CN116109339A - 用于配件需求的预测方法、预测装置及存储介质 - Google Patents
用于配件需求的预测方法、预测装置及存储介质 Download PDFInfo
- Publication number
- CN116109339A CN116109339A CN202211598442.1A CN202211598442A CN116109339A CN 116109339 A CN116109339 A CN 116109339A CN 202211598442 A CN202211598442 A CN 202211598442A CN 116109339 A CN116109339 A CN 116109339A
- Authority
- CN
- China
- Prior art keywords
- demand
- interval
- sequence
- value
- historical
- 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
- 238000000034 method Methods 0.000 title claims abstract description 99
- 230000007704 transition Effects 0.000 claims abstract description 128
- 238000012952 Resampling Methods 0.000 claims description 43
- 238000007637 random forest analysis Methods 0.000 claims description 43
- 238000012546 transfer Methods 0.000 claims description 30
- 238000007477 logistic regression Methods 0.000 claims description 29
- 230000003190 augmentative effect Effects 0.000 claims description 27
- 238000013145 classification model Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 230000002441 reversible effect Effects 0.000 claims description 12
- 108091026890 Coding region Proteins 0.000 claims description 8
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000003416 augmentation Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000009499 grossing Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013434 data augmentation Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 125000006850 spacer group Chemical group 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Analysis (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种用于配件需求的预测方法、预测装置及存储介质。该预测方法包括:获取配件的历史间断性需求序列以及历史间断性需求序列的末尾零需求数量;在历史间断性需求序列中提取历史需求间隔序列;确定历史需求间隔序列的末尾间隔值的转移概率;根据末尾间隔值的转移概率确定初始间隔预测值;确定初始间隔预测值减去末尾零需求数量的差值;在差值小于或等于1的情况下,将下一个间隔预测值确定为1;在差值大于1的情况下,将差值确定为下一个间隔预测值。本申请更加简便并精准地对间隔预测值进行预测,从而提高配件的间断性需求序列的预测效率。
Description
技术领域
本申请涉及计算机技术领域,具体地涉及一种用于配件需求的预测方法、预测装置及存储介质。
背景技术
工程机械结构复杂,相关配件种类机器丰富,仅建筑起重机械一种就覆盖了轴承、踏板、各式支架、结构件等高达数万种类的配件。市场对各类配件的需求,也因其种类的不同而存在较大的差异。如果企业过量采购,会导致仓库积压,不仅浪费资金,同时占用场地,影响其他配件的补货;如果采购不足,又会造成订单流失,同时影响企业声誉,因此有必要对市场配件的需求情况提前做出预测,指导配件的采购。现有技术中,对于配件需求的预测所采用一般方法有:1)人工经验直接预测;2)转化为一般时间序列预测问题,使用移动平均、指数平滑、监督学习模型等进行预测。人工经验预测依赖人的主观感受,准确率较低,且配件种类庞大,全部使用人工经验预测并不现实。由于配件种类众多,市场对其需求情况也不相同,如果使用统一模型进行训练预测,最后极有可能得到的是一个无效模型,预测的准确率较低。
发明内容
本申请实施例的目的是提供一种用于配件需求的预测方法、预测装置及存储介质,用以解决现有技术对于配件需求预测准确率较低的问题。
为了实现上述目的,本申请第一方面提供一种用于配件需求的预测方法,该预测方法包括:
获取配件的历史间断性需求序列以及历史间断性需求序列的末尾零需求数量;
在历史间断性需求序列中提取历史需求间隔序列;
确定历史需求间隔序列的末尾间隔值的转移概率;
根据末尾间隔值的转移概率确定初始间隔预测值;
确定初始间隔预测值减去末尾零需求数量的差值;
在差值小于或等于1的情况下,将下一个间隔预测值确定为1;
在差值大于1的情况下,将差值确定为下一个间隔预测值。
在本申请实施例中确定历史需求间隔序列的末尾间隔值的转移概率包括:
判断历史需求间隔序列的末尾间隔值是否为第一次出现;
在末尾间隔值不为第一次出现的情况下,确定末尾间隔值在历史需求间隔序列的转移组合;
分别确定每个转移组合出现的次数;
根据每个转移组合出现的次数确定每个转移组合出现的概率;
其中,所有转移组合的概率之和为1。
在本申请实施例中,确定历史需求间隔序列的末尾间隔值的转移概率还包括:
在末尾间隔值为第一次出现的情况下,对历史需求间隔序列进行重采样,以得到重采样需求间隔序列;
根据重采样需求间隔序列确定末尾间隔值的转移概率。
在本申请实施例中,在末尾间隔值为第一次出现的情况下,对历史需求间隔序列进行重采样,以得到重采样需求间隔序列包括:
在末尾间隔值为第一次出现的情况下,对历史需求间隔序列中的间隔值重复进行拿取放回操作,并记录每次拿取的重采样间隔值;
在拿取放回操作达到预设次数的情况下,合并重采样间隔值以得到重采样需求间隔序列。
在本申请实施例中,根据重采样需求间隔序列确定末尾间隔值的转移概率包括:
确定末尾间隔值在重采样需求间隔序列的转移组合;
分别确定每个转移组合出现的次数;
根据每个转移组合出现的次数确定每个转移组合出现的概率;
其中,所有转移组合的概率之和为1。
在本申请实施例中,根据末尾间隔值的转移概率确定初始间隔预测值包括:
获取末尾间隔值的所有转移组合和每个转移组合出现的概率;
根据每个转移组合出现的概率对每个转移组合进行区间划分,以得到多个区间;
获取生成的随机数;
根据随机数落入的目标区间确定初始间隔预测值;
其中,转移组合包括末尾间隔值和转移值。
在本申请实施例中,根据随机数落入的区间确定初始间隔预测值包括:
获取随机数落入的目标区间;
确定目标区间所对应的目标转移组合;
将目标转移组合的转移值确定为初始间隔预测值。
在本申请实施例中,在历史间断性需求序列中提取历史需求间隔序列包括:
将历史间断性需求序列中的零值去掉以得到历史有效需求序列;
根据有效需求序列中的每个值在历史间断性需求序列的间隔确定历史需求间隔序列。
在本申请实施例中,该预测方法还包括:
对历史有效需求序列进行预测以得到下一个有效需求预测值;
根据下一个有效需求预测值和下一个间隔预测值确定配件在下个周期的需求预测值。
在本申请实施例中,对历史有效需求序列进行预测以得到下一个有效需求预测值包括:
