[發明專利]一種預測備件故障率的方法、裝置及預測備件需求量的方法

在審

• 申請號: 201910823449.0
• 申請日: 2019-09-02
• 公開（公告）號: CN110689167A
• 公開（公告）日: 2020-01-14
• 發明（設計）人: 張亞紅;朱明達;張秀玲;歐陽文理;范偉
• 申請（專利權）人: 聯想(北京)有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06N3/04
• 代理公司: 11225 北京金信知識產權代理有限公司
• 代理人: 郭瑩

本發明實施例提供一種預測備件故障率的方法，所述方法包括，獲得待預測備件的故障率的歷史數據；使用第一神經網絡，基于所述歷史數據，得到編碼數據；使用第二神經網絡，基于所述編碼數據，得到預測解碼數據；基于所述編碼數據和所述預測解碼數據，對所述備件的歷史故障趨勢和備件的預測故障趨勢進行相似度分析，以得到備件的預測故障率。本發明提供的方法允許編碼?解碼器結構對具有不同語義意義的變量進行綜合建模；可以處理不穩定、非線性和高維數據，此外，本發明提供的方法通過將備件的歷史故障趨勢和備件的預測故障趨勢進行比對提高了模型的可解釋性和準確性。

技術領域

本發明屬于備件需求量預測領域，具體涉及一種預測備件故障率的方法、裝置及預測備件需求量的方法。

背景技術

準確的預測服務備件需求量是服務供應鏈管理的關鍵，它能夠幫助鏈路決策者旨在保證服務水平不下降的前提下，更科學的制定采購計劃，盡可能降低庫存成本。現有技術中，基于手工特征的時間序列分析模型和傳統的機器學習方法無法處理不穩定、非線性和高維數據。雖然深度學習模型可以解決上述問題，例如，研究人員可使用遞歸神經網絡(RNN)來建模時間相關性。然而，這些深度學習模型得到的預測結果對于決策過程中廣泛需要理由的決策者們來說是不可解釋的。為了增加預測模型的可解釋性，亟需一種新的預測備件需求量的方法。

發明內容

本發明提供了一種預測備件故障率的方法、裝置及預測備件需求量的方法。

為了解決上述技術問題，本發明實施例提供了如下的技術方案：

本發明第一方面提供一種預測備件故障率的方法，所述方法包括，

獲得待預測備件的故障率的歷史數據；

使用第一神經網絡，基于所述歷史數據，得到編碼數據；

使用第二神經網絡，基于所述編碼數據，得到預測解碼數據；

基于所述編碼數據和所述預測解碼數據，對所述備件的歷史故障趨勢和備件的預測故障趨勢進行相似度分析，以得到備件的預測故障率。

作為優選，所述獲得待預測備件的故障率的歷史數據，包括，

獲得待預測備件的故障率的歷史趨勢數據。

作為優選，所述歷史數據包括第一歷史數據至第T歷史數據；

所述編碼數據包括第一編碼數據至第T編碼數據；

所述基于所述歷史數據，得到編碼數據，包括，

基于所述第一歷史數據得到第一編碼數據，基于第N歷史數據和第N-1編碼數據得到第N編碼數據，N為大于等于2且小于等于T的整數。

作為優選，所述基于所述編碼數據，得到預測解碼數據，包括，

基于所述編碼數據得到解碼數據；

基于所述解碼數據得到所述預測解碼數據。

作為優選，所述解碼數據包括第一解碼數據至第T解碼數據，所述基于所述編碼數據得到解碼數據，包括，

基于所述第T編碼數據得到第一解碼數據；

基于所述第一解碼數據得到第一估值數據，所述第一估值數據與所述第一歷史數據相對應；

基于所述第M解碼數據和所述第M估值數據得到第M+1解碼數據，M為大于等于2且小于T的整數；

基于所述第M+1解碼數據得到第M+1估值數據，所述第M+1估值數據與所述第N歷史數據相對應，所述M+1與N相等。

作為優選，所述預測解碼數據包括第T+1解碼數據至第T+V解碼數據，所述基于所述解碼數據得到所述預測解碼數據，包括，