,其中,所述已知物资信息为目标活动对应的已知环境因素、已知时间和已知物资需求量;
需求预测模块,用于将所述多条已知物资信息、所述预测时段和所述环境因素输入至物资需求预测模型进行物资需求预测,得到物资预测结果;
其中,基于环境和时序的物资需求预测装置,还包括:
模型训练模块,用于获取历史活动对应的多个历史数据,其中,所述历史数据包括:历史活动信息、历史环境因素、历史时间和历史物资需求量;
基于所述多个历史数据各自对应的所述历史时间,对所述多个历史数据各自对应的所述历史环境因素和所述物资需求量进行量化时序处理,得到按照时序排列的二维向量;
基于所述二维向量进行时间分组,得到多维时间信息,并基于所述多维时间信息和所述二维向量进行窗口滑动,得到多个三维向量;
利用所述多个三维向量对模型进行迭代训练,得到初始物资需求预测模型,并将所述历史活动信息输入至所述初始物资需求预测模型,得到物资需求预测模型其中,所述历史活动信息用于标记模型训练数据的来源。
9.一种电子设备,其特征在于,包括:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行权利要求1~7任一项所述的基于环境和时序的物资需求预测方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令所述计算机执行权利要求1~7任一项所述的基于环境和时序的物资需求预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310230839.3A CN116090666B (zh) | 2023-03-11 | 2023-03-11 | 基于环境和时序的物资需求预测方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310230839.3A CN116090666B (zh) | 2023-03-11 | 2023-03-11 | 基于环境和时序的物资需求预测方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116090666A true CN116090666A (zh) | 2023-05-09 |
CN116090666B CN116090666B (zh) | 2023-06-13 |
Family
ID=86208538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310230839.3A Active CN116090666B (zh) | 2023-03-11 | 2023-03-11 | 基于环境和时序的物资需求预测方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116090666B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019019255A1 (zh) * | 2017-07-25 | 2019-01-31 | 平安科技(深圳)有限公司 | 建立预测模型的装置、方法、预测模型建立程序及计算机可读存储介质 |
CN112613642A (zh) * | 2020-12-07 | 2021-04-06 | 国网北京市电力公司 | 应急物资需求预测方法和装置、存储介质及电子设备 |
CN113283657A (zh) * | 2021-06-01 | 2021-08-20 | 国网山东省电力公司嘉祥县供电公司 | 一种电力应急物资需求的预测方法 |
CN113361745A (zh) * | 2021-05-07 | 2021-09-07 | 云南电网有限责任公司曲靖供电局 | 一种配电网物资需求预测方法及系统 |
CN115689018A (zh) * | 2022-10-31 | 2023-02-03 | 深圳供电局有限公司 | 物资需求预测方法、装置、设备、存储介质和程序产品 |
-
2023
- 2023-03-11 CN CN202310230839.3A patent/CN116090666B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019019255A1 (zh) * | 2017-07-25 | 2019-01-31 | 平安科技(深圳)有限公司 | 建立预测模型的装置、方法、预测模型建立程序及计算机可读存储介质 |
CN112613642A (zh) * | 2020-12-07 | 2021-04-06 | 国网北京市电力公司 | 应急物资需求预测方法和装置、存储介质及电子设备 |
CN113361745A (zh) * | 2021-05-07 | 2021-09-07 | 云南电网有限责任公司曲靖供电局 | 一种配电网物资需求预测方法及系统 |
CN113283657A (zh) * | 2021-06-01 | 2021-08-20 | 国网山东省电力公司嘉祥县供电公司 | 一种电力应急物资需求的预测方法 |
CN115689018A (zh) * | 2022-10-31 | 2023-02-03 | 深圳供电局有限公司 | 物资需求预测方法、装置、设备、存储介质和程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN116090666B (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Romashkova et al. | Application of information technology for the analysis of the rating of university | |
US20200065689A1 (en) | Neural architecture search for convolutional neural networks | |
Meller et al. | Ensemble distribution models in conservation prioritization: from consensus predictions to consensus reserve networks | |
CN111091196B (zh) | 客流数据确定方法、装置、计算机设备和存储介质 | |
CN108833458B (zh) | 一种应用推荐方法、装置、介质及设备 | |
EP3428854A1 (en) | Model analysis method and device and computer readable storage medium | |
Boria et al. | A single‐algorithm ensemble approach to estimating suitability and uncertainty: cross‐time projections for four Malagasy tenrecs | |
CN111783713A (zh) | 基于关系原型网络的弱监督时序行为定位方法及装置 | |
Canary et al. | A comparison of the Hosmer–Lemeshow, Pigeon–Heyse, and Tsiatis goodness-of-fit tests for binary logistic regression under two grouping methods | |
CN111047140A (zh) | 一种处理方法、装置及设备 | |
Wang et al. | Towards efficient convolutional neural networks through low-error filter saliency estimation | |
CN116090666B (zh) | 基于环境和时序的物资需求预测方法、装置、设备和介质 | |
US20210026339A1 (en) | Information processing device, determination rule acquisition method, and computer-readable recording medium recording determination rule acquisition program | |
CN113807728A (zh) | 基于神经网络的绩效考核方法、装置、设备及存储介质 | |
KR102010031B1 (ko) | 게임 지표 정보 예측 방법 및 장치 | |
CN109800138B (zh) | 一种cpu测试方法、电子装置及存储介质 | |
Almomani et al. | Selecting a good stochastic system for the large number of alternatives | |
CN116434973A (zh) | 基于人工智能的传染病预警方法、装置、设备及介质 | |
CN115860505A (zh) | 对象评价方法、装置、终端设备及存储介质 | |
Wu et al. | A hypothesis testing procedure for the evaluation on the lifetime performance index of products with Burr XII distribution under progressive type I interval censoring | |
CN105589950A (zh) | 事件属性语句确定及基于事件属性语句预警方法和装置 | |
CN105389594B (zh) | 信息处理方法及电子设备 | |
CN111046972A (zh) | 特征选择方法及装置 | |
CN116936103B (zh) | 一种基于同向网络的用户健康预测管理方法及系统 | |
Baloul et al. | Fuzzy academic advising system for on probation students in colleges of applied sciences—Sultanate of Oman |
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 |