通过拉格朗日插值法对历史有效需求序列进行增广以得到增广有效需求序列;
根据增广有效需求序列的长度确定目标预测模型;
通过目标预测模型对增广有效需求序列进行预测以得到下一个有效需求预测值。
在本申请实施例中,通过拉格朗日插值法对历史有效需求序列进行增广以得到增广有效需求序列包括:
将历史周期作为横坐标,需求量作为纵坐标,建立历史间断性需求序列的坐标系;
获取历史间断性需求序列的实际观测点,实际观测点的纵坐标不为零;
通过对实际观测点进行拟合,得到多项式拟合函数;
确定历史间断性需求序列中纵坐标为零的周期在多项式拟合函数对应的数值;
根据数值对历史间断性需求序列进行填充以得到增广有效需求序列。
在本申请实施例中,根据增广有效需求序列的长度确定目标预测模型包括:
判断增广有效需求序列的长度是否大于预设长度;
在增广有效需求序列的长度大于预设长度的情况下,将ARIMA模型确定为目标预测模型;
在增广有效需求序列的长度小于预设长度的情况下,将Holt模型确定为目标预测模型。
在本申请实施例中,该预测方法还包括:
将末尾零需求数量加1得到历史有效需求序列的倒序位置值。
在本申请实施例中,根据下一个有效需求预测值和下一个间隔预测值确定配件在下个周期的需求预测值包括:
判断下一个间隔预测值是否小于或等于倒序位置值;
在下一个间隔预测值小于或等于倒序位置值的情况下,将下一个有效需求预测值确定为下个周期的需求预测值;
在下一个间隔预测值大于倒序位置值的情况下,将下个周期的需求预测值确定为零。
在本申请实施例中,该预测方法还包括:
获取配件的历史连续性需求序列;
根据历史连续性需求序列,通过随机森林回归模型确定下个周期的第一需求预测区间;
根据历史连续性需求序列,通过逻辑回归多分类模型确定下个周期的第二需求预测区间;
将第一需求预测区间和第二需求预测区间加权融合以得到下个周期的目标需求预测区间。
在本申请实施例中,随机森林回归模型包括预设数量的随机森林回归子模型,根据历史连续性需求序列,通过随机森林回归模型确定下个周期的第一需求预测区间包括:
提取历史连续性需求序列的输入序列;
提取输入序列的特征值;
将输入序列的特征值输入预设数量的随机森林回归子模型,以得到预设数量的需求预测值;
将预设数量的需求预测值按照从大到小的顺序进行排序,以得到需求预测值序列;
分别将需求预测值序列中第一预设位置和第二预设位置所对应的需求预测值确定为第一需求预测区间的最大值和最小值。
在本申请实施例中,根据历史连续性需求序列,通过随机森林回归模型确定下个周期的第一需求预测区间还包括:
提取历史连续性需求序列的样本序列;
提取样本序列的特征值和对应的标签;
根据样本序列的特征值和标签训练随机森林回归模型。
在本申请实施例中,根据历史连续性需求序列,通过逻辑回归多分类模型确定下个周期的第二需求预测区间包括:
将历史连续性需求序列划分为多个区间,并对每个区间进行编码,以得到多个编码值;
将历史连续性需求序列转换为历史连续性需求编码序列;
提取历史连续性需求编码序列的输入编码值序列;
将输入编码值序列输入逻辑回归多分类模型以得到预测编码值;
将预测编码值所对应的区间确定为第二需求预测区间。
在本申请实施例中,根据历史连续性需求序列,通过逻辑回归多分类模型确定下个周期的第二需求预测区间还包括:
提取历史连续性需求编码序列的样本输入编码值序列和对应的样本预测编码值;
根据样本输入编码值序列和样本预测编码值训练逻辑回归多分类模型。
在本申请实施例中,将历史连续性需求序列划分为多个区间包括:
确定历史连续性需求序列的最大值和最小值和预设区间数量;
将历史连续性需求序列的最大值和最小值做差得到总区间长度;
按照预设区间数量对总区间长度进行划分,以得到多个区间。
在本申请实施例中,将第一需求预测区间和第二需求预测区间加权融合以得到下个周期的目标需求预测区间包括:
确定第一需求预测区间的第一最大值和第一最小值以及第二需求预测区间的第二最大值和第二最小值;
获取第一需求预测区间的第一权重和第二需求预测区间的第二权重;
根据第一权重、第二权重、第一最大值和第二最大值确定目标需求预测区间的目标最大值;
根据第一权重、第二权重、第一最小值和第二最小值确定目标需求预测区间的目标最小值;
根据目标最大值和目标最小值确定目标需求预测区间。
本申请第二方面提供一种用于配件需求的预测装置,包括:
存储器,被配置成存储指令;以及
处理器,被配置成从存储器调用指令以及在执行指令时能够实现上述的用于配件需求的预测方法。
本申请第三方面提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行上述的用于配件需求的预测方法。
通过上述技术方案,获取配件的历史间断性需求序列以及历史间断性需求序列的末尾零需求数量,并在历史间断性需求序列中提取历史需求间隔序列;在历史需求间隔序列的末尾间隔值末尾间隔值不为第一次出现的情况下,确定末尾间隔值的转移概率,再根据末尾间隔值的转移概率确定初始间隔预测值;进一步地,确定初始间隔预测值减去末尾零需求数量的差值,在差值小于或等于1的情况下,将初始间隔预测值确定为下一个间隔预测值;在差值大于1的情况下,将差值确定为下一个间隔预测值。这样,基于间断性需求序列的转移概率和末尾零需求数量对配件的需求间隔序列的下一个间隔预测值进行预测,对邻近需求间隔关系进行表征,反映需求的前后影响关系,并以此为依据预测需求间隔序列,能更加简便并精准地对间隔预测值进行预测,从而提高配件的间断性需求序列的预测效率。
本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本申请实施例,但并不构成对本申请实施例的限制。在附图中:
图1示意性示出了根据本申请一实施例的一种用于配件需求的预测方法的流程图;
图2示意性示出了根据本申请另一实施例的一种用于配件需求的预测方法的流程图;
图3示意性示出了根据本申请又一实施例的一种用于配件需求的预测方法的流程图;
图4示意性示出了根据本申请一具体实施例的一种用于配件需求的预测方法的流程图;
图5示意性示出了根据本申请实施例的一种用于配件需求的预测装置的结构框图。
具体实施方式
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,应当理解的是,此处所描述的具体实施方式仅用于说明和解释本申请实施例,并不用于限制本申请实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的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。
需要说明,若本申请实施例中有涉及方向性指示(诸如上、下、左、右、前、后……),则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,若本申请实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
图1示意性示出了根据本申请一实施例的一种用于配件需求的预测方法的流程图。如图1所示,在本申请一实施例中,提供一种用于配件需求的预测方法,该预测方法可以包括下列步骤。
步骤101、获取配件的历史间断性需求序列以及历史间断性需求序列的末尾零需求数量。
在本申请实施例中,历史间断性需求序列是指预设周期内的间断性需求序列。例如,以月为一个周期,可以取12个月的间断性需求序列,也可以取24个月的间断性需求序列等。间断性需求是指需求非连续的,例如,某几个月需要维修的某类配件较多,则有该类别的配件需求,而另外某几个月未发生故障,不需要对该类别的配件进行维修,则该类别的配件需求为零。在一个示例中,可以按照检查期内的平均需求间隔与预设间隔值对比,从而将配件划分为间断性需求配件与连续性需求配件。其中,平均需求间隔可以通过对历史需求序列进行统计得到,预设间隔值可以根据用户需求设置。例如,将预设间隔值设置为1.3,处理器可以将历史需求序列中,平均需求间隔大于1.3的判定为间断性需求序列,将平均需求间隔小于或等于1.3的判定为连续性需求序列。
在本申请实施例中,间隔预测值是基于历史需求间隔序列得到的,在历史间断性需求序列末尾存在零需求的情况下,下一个间隔预测值的实际值还需要考虑该历史间断性需求序列的末尾零需求的数量,即需求量为零的周期数量。因此,本申请实施例还需要获取历史间断性需求序列的末尾零需求数量。
步骤102、在历史间断性需求序列中提取历史需求间隔序列。
