[發明專利]一種汽車配件需求多元預測方法、系統和存儲介質

在審

• 申請號: 201910707595.7
• 申請日: 2019-08-01
• 公開（公告）號: CN110414741A
• 公開（公告）日: 2019-11-05
• 發明（設計）人: 王志剛;朱瑞
• 申請（專利權）人: 優必愛信息技術（北京）有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/00
• 代理公司: 北京細軟智谷知識產權代理有限責任公司 11471
• 代理人: 劉冬梅

本發明涉及一種汽車配件需求多元預測方法，解決了現有技術對相關性零件故障預測的不足，包括以下步驟：獲取目標區域內機動車保有量歷史數據，建立機動車保有量的泊松分布；獲取目標區域內機動車每個零件的故障數，建立每個零件故障率的貝塔分布；基于泊松分布和貝塔分布確定所述目標區域內每個零件故障數的泊松?貝塔分布；確定在發生故障時確實存在關聯性的零件；基于泊松?貝塔分布確定存在關聯性的零件的相關系數；基于相關系數確定存在關聯性的零件發生故障的關聯程度。本發明的有益效果為：通過預測發生故障的零件存在相關性的大小，進而更好的為備件數量的預測提供參考，使備件數量的預測更加的準確可靠。

技術領域

本發明屬于汽車備件預測領域，具體涉及一種汽車配件需求多元預測方法、系統和存儲介質。

背景技術

隨著經濟的飛速發展和汽車市場的繁榮，以及汽車配件作為車輛售后服務管理中的重要組成部分，為汽車產業鏈的中上游提供了發展的基礎。汽車行業必須有強大的汽車配件的體系來支撐，能否實現備件有效、科學的管理會直接影響到汽車售后服務和汽車銷售業務的服務績效和經濟效益。為了在激烈的市場競爭中取得勝利，汽車修理行業需要將汽車配件以最快的速度和最低的成本提供給顧客，以滿足顧客的需求。但一方面維修廠如果盡快提供備件，條件是必須有足夠的庫存，以免丟失商機。另一方面庫存過大容易占用資金造成資金不流暢，造成資源的浪費。因此如何對汽車備件的需求進行精準的預測是解決該矛盾的關鍵。

現有的汽車備件的預測包括：基于統計學習的配件需求預測方法(如SVM、神經網絡、隨機森林、深度學習)。這些模型運用的假設前提均是在數量的漸進無窮下，實際情況中的數據總是有限的，因此預測精度有限。尤其是神經網絡方法容易產生局部最小值，預測產生誤差。雖然SVM方法是在小樣本方法下進行的，但是卻無法解決由于一些稀有配件更換間隔時間過長導致的數據記錄中產生大量的零數據，可能導致預測無效。

統計可靠性的配件需求預測方法是根據零備件故障率來預測其需求量的方法，現有的統計可靠性預測方法都只是局限于單一零件的歷史故障率對單一零件的數量進行預測，而零部件間維修需求時存在一定的關聯性，現有的單一零件的預測方法顯然已經不適用于具有相關性的備件的預測。

發明內容

為了解決現有技術存在的只針對單一零件的故障率和數量進行預測的問題，本發明提供了一種汽車配件需求多元預測方法，其具有對相關性零件備件數量預測準確可靠等特點。

根據本發明的具體實施方式的一種汽車配件需求多元預測方法，，包括以下步驟：

獲取目標區域內機動車保有量歷史數據，建立機動車保有量的泊松分布；

獲取目標區域內機動車每個零件的故障數，建立每個零件故障率的貝塔分布；

基于所述泊松分布和所述貝塔分布確定所述目標區域內每個零件故障數的泊松-貝塔分布；

確定在發生故障時確實存在關聯性的零件；

基于所述泊松-貝塔分布確定所述存在關聯性的零件的相關系數；

基于所述相關系數確定所述存在關聯性的零件發生故障的關聯程度。

進一步的，所述每個零件故障數的泊松-貝塔分布為：

X_i～PB(a_i,b_i,λ_i)，則故障數X_i的期望為：方差為：

進一步的，兩個存在關聯性的零件m、n的相關系數的確定過程包括：

確定故障數的期望為：