在本申请实施例中,历史需求间隔序列为预设周期内的需求间隔序列。例如,某配件14个月中的历史间断性需求序列为[4,0,5,0,9,5,0,1,3,0,0,12,0,0],则其历史需求间隔序列为[2,2,1,2,1,3],其中,历史间断性需求序列的末尾零需求数量为2。
步骤103、确定历史需求间隔序列的末尾间隔值的转移概率。
在本申请实施例中,需求间隔往往集中在少数几个值上,且当需求存在一定的季节性变化时,也会反映在需求间隔上。因此,邻近间隔值会存在一定的关联性。本申请实施例采用确定间隔值转移概率的方式,来表达出相邻间隔值的关联关系。本申请实施例中,末尾间隔值的转移概率,即末尾间隔值的所有转移组合和每个转移组合出现的概率。通过末尾间隔值的转移概率可以得到末尾间隔值可能存在的所有转移组合,以便预测下一个间隔值。但是历史需求间隔序列的末尾间隔值可能为第一次出现,无法直接计算转移概率。因此,处理器需要首先判断末尾间隔值是否为第一次出现。在末尾间隔值非第一次出现的情况下,可以直接通过前面的转移概率预测末尾间隔值。在末尾间隔值为第一次出现的情况下,其不存在向任何间隔值的转移关系。为了解决这个问题,需要扩大数据规模,因此,需要对历史需求间隔序列进行重采样,以得到重采样需求间隔序列。重采样即从历史间隔需求序列中有放回的重复拿取操作,每次得到一个重采样间隔值,在达到预设次数的情况下,可以将所有的重采样间隔值进行合并,以得到重采样需求间隔序列。
步骤104、根据末尾间隔值的转移概率确定初始间隔预测值。
在本申请实施例中,初始间隔值是根据末尾间隔值的转移概率初步确定的间隔预测值,即不考虑历史间断性需求序列的末尾零需求数量的间隔预测值。在一个示例中,可以先获取末尾间隔值的转移概率,即末尾间隔值的所有转移组合和每个转移组合出现的概率。其中,转移组合包括末尾间隔值和转移值。再根据每个转移组合出现的概率对每个转移组合进行区间划分,以得到多个区间。仍以间隔序列[2,1,2,1,2,1,2,2,1,1,1,3,2,1,2,1,1]为例,转移组合包括1→1、1→2和1→3,转移值分别为1、2和3。将转移组合1→1分配区间(0,0.375),将转移组合1→2分配区间(0.375,0.875),将转移组合1→3分配区间(0.875,1)。然后,处理器获取生成的随机数,再根据随机数落入的目标区间确定初始间隔预测值。随机数为(0,1)之间的随机数,假设生成的是0.833,其处于区间(0.375,0.875)之间,对应的转移值为2,也就是说预测的初始间隔预测值为2。
步骤105、确定初始间隔预测值减去末尾零需求数量的差值。
步骤106、在差值小于或等于1的情况下,将下一个间隔预测值确定为1。
步骤107、在差值大于1的情况下,将差值确定为下一个间隔预测值。
在本申请实施例中,由于历史间断性需求序列的末尾可能存在值为零的周期,但是提取的历史需求间隔序列没有将末尾零需求数量考虑在内。因此,下一个间隔预测值的实际值还需要考虑该历史间断性需求序列的末尾零需求的数量,即需求量为零的周期数量。在处理器确定了初始间隔预测值后,需要将初始间隔预测值与末尾零需求数量相减,得到初始间隔预测值与末尾零需求数量的差值。在差值小于或等于1的情况下,说明下一个间隔预测值为1。例如,历史间断性需求序列为今年1月至12月,历史间断性需求序列中最后一个有需求的月份为10月,则该历史间断性需求序列的末尾零需求数量为2。若最初得到的间隔预测值为1,则差值为-1,此时,将下一个间隔预测值确定为1即可,即次年1月。但是若最初得到的间隔预测值为5,则差值为3,则可以将3确定为下一个间隔预测值,即次年3月。这样,可能更加准确地预测间隔预测值。
本申请实施例基于间断性需求序列的转移概率和末尾零需求数量对配件的需求间隔序列的下一个间隔预测值进行预测,对邻近需求间隔关系进行表征,反映需求的前后影响关系,并以此为依据预测需求间隔序列,能更加简便并精准地对间隔预测值进行预测,从而提高配件的间断性需求序列的预测效率。
在本申请实施例中,步骤102、在历史间断性需求序列中提取历史需求间隔序列可以包括:
将历史间断性需求序列中的零值去掉以得到历史有效需求序列;
根据有效需求序列中的每个值在历史间断性需求序列的间隔确定历史需求间隔序列。
具体地,历史需求间隔序列为预设周期内的需求间隔序列。历史有效需求序列即非零需求序列,是将历史间断性需求序列中的零值剔除后剩余的序列。历史间隔序列即非零值之间的间隔值。本申请实施例可以借鉴Croston的设计思想,从历史间断性需求序列中提取出两个子序列,即历史有效需求序列和历史需求间隔序列。首先将历史间断性需求序列中的零值去掉,可以得到历史有效需求序列,再根据有效需求序列中每个值在历史间断性需求序列的间隔哎确定历史需求间隔序列。例如,某配件14个月中的历史间断性需求序列为[4,0,5,0,9,5,0,1,3,0,0,12,0,0],则其历史有效需求序列为[4,5,9,5,1,3,12],其历史需求间隔序列为[2,2,1,2,1,3]。针对这两条序列特点,可以分别设计不同的算法进行预测。同时还可以记录历史间断性需求序列的末尾零需求数量。
在本申请实施例中,步骤103、确定历史需求间隔序列的末尾间隔值的转移概率可以包括:
判断历史需求间隔序列的末尾间隔值是否为第一次出现;
在末尾间隔值不为第一次出现的情况下,确定末尾间隔值在历史需求间隔序列的转移组合;
分别确定每个转移组合出现的次数;
根据每个转移组合出现的次数确定每个转移组合出现的概率;
其中,所有转移组合的概率之和为1。
具体地,在末尾间隔值非第一次出现的情况下,可以直接通过前面的转移概率预测末尾间隔值。处理器首先确定末尾间隔值在历史需求间隔序列的转移组合,转移组合即末尾间隔值到转移值的组合。再根据每个转移组合出现的次数,确定每个转移组合出现的概率,即末尾间隔值的转移概率。其中,所有转移组合的概率之和为1。例如,间隔序列[2,1,2,1,2,1,2,2,1,1,1,3,2,1,2,1,1]中,末尾间隔值为1,并非第一次出现。因此可以直接确定1的转移概率。间隔1存在向1、2和3的转移,转移次数分别为3次、4次和1次。则末尾间隔值1存在的转移组合为1→1、1→2和1→3。其中,1→1的转移概率为3/(3+4+1)=0.375,1→2的转移概率为3/(3+4+1)=0.5,1→3的转移概率为1/(3+4+1)=0.125。
在本申请实施例中,步骤103、确定历史需求间隔序列的末尾间隔值的转移概率还可以包括下列步骤:
在末尾间隔值为第一次出现的情况下,对历史需求间隔序列进行重采样,以得到重采样需求间隔序列;
根据重采样需求间隔序列确定末尾间隔值的转移概率。
在本申请实施例中,由于直接使用原始的历史需求间隔序列计算转移概率,末尾间隔值可能存在为第一次出现的情况,导致其不存在向任何间隔值的转移关系。例如,假设历史间隔需求序列从[2,1,2,1,2,1,2,2,1,1,1,3,2,1,2,1,1]变成了[2,1,2,1,2,1,2,2,1,1,1,3,2,1,2,1,4]中的最后一位间隔值为4,为首次出现,其转移概率无从计算。为了解决这个问题,需要扩大数据规模,因此,需要对历史需求间隔序列进行重采样,以得到重采样需求间隔序列。重采样即从历史间隔需求序列中有放回的重复拿取操作,每次得到一个重采样间隔值,在达到预设次数的情况下,可以将所有的重采样间隔值进行合并,以得到重采样需求间隔序列。
在本申请实施例中,处理器获取了重采样需求间隔序列后,末尾间隔值则存在转移关系,因此,可以根据重采样间隔序列确定末尾间隔值的转移概率。这样,通过重采样解决了传统时序模型在短序列上预测不佳的问题。
在本申请实施例中,在末尾间隔值为第一次出现的情况下,对历史需求间隔序列进行重采样,以得到重采样需求间隔序列可以包括:
在末尾间隔值为第一次出现的情况下,对历史需求间隔序列中的间隔值重复进行拿取放回操作,并记录每次拿取的重采样间隔值;
在拿取放回操作达到预设次数的情况下,合并重采样间隔值以得到重采样需求间隔序列。
具体地,在末尾间隔值为第一次出现的情况下,处理器可以对历史需求间隔序列中的间隔值重复进行拿取放回操作,每次得到一个重采样间隔值,在达到预设次数的情况下,可以将所有的重采样间隔值进行合并。例如,处理器从[2,1,2,1,2,1,2,2,1,1,1,3,2,1,2,1,4]中进行重采样100次,得到的采样结果,即重采样需求间隔序列为[1,3,1,1,1,4,1,2,1,1,1,2,1,1,1,1,2,1,1,1,3,1,1,1,2,2,2,1,1,2,2,1,4,1,1,2,2,2,1,2,1,1,2,1,1,3,4,1,2,1,3,2,1,1,4,1,2,4,2,4,2,3,3,1,2,1,1,2,1,2,2,4,2,4,1,2,3,1,1,1,3,1,4,2,2,2,1,2,1,2,2,1,1,1,3,1,2,3,4,2]。
在本申请实施例中,根据重采样需求间隔序列确定末尾间隔值的转移概率包括:
确定末尾间隔值在重采样需求间隔序列的转移组合;
分别确定每个转移组合出现的次数;
根据每个转移组合出现的次数确定每个转移组合出现的概率;
其中,所有转移组合的概率之和为1。
具体地,处理器可以基于末尾间隔值在重采样间隔需求序列的转移组合,再分别根据每个转移组合出现的次数确定每个转移组合出现的概率,即末尾间隔值的转移概率。仍以[2,1,2,1,2,1,2,2,1,1,1,3,2,1,2,1,4]为例,假设重采样需求间隔序列为[1,3,1,1,1,4,1,2,1,1,1,2,1,1,1,1,2,1,1,1,3,1,1,1,2,2,2,1,1,2,2,1,4,1,1,2,2,2,1,2,1,1,2,1,1,3,4,1,2,1,3,2,1,1,4,1,2,4,2,4,2,3,3,1,2,1,1,2,1,2,2,4,2,4,1,2,3,1,1,1,3,1,4,2,2,2,1,2,1,2,2,1,1,1,3,1,2,3,4,2],则末尾间隔值4的转移组合包括4→1和4→2,分别对应5次和4次。则转移组合4→1的转移概率为5/(5+4)=0.56,转移组合4→2的概率为4/(5+4)=0.44。
本申请实施例根据重采样间隔序列确定首次初选的末尾间隔值的转移概率,解决了传统时序模型在短序列上预测不佳的问题。
在本申请实施例中,步骤104、根据末尾间隔值的转移概率确定初始间隔预测值可以包括:
获取末尾间隔值的所有转移组合和每个转移组合出现的概率;
根据每个转移组合出现的概率对每个转移组合进行区间划分,以得到多个区间;
获取生成的随机数;
根据随机数落入的目标区间确定初始间隔预测值;
其中,转移组合包括末尾间隔值和转移值。
具体地,处理器可以先获取末尾间隔值的转移概率,即末尾间隔值的所有转移组合和每个转移组合出现的概率。其中,转移组合包括末尾间隔值和转移值。再根据每个转移组合出现的概率对每个转移组合进行区间划分,以得到多个区间。仍以间隔序列[2,1,2,1,2,1,2,2,1,1,1,3,2,1,2,1,1]为例,转移组合包括1→1、1→2和1→3,转移值分别为1、2和3。将转移组合1→1分配区间(0,0.375),将转移组合1→2分配区间(0.375,0.875),将转移组合1→3分配区间(0.875,1)。然后,处理器获取生成的随机数,再根据随机数落入的目标区间确定初始间隔预测值。
在本申请实施例中,根据随机数落入的区间确定初始间隔预测值可以包括:
获取随机数落入的目标区间;
确定目标区间所对应的目标转移组合;
将目标转移组合的转移值确定为初始间隔预测值。
在本申请实施例中,随机数为(0,1)之间的随机数,目标区间为随机数落入的区间,目标转移组合为目标区间对应的转移组合。处理器可以根据随机数落入的目标区间,确定目标区间对应的目标转移组合,再将目标转移组合的转移值确定为初始间隔预测值。仍以上述转移分配区间为例。假设生成的随机数是0.833,其处于区间(0.375,0.875)之间,则目标区间为(0.375,0.875),目标区间所对应的转移组合为1→2,即对应的转移值为2,也就是说预测的初始间隔预测值为2。这样,可以确定初始间隔预测值。
图2示意性示出了根据本申请另一实施例的一种用于配件需求的预测方法的流程图。如图2所示,在本申请另一实施例中,基于图1所示的方法,该预测方法还可以包括:
步骤201、对历史有效需求序列进行预测以得到下一个有效需求预测值。
在本申请实施例中,历史有效需求序列即非零需求序列,是将历史间断性需求序列中的零值剔除后剩余的序列。处理器可以将历史间断性需求序列中的零值去掉,可以得到历史有效需求序列。再基于该有效需求序列对下一个有效需求预测值进行预测。下一个有效需求预测值是指下一个需求量不为零的周期对应的需求预测值。通过对下一个间隔预测值和下一个有效需求预测值进行预测,以便确定下个周期的需求预测值。
步骤202、根据下一个有效需求预测值和下一个间隔预测值确定配件在下个周期的需求预测值。
在本申请实施例中,处理器是基于当前时间之前预设周期内的历史间断性需求序列对下个周期的需求进行预测。本申请实施例中的下一个有效需求预测值即下一个需求量不为零的周期对应的需求预测值,下一个间隔预测值即下一个需求量不为零的周期与当前时间的间隔值。也就是说,下一个间隔预测值不一定为1,也就是不一定下个周期配件有需求。因此,需要根据下一个间隔预测值来确定下个周期的需求预测值为下一个有效需求预测值还是0。因此,若下一个间隔预测值为1,则下个周期的需求预测值即为下一个有效需求预测值;若下一个间隔预测值不为1,则表示下个周期的需求预测值为0。
本申请实施例基于下一个有效需求值和下一个间隔预测值来确定配件在下个周期的需求预测值。相较于传统的需要建立复杂模型的配件需求预测的方式,本申请对于间断性配件的需求预测在保证了精度的前提下,预测方式更加简单,从而提高了间断性配件需求的预测效率。
在本申请实施例中,步骤201、对历史有效需求序列进行预测以得到下一个有效需求预测值可以包括:
通过拉格朗日插值法对历史有效需求序列进行增广以得到增广有效需求序列;
根据增广有效需求序列的长度确定目标预测模型;
通过目标预测模型对增广有效需求序列进行预测以得到下一个有效需求预测值。
具体地,由于将历史间断性需求序列去零后得到的历史有效需求序列的剩余值较少,当时间序列的观测点太少时,传统的时序分析模型预测效果较差。因此,为了保证模型的有效训练,需要在预测前对数据做数据增广处理。本申请实施例采用拉格朗日插值法来完成数据增广的需要。拉格朗日插值法是一种多项式插值,通过对实际观测点进行拟合,得到多项式拟合函数,再对拟合函数式进行取值操作,得到数据扩充的目的。具体地,处理器可以将历史间断性需求序列的历史周期作为横坐标,需求量作为纵坐标,建立历史间断性需求序列的坐标系,对实际观测点进行拟合,再通过插值实现其中零需求周期的数值填充。
在通过拉格朗日插值法对历史有效需求序列进行增广后,可以根据增广后的增广有效需求序列确定对应的目标预测模型,以得到下一个有效需求预测值。其中,目标预测模型是指增广有效需求序列的长度所对应的预测模型。基于不同长度的序列,所适用的预测模型是不同的,这样可以使得预测精度更准。
在本申请实施例中,通过拉格朗日插值法对历史有效需求序列进行增广以得到增广有效需求序列可以包括:
将历史周期作为横坐标,需求量作为纵坐标,建立历史间断性需求序列的坐标系;
获取历史间断性需求序列的实际观测点,实际观测点的纵坐标不为零;
通过对实际观测点进行拟合,得到多项式拟合函数;
确定历史间断性需求序列中纵坐标为零的周期在多项式拟合函数对应的数值;
根据数值对历史间断性需求序列进行填充以得到增广有效需求序列。
具体地,拉格朗日插值法是一种多项式插值,通过对实际观测点进行拟合,得到多项式拟合函数,再对拟合函数式进行取值操作,得到数据扩充的目的。在本申请实施例中,处理器可以将历史间断性需求序列的历史周期作为横坐标,需求量作为纵坐标,建立历史间断性需求序列的坐标系,再对实际观测点进行拟合,最后通过插值实现其中零需求周期的数值填充。例如,假设预设周期为1至12月,历史间断性需求序列为[4,0,5,0,9,5,0,1,3,0,0,12],其中实际观测点为[(1,4),(3,5),(5,9),(6,5),(8,1),(9,3),(12,12)],对这8个实际观测点进行拟合,可以得到一个多项式拟合函数。进一步地,将2、4、7、10、11月这些零需求的月份在这个多项式拟合函数上找出对应的纵坐标的值,将对应的值作为这些零需求月份的插值,从而得到1至12月均有需求值的一个增广有效需求序列。需要注意的是,由于只可对中间数据进行差值填充,因此,不同序列插值后的序列长度,完全取决于预设周期内的第一个需求和最后一个需求出现的位置:L=j-i+1,i是首个需求对应位置,j是末位需求对应位置。
在本申请实施例中,根据增广有效需求序列的长度确定目标预测模型可以包括:
判断增广有效需求序列的长度是否大于预设长度;
在增广有效需求序列的长度大于预设长度的情况下,将ARIMA模型确定为目标预测模型;
在增广有效需求序列的长度小于预设长度的情况下,将Holt模型确定为目标预测模型。
具体地,处理器可以根据增广后的增广有效需求序列确定对应的目标预测模型,以得到下一个有效需求预测值。其中,目标预测模型是指增广有效需求序列的长度所对应的预测模型。基于不同长度的序列,所适用的预测模型是不同的,这样可以使得预测精度更准。处理器可以事先设置一个预设长度,即区分目标预测模型的长度。例如,预设长度可以设置为20。在增广有效需求序列的长度大于预设长度的情况下,将ARIMA模型确定为目标预测模型,在增广有效需求序列的长度小于预设长度的情况下,将Holt模型确定为目标预测模型。其中,ARIMA模型为自回归积分滑动平均模型(Autoregressive Integrated MovingAverage Model),是指在将非平稳时间序列转化为平稳时间序列过程中,将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。ARIMA的基本思想是将预测对象随时间推移而形成的数据序列视为一个随机序列,用一定的数学模型来近似描述这个序列。这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。对于较长的增广有效需求序列可以选择该模型,在增广有效需求序列长度大于预设长度的情况下,可以选择ARIMA模型为目标预测模型。Holt模型是指指数平滑模型的一种,简单可靠且易于操作,尤其适用于随时间连续变化的数据。指数平滑模型为过去的观测分配指数递减的权重,得到的观测值越近,权重就越大。Holt模型可以适用于长度较短的序列。因此,在增广有效需求序列的长度小于预设长度的情况下,可以将Holt模型确定为目标预测模型。本申请实施例基于增广有效需求序列的长度选择对应的目标预测模型,可以使得有效需求预测值的精度更高。
在本申请实施例中,该预测方法还可以包括:
将末尾零需求数量加1得到历史有效需求序列的倒序位置值。
具体地,在本申请实施例中,末尾需求数量即历史间断性需求序列中最后一个有需求的周期之后的需求量为零的周期数量。倒序位置值则是历史间断性需求序列中最后一次有需求的周期所在的倒序位置,因此将末尾零需求数量加1即可得到倒序位置值loc。
在本申请实施例中,步骤202、根据下一个有效需求预测值和下一个间隔预测值确定配件在下个周期的需求预测值可以包括:
判断下一个间隔预测值是否小于或等于倒序位置值;
在下一个间隔预测值小于或等于倒序位置值的情况下,将下一个有效需求预测值确定为下个周期的需求预测值;
在下一个间隔预测值大于倒序位置值的情况下,将下个周期的需求预测值确定为零。
具体地,处理器是基于当前时间之前预设周期内的历史间断性需求序列对下个周期的需求进行预测。本申请实施例中的下一个有效需求预测值pn即下一个需求量不为零的周期对应的需求预测值,下一个间隔预测值pe即下一个需求量不为零的周期与当前时间的间隔值。也就是说,下一个间隔预测值pe不一定为1,也就是不一定下个周期配件有需求。因此,需要根据下一个间隔预测值来确定下个周期的需求预测值为下一个有效需求预测值还是0。
在本申请实施例中,处理器可以结合最初的历史间断性需求序列确定倒序位置值loc,则下个周期的需求预测值p满足下列公式:
其中,p为下个周期的需求预测值,pn为下一个有效需求预测值,pe为下一个间隔预测值,loc为倒序位置值。
也就是说,当下一个有效预测值小于或等于倒序位置值的情况下,下个周期的需求预测值就是下一个有效预测值。例如,倒序位置值loc为3,若下一个间隔预测值为2,则下一个有需求的周期就是当前周期的下个周期,因此,下个周期的需求预测值即为下一个有效需求预测值;若下一个间隔预测值为5,大于倒序位置值,则表示当前周期的下个周期没有需求,则下个周期的需求预测值为0。这样,基于下一个有效需求值和下一个间隔预测值来确定配件在下个周期的需求预测值。相较于传统的需要建立复杂模型的配件需求预测的方式,本申请对于间断性配件的需求预测在保证了精度的前提下,预测方式更加简单,从而提高了间断性配件需求的预测效率。
图3示意性示出了根据本申请又一实施例的一种用于配件需求的预测方法的流程图。如图3所示,在本申请又一实施例中,该预测方法还可以包括:
步骤301、获取配件的历史连续性需求序列。
在本申请实施例中,历史连续性需求序列是指预设周期内有连续性需求序列。在一个示例中,可以按照检查期内的平均需求间隔与预设间隔值对比,从而将配件划分为间断性需求配件与连续性需求配件。其中,平均需求间隔可以通过对历史需求序列进行统计得到,预设间隔值可以根据用户需求设置。例如,将预设间隔值设置为1.3,处理器可以将历史需求序列中,平均需求间隔大于1.3的判定为间断性需求序列,将平均需求间隔小于或等于1.3的判定为连续性需求序列。传统预测方法采用定量预测时长需求,而时长需求的影响因素较多,如果采购员直接使用预测结果采购,会存在风险。连续性配件相对于间断性配件,因为市场需求量大,采购量也相对更大,其产生库存积压或者供货不足的风险就更高。针对该问题,本申请实施例采用预测需求区间的方法,供采购员结合当下市场情况进行采购决策。
步骤302、根据历史连续性需求序列,通过随机森林回归模型确定下个周期的第一需求预测区间。
在本申请实施例中,随机森林(Random Forest)模型是一种经典的Bagging模型。随机森林模型会在原始数据集中随机抽样,构成n个不同的样本数据集,然后根据这些数据集搭建n个不同的决策树模型,最后根据这些决策树模型的输出结果决定最终的结果。由于本申请实施例的出发点是希望得到一个预测区间,因此本申请实施例需要使用多个模型,每个模型分别输出一个预测值,形成预测值集合,从其中抽取两个分位数作为预测区间的上下界。在模型选择上,需要满足两点:1)子模型数量可随意设置;2)各子模型之间的训练不能互相干扰。随机森林回归模型很好地契合了上述两点要求,因此可以作为优选的模型。
本申请实施例中,第一需求预测区间即通过随机森林回归模型预测的配件的需求区间。处理器可以根据实际需求设置预设数量的随机森林回归子模型,以及设置两个分位数位置。例如,可以设置100个随机森林回归子模型,再设置40%和60%两个分位数位置作为第一需求预测区间的最大值和最小值。在一个示例中,处理器可以先提取历史连续性需求序列的输入序列的特征值,将输入序列的特征值输入预设数量的随机森林回归子模型,以得到预设数量的需求预测值,然后再将预设数量的需求预测值按照从大到小的顺序进行排序,以得到需求预测值序列。需求预测值序列即将所有随机森林回归子模型的输出结果从大到小排列后的序列。最后分别将需求预测值序列中第一预设位置和第二预设位置所对应的需求预测值确定为第一需求预测区间的最大值和最小值,从而可以得到第一需求预测区间。
步骤303、根据历史连续性需求序列,通过逻辑回归多分类模型确定下个周期的第二需求预测区间。
本申请实施例中,逻辑回归(Logistic Regression)多分类模型用于进行多分类预测任务,第二需求预测区间即通过逻辑回归多分类模型所确定的需求预测区间。在本申请实施例中,处理器先根据历史连续性需求序列划分多个区间,并对每个区间进行编码,同时,将历史连续性需求序列转换为历史连续性需求编码序列,以将历史连续性需求编码序列输入逻辑回归多分类模型,以得到预测编码值。也就是说,逻辑回归多分类模型的输入是编码值序列,输出是编码值。由于每个编码值对应一个区间,这样,可以从输出的预测编码值得到对应的需求预测区间,即第二需求预测区间。
步骤304、将第一需求预测区间和第二需求预测区间加权融合以得到下个周期的目标需求预测区间。
在本申请实施例中,处理器通过随机森林回归模型得到了下个周期的第一需求预测区间,且通过逻辑回归多分类模型确定了下个周期的第二需求预测区间。最后需要基于第一需求预测区间和第二需求预测区间得到下个周期的目标需求预测区间,即最终的需求预测区间。在本申请实施例中,处理器可以分别赋予第一需求预测区间和第二需求预测区间的权重,基于赋予的权重将第一需求预测区间和第二需求预测区间进行加权融合,得到下个周期的目标需求预测区间。
本申请实施例一方面考虑了实际采购决策需要及规避风险,摒弃定量预测,改用预测需求区间;另一方面,采用随机森林回归模型和逻辑回归多分类模型相融合的方式,降低了单一方法导致过拟合的风险,提高了连续性配件的需求预测的准确率。
在本申请实施例中,随机森林回归模型包括预设数量的随机森林回归子模型,步骤302、根据历史连续性需求序列,通过随机森林回归模型确定下个周期的第一需求预测区间可以包括:
提取历史连续性需求序列的输入序列;
提取输入序列的特征值;
将输入序列的特征值输入预设数量的随机森林回归子模型,以得到预设数量的需求预测值;
将预设数量的需求预测值按照从大到小的顺序进行排序,以得到需求预测值序列;
分别将需求预测值序列中第一预设位置和第二预设位置所对应的需求预测值确定为第一需求预测区间的最大值和最小值。
具体地,输入序列即历史连续性需求序列中一段时间内的需求序列。输入序列的特征值可以包括但不限于统计特征和需求地区特征,统计特征可以包括但不限于最大值、最小值、均值、中位数、方差、变异系数等统计特征,需求地区特征即对需求地区编码后得到的需求地区特征。处理器可以根据实际需求设置预设数量的随机森林回归子模型,以及设置两个分位数位置。例如,可以设置100个随机森林回归子模型,再设置40%和60%两个分位数位置作为第一需求预测区间的最大值和最小值。将输入序列的特征值提取后,输入至预设数量的随机森林回归子模型,可以得到预设数量的需求预测值,例如,得到100个需求预测值。接着将这100个需求预测值从大到小进行排序,得到依次排列的需求预测值,再根据事先设置的两个分位数位置,即第一预设位置和第二预设位置,确定第一需求预测区间。例如,输入序列为[3,2,4,1,4,3],将输入序列输入100个随机森林回归子模型,得到100个值,取40%分位数和60%分位数,得到[2.32,3.17],则第一需求预测区间即为[2.32,3.17]。
在本申请实施例中,步骤302、根据历史连续性需求序列,通过随机森林回归模型确定下个周期的第一需求预测区间还可以包括:
提取历史连续性需求序列的样本序列;
提取样本序列的特征值和对应的标签;
根据样本序列的特征值和标签训练随机森林回归模型。
具体地,处理器还可以对随机森林回归模型进行训练。样本序列即可以作为样本的序列,每个样本序列具有对应的标签,即下个月的需求量。处理器先获取历史连续性需求序列的样本序列,提取样本序列的特征值和对应的标签,再根据样本序列的特征值和标签训练随机森林回归模型。在一个示例中,设定检查窗口为36个月,滑窗长为24个月,滑动步长为1,则一个配件的需求序列可以获得12个训练样本,训练样本量=12*配件量。对于每个样本都可以提取特征值。将特征值作为自变量,对应标签作为因变量,也就是下个月的需求量。例如,假设配件b的历史连续性需求序列为[2,3,3,1,6,3,3,2,4,1,4,3],其中,滑动长度为6,可以产生6个样本:[2,3,3,1,6,3]、[3,3,1,6,3,3]、[3,1,6,3,3,2]、[1,6,3,3,2,4]、[6,3,3,2,4,1],[3,3,2,4,1,4],对应的标签分别为3、2、4、1、4、3,需要预测的输入序列为[3,2,4,1,4,3]。这样,一个配件能产生6个样本,n个配件能产生6*n的样本序列,来训练随机森林回归模型。
在本申请实施例中,步骤303、根据历史连续性需求序列,通过逻辑回归多分类模型确定下个周期的第二需求预测区间包括:
将历史连续性需求序列划分为多个区间,并对每个区间进行编码,以得到多个编码值;
将历史连续性需求序列转换为历史连续性需求编码序列;
提取历史连续性需求编码序列的输入编码值序列;
将输入编码值序列输入逻辑回归多分类模型以得到预测编码值;
将预测编码值所对应的区间确定为第二需求预测区间。
具体地,处理器先根据历史连续性需求序列划分多个区间,并对每个区间进行编码,同时,将历史连续性需求序列转换为历史连续性需求编码序列。例如,假设历史连续性需求序列的最小值为10,最大值为110,则可以划分10个区间[10,20]、[20,30]、…[100,110],每个区间都定义一个数字名称作为该区间的编码值,则每个月的需求值就根据其所在的区间获得一个编码值,作为编码特征。同时,将历史连续性需求序列按照区间划分转换为历史连续性需求编码序列。例如,假设配件b的历史连续性需求序列为[16,27,8,15,3,11,4,4,1,2,19,13],最大值为27,最小值为1,则每个区间长度为26/10=2.6,平分十个区间就是:[1,3.6]、[3.6,5.2],…,[24.4,27]。这样,序列[16,27,8,15,3,11,4,4,1,2,19,13]可以被编码为[6,10,3,6,1,4,2,2,1,1,7,5]。假设滑动长度为6,输入编码值序列为[2,2,1,1,7,5]。处理器将输入编码值序列输入至逻辑回归多分类模型,可以得到预测编码值,再根据预测编码值找到对应的需求预测区间,即为第二需求预测区间。例如预测结果为6,则6所对应的第二需求预测区间[14,16.6]。
在本申请实施例中,步骤303、根据历史连续性需求序列,通过逻辑回归多分类模型确定下个周期的第二需求预测区间还可以包括:
提取历史连续性需求编码序列的样本输入编码值序列和对应的样本预测编码值;
根据样本输入编码值序列和样本预测编码值训练逻辑回归多分类模型。
具体地,处理器还可以对逻辑回归多分类模型进行训练。样本预测编码值序列即可以作为样本的编码值序列,每个样本的样本输入编码值序列都具有对应的样本预测编码值,即下个月的编码值。再根据样本输入编码序列和样本预测编码值训练该逻辑回归多分类模型。例如,假设配件b的历史连续性需求编码序列为[6,10,3,6,1,4,2,2,1,1,7,5],其中滑动长度为6,可以产生6个样本输入编码值序列,[6,10,3,6,1,4]、[10,3,6,1,4,2]、[3,6,1,4,2,2]、[6,1,4,2,2,1]、[1,4,2,2,1,1]、[4,2,2,1,1,7],对应的样本预测编码值分别为2、2、1、1、7、5。需要说明的是,由于标签不在滑窗内,其可能出现越出需求边界的情况,因此,可以做出如下设定:若标签值低于需求最小值,则编码为1;若标签值高于需求最大值,则编码为10。
在本申请实施例中,将历史连续性需求序列划分为多个区间可以包括:
确定历史连续性需求序列的最大值和最小值和预设区间数量;
将历史连续性需求序列的最大值和最小值做差得到总区间长度;
按照预设区间数量对总区间长度进行划分,以得到多个区间。
具体地,预设区间数量即事先设定的需要划分的区间数量。处理器先根据历史连续性需求序列的最大值和最小值,按照预设区间数量对总区间长度进行划分,从而得到多个区间,例如,假设配件b的历史连续性需求序列为[16,27,8,15,3,11,4,4,1,2,19,13],预设区间数量为10。最大值为27,最小值为1,则每个区间长度为26/10=2.6,平分十个区间就是:[1,3.6]、[3.6,5.2],…,[24.4,27]。
在本申请实施例中,步骤304、将第一需求预测区间和第二需求预测区间加权融合以得到下个周期的目标需求预测区间可以包括:
确定第一需求预测区间的第一最大值和第一最小值以及第二需求预测区间的第二最大值和第二最小值;
获取第一需求预测区间的第一权重和第二需求预测区间的第二权重;
根据第一权重、第二权重、第一最大值和第二最大值确定目标需求预测区间的目标最大值;
根据第一权重、第二权重、第一最小值和第二最小值确定目标需求预测区间的目标最小值;
根据目标最大值和目标最小值确定目标需求预测区间。
具体地,第一最大值和第一最小值为第一需求预测区间的最大值和最小值,第一权重为第一需求预测区间的权重;第二最大值和第二最小值为第二需求预测区间的最大值和最小值,第二权重为第二需求预测区间的权重。处理器可以分别给第一需求预测区间和第二需求预测区间赋权重,然后进行加权融合,以提高整体的预测效果。假设第一权重和第二权重分别为0.6和0.4,最终的目标需求预测区间结果(pdown,pup)可以为:
假设第一需求预测区间为[2.32,3.17],第二需求预测区间为[13.3,15.9],则二者加权后的目标最小值为0.6*13.3+0.4*14=13.58,目标最大值为0.6*15.9+0.5*16.6=16.18,因此下个周期的目标需求预测区间为[13.58,16.18]。
图4示意性示出了根据本申请一具体实施例的一种用于配件需求的预测方法的流程图。如图4所示,在本申请一具体实施例中,提供一种用于配件需求的预测方法,该预测方法包括:
步骤401、获取配件需求序列(即历史需求序列);
步骤402、获取所述配件需求序列的需求间隔,判断配件需求是否大于预设值(以1.32为例),若是,进入步骤403;否则,进入步骤404;
步骤403、在配件需求序列为间断性需求序列(即历史间断性需求序列)的情况下,根据有效需求序列(即历史有效需求序列)得到需求预测(即下一个有效需求预测值)、根据需求间隔序列(即历史需求间隔序列)得到间隔预测(即下一个间隔预测值),再根据需求预测、间隔预测和末尾零需求数量+1(即倒序位置值)得到最终的预测结果(即下个周期的需求预测值);其中,有效需求序列通过数据增广后选择目标预测模型(ARIMA或Holt平滑模型)进行需求预测;需求间隔序列可以通过重采样和状态转移概率或直接通过状态转移概率进行间隔预测;
步骤404、在配件需求序列为连续性需求序列(即历史连续性需求序列)的情况下,分别通过随机森林回归模型得到分位数,从而得到第一需求预测区间以及通过逻辑回归分类模型得到区间类别,从而得到第二需求预测区间;其中,采用随机森林回归模型预测的方式包括:提取特征工程(如统计特征等),根据训练数据训练RF回归模型(即随机森林回归),从而对预测数据进行预测;采用逻辑回归分类模型的方式包括:通过训练数据对逻辑回归分类模型进行预测,从而对预测数据进行预测。
具体地实现过程在上述实施例已经进行阐述,在此不再赘述。本申请实施例将需求序列分为间断性需求序列与连续性需求序列,分别按照不同的方式进行预测,具有强针对性,提高了应对各类需求序列的预测精度,避免了使用统一模型进行训练而导致效果较差的问题。其次,针对间断性配件,通过数据扩充,包括针对预测有效需求序列的拉格朗日插值法以及针对预测需求间隔序列的重采样,解决了传统时序模型在短序列上预测不佳的问题。再者,通过设计需求间隔转移概率,对邻近需求间隔关系进行表征,来反映需求的前后影响关系,并以此为依据来预测需求间隔序列,具有独创性。最后,针对连续性配件,考虑实际采购决策需要及规避风险,摒弃定量预测,改用预测需求区间。在算法设计上,采用随机森林结果分位数预测法与逻辑回归多分类区间预测法相融合的方式,降低了单一方法导致的过拟合风险,提高了准确率。
图5示意性示出了根据本申请实施例的一种用于配件需求的预测装置的结构框图。如图5所示,本申请实施例提供一种用于配件需求的预测装置,可以包括:
存储器510,被配置成存储指令;以及
处理器520,被配置成从存储器510调用指令以及在执行指令时能够实现上述的用于配件需求的预测方法。
本申请实施例还提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行上述的用于配件需求的预测方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (23)
1.一种用于配件需求的预测方法,其特征在于,所述预测方法包括:
获取配件的历史间断性需求序列以及所述历史间断性需求序列的末尾零需求数量;
在所述历史间断性需求序列中提取历史需求间隔序列;
确定所述历史需求间隔序列的末尾间隔值的转移概率;
根据所述末尾间隔值的转移概率确定初始间隔预测值;
确定所述初始间隔预测值减去所述末尾零需求数量的差值;
在所述差值小于或等于1的情况下,将下一个间隔预测值确定为1;
在所述差值大于1的情况下,将所述差值确定为所述下一个间隔预测值。
2.根据权利要求1所述的预测方法,其特征在于,所述确定所述历史需求间隔序列的末尾间隔值的转移概率包括:
判断所述历史需求间隔序列的末尾间隔值是否为第一次出现;
在所述末尾间隔值不为第一次出现的情况下,确定所述末尾间隔值在所述历史需求间隔序列的转移组合;
分别确定每个转移组合出现的次数;
根据所述每个转移组合出现的次数确定所述每个转移组合出现的概率;
其中,所有转移组合的概率之和为1。
3.根据权利要求2所述的预测方法,其特征在于,所述确定所述历史需求间隔序列的末尾间隔值的转移概率还包括:
在所述末尾间隔值为第一次出现的情况下,对所述历史需求间隔序列进行重采样,以得到重采样需求间隔序列;
根据所述重采样需求间隔序列确定所述末尾间隔值的转移概率。
4.根据权利要求3所述的预测方法,其特征在于,所述在所述末尾间隔值为第一次出现的情况下,对所述历史需求间隔序列进行重采样,以得到重采样需求间隔序列包括:
在所述末尾间隔值为第一次出现的情况下,对所述历史需求间隔序列中的间隔值重复进行拿取放回操作,并记录每次拿取的重采样间隔值;
在所述拿取放回操作达到预设次数的情况下,合并所述重采样间隔值以得到所述重采样需求间隔序列。
5.根据权利要求3所述的预测方法,其特征在于,所述根据所述重采样需求间隔序列确定所述末尾间隔值的转移概率包括:
确定所述末尾间隔值在所述重采样需求间隔序列的转移组合;
分别确定每个转移组合出现的次数;
根据所述每个转移组合出现的次数确定所述每个转移组合出现的概率;
其中,所有转移组合的概率之和为1。
6.根据权利要求1所述的预测方法,其特征在于,所述根据所述末尾间隔值的转移概率确定初始间隔预测值包括:
获取所述末尾间隔值的所有转移组合和每个转移组合出现的概率;
根据所述每个转移组合出现的概率对所述每个转移组合进行区间划分,以得到多个区间;
获取生成的随机数;
根据所述随机数落入的目标区间确定所述初始间隔预测值;
其中,转移组合包括末尾间隔值和转移值。
7.根据权利要求6所述的预测方法,其特征在于,所述根据所述随机数落入的区间确定所述初始间隔预测值包括:
获取所述随机数落入的目标区间;
确定所述目标区间所对应的目标转移组合;
将所述目标转移组合的转移值确定为所述初始间隔预测值。
8.根据权利要求1所述的预测方法,其特征在于,所述在所述历史间断性需求序列中提取历史需求间隔序列包括:
将所述历史间断性需求序列中的零值去掉以得到历史有效需求序列;
根据所述有效需求序列中的每个值在所述历史间断性需求序列的间隔确定所述历史需求间隔序列。
9.根据权利要求8所述的预测方法,其特征在于,所述预测方法还包括:
对所述历史有效需求序列进行预测以得到下一个有效需求预测值;
根据所述下一个有效需求预测值和所述下一个间隔预测值确定所述配件在下个周期的需求预测值。
10.根据权利要求9所述的预测方法,其特征在于,所述对所述历史有效需求序列进行预测以得到下一个有效需求预测值包括:
通过拉格朗日插值法对所述历史有效需求序列进行增广以得到增广有效需求序列;
根据所述增广有效需求序列的长度确定目标预测模型;
通过所述目标预测模型对所述增广有效需求序列进行预测以得到所述下一个有效需求预测值。
11.根据权利要求10所述的预测方法,其特征在于,所述通过拉格朗日插值法对所述历史有效需求序列进行增广以得到增广有效需求序列包括:
将历史周期作为横坐标,需求量作为纵坐标,建立历史间断性需求序列的坐标系;
获取所述历史间断性需求序列的实际观测点,所述实际观测点的纵坐标不为零;
通过对所述实际观测点进行拟合,得到多项式拟合函数;
确定所述历史间断性需求序列中纵坐标为零的周期在所述多项式拟合函数对应的数值;
根据所述数值对所述历史间断性需求序列进行填充以得到增广有效需求序列。
12.根据权利要求10所述的预测方法,其特征在于,所述根据所述增广有效需求序列的长度确定目标预测模型包括:
判断所述增广有效需求序列的长度是否大于预设长度;
在所述增广有效需求序列的长度大于所述预设长度的情况下,将ARIMA模型确定为目标预测模型;
在所述增广有效需求序列的长度小于所述预设长度的情况下,将Holt模型确定为目标预测模型。
13.根据权利要求9所述的预测方法,其特征在于,所述预测方法还包括:
将所述末尾零需求数量加1得到所述历史有效需求序列的倒序位置值。
14.根据权利要求13所述的预测方法,其特征在于,所述根据所述下一个有效需求预测值和所述下一个间隔预测值确定所述配件在下个周期的需求预测值包括:
判断所述下一个间隔预测值是否小于或等于所述倒序位置值;
在所述下一个间隔预测值小于或等于所述倒序位置值的情况下,将所述下一个有效需求预测值确定为所述下个周期的需求预测值;
在所述下一个间隔预测值大于所述倒序位置值的情况下,将所述下个周期的需求预测值确定为零。
15.根据权利要求1所述的预测方法,其特征在于,所述预测方法还包括:
获取配件的历史连续性需求序列;
根据所述历史连续性需求序列,通过随机森林回归模型确定下个周期的第一需求预测区间;
根据所述历史连续性需求序列,通过逻辑回归多分类模型确定下个周期的第二需求预测区间;
将所述第一需求预测区间和所述第二需求预测区间加权融合以得到下个周期的目标需求预测区间。
16.根据权利要求15所述的预测方法,其特征在于,所述随机森林回归模型包括预设数量的随机森林回归子模型,所述根据所述历史连续性需求序列,通过随机森林回归模型确定下个周期的第一需求预测区间包括:
提取所述历史连续性需求序列的输入序列;
提取所述输入序列的特征值;
将所述输入序列的特征值输入所述预设数量的随机森林回归子模型,以得到预设数量的需求预测值;
将所述预设数量的需求预测值按照从大到小的顺序进行排序,以得到需求预测值序列;
分别将所述需求预测值序列中第一预设位置和第二预设位置所对应的需求预测值确定为所述第一需求预测区间的最大值和最小值。
17.根据权利要求16所述的预测方法,其特征在于,所述根据所述历史连续性需求序列,通过随机森林回归模型确定下个周期的第一需求预测区间还包括:
提取所述历史连续性需求序列的样本序列;
提取所述样本序列的特征值和对应的标签;
根据所述样本序列的特征值和所述标签训练所述随机森林回归模型。
18.根据权利要求15所述的预测方法,其特征在于,所述根据所述历史连续性需求序列,通过逻辑回归多分类模型确定下个周期的第二需求预测区间包括:
将所述历史连续性需求序列划分为多个区间,并对每个区间进行编码,以得到多个编码值;
将所述历史连续性需求序列转换为历史连续性需求编码序列;
提取所述历史连续性需求编码序列的输入编码值序列;
将所述输入编码值序列输入所述逻辑回归多分类模型以得到预测编码值;
将所述预测编码值所对应的区间确定为第二需求预测区间。
19.根据权利要求18所述的预测方法,其特征在于,所述根据所述历史连续性需求序列,通过逻辑回归多分类模型确定下个周期的第二需求预测区间还包括:
提取所述历史连续性需求编码序列的样本输入编码值序列和对应的样本预测编码值;
根据所述样本输入编码值序列和所述样本预测编码值训练所述逻辑回归多分类模型。
20.根据权利要求18所述的预测方法,其特征在于,所述将所述历史连续性需求序列划分为多个区间包括:
确定所述历史连续性需求序列的最大值和最小值和预设区间数量;
将历史连续性需求序列的最大值和最小值做差得到总区间长度;
按照所述预设区间数量对所述总区间长度进行划分,以得到多个区间。
21.根据权利要求15所述的预测方法,其特征在于,所述将所述第一需求预测区间和所述第二需求预测区间加权融合以得到下个周期的目标需求预测区间包括:
确定所述第一需求预测区间的第一最大值和第一最小值以及所述第二需求预测区间的第二最大值和第二最小值;
获取所述第一需求预测区间的第一权重和所述第二需求预测区间的第二权重;
根据所述第一权重、所述第二权重、所述第一最大值和所述第二最大值确定所述目标需求预测区间的目标最大值;
根据所述第一权重、所述第二权重、所述第一最小值和所述第二最小值确定所述目标需求预测区间的目标最小值;
根据所述目标最大值和所述目标最小值确定所述目标需求预测区间。
22.一种用于配件需求的预测装置,其特征在于,包括:
存储器,被配置成存储指令;以及
处理器,被配置成从所述存储器调用所述指令以及在执行所述指令时能够实现根据权利要求1至21中任一项所述的用于配件需求的预测方法。
23.一种机器可读存储介质,其特征在于,该机器可读存储介质上存储有指令,该指令用于使得机器执行根据权利要求1至21中任一项所述的用于配件需求的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211598442.1A CN116109339A (zh) | 2022-12-12 | 2022-12-12 | 用于配件需求的预测方法、预测装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211598442.1A CN116109339A (zh) | 2022-12-12 | 2022-12-12 | 用于配件需求的预测方法、预测装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116109339A true CN116109339A (zh) | 2023-05-12 |
Family
ID=86257104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211598442.1A Pending CN116109339A (zh) | 2022-12-12 | 2022-12-12 | 用于配件需求的预测方法、预测装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109339A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116627991A (zh) * | 2023-07-26 | 2023-08-22 | 山东朝阳轴承有限公司 | 基于物联网的企业信息化数据存储方法及系统 |
-
2022
- 2022-12-12 CN CN202211598442.1A patent/CN116109339A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116627991A (zh) * | 2023-07-26 | 2023-08-22 | 山东朝阳轴承有限公司 | 基于物联网的企业信息化数据存储方法及系统 |
CN116627991B (zh) * | 2023-07-26 | 2023-09-26 | 山东朝阳轴承有限公司 | 基于物联网的企业信息化数据存储方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110400022B (zh) | 自助柜员机现金用量预测方法及装置 | |
CN110717535B (zh) | 一种基于数据分析处理系统的自动建模方法及系统 | |
CN112462261B (zh) | 一种电机异常检测方法、装置、电子设备及存储介质 | |
CN112668238B (zh) | 一种降雨量处理方法、装置、设备和存储介质 | |
CN115145901A (zh) | 一种基于多尺度的时间序列预测方法及系统 | |
CN116109339A (zh) | 用于配件需求的预测方法、预测装置及存储介质 | |
CN116051160A (zh) | 用于配件需求的预测方法、预测装置及存储介质 | |
CN116051159A (zh) | 用于配件需求的预测方法、预测装置及存储介质 | |
CN110163060B (zh) | 图像中人群密度的确定方法及电子设备 | |
CN114066510A (zh) | 物品销量预测方法、装置、计算机设备和存储介质 | |
CN115983497A (zh) | 一种时序数据预测方法和装置、计算机设备、存储介质 | |
CN117235032B (zh) | 一种分布式链接预测方法及装置 | |
CN117094535B (zh) | 基于人工智能的能源补给管理方法及系统 | |
CN111327706B (zh) | 远程抄表数据处理方法、装置、燃气表系统及燃气云平台 | |
CN116957640A (zh) | 产品销量预测方法及系统 | |
CN117150237A (zh) | 时序数据预测方法、装置、设备及计算机可读存储介质 | |
CN115358473A (zh) | 基于深度学习的电力负荷预测方法及预测系统 | |
CN115809928A (zh) | 项目投资决策方法和系统 | |
CN115630733A (zh) | 订单送达时间预估方法、系统、介质及电子设备 | |
CN111598302B (zh) | 一种基于ap-ts-svr模型的热电厂短期工业热负荷预测方法 | |
CN115481803A (zh) | 基于行业拥挤度的金融时间序列预测方法、装置及设备 | |
CN114358422A (zh) | 研发进度的异常预测方法及装置、存储介质和电子设备 | |
CN113238947A (zh) | 一种人机协同的对话系统评测方法及系统 | |
CN112667394A (zh) | 一种计算机资源利用率优化方法 | |
CN112732777A (zh) | 基于时间序列的头寸预测方法、装置、设备和介质 |
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 |