[發明專利]一種基于混合模型的物資協議庫存需求預測方法

在審

• 申請號: 202010169815.8
• 申請日: 2020-03-12
• 公開（公告）號: CN111401808A
• 公開（公告）日: 2020-07-10
• 發明（設計）人: 馬新強;黃羿;劉友緣
• 申請（專利權）人: 重慶文理學院
• 主分類號: G06Q10/08
• 分類號: G06Q10/08;G06Q10/10;G06Q10/06;G06Q30/02;G06N3/08;G06N3/00
• 代理公司: 浙江千克知識產權代理有限公司 33246
• 代理人: 裴金華

1.一種基于混合模型的物資協議庫存需求預測方法，其特征在于，包括如下步驟：

S1：獲取所有物資對應的歷史數據；

S2：對歷史數據進行分類以獲取不同分類特征的物資小類數據；

S3：建立包含多種預測模型的混合模型庫；

S4：根據分類特征的不同從混合模型庫中選取預設模型并將步驟S2中獲取的物資小類數據輸入預設模型中實現對預設物資需求進行預測。

2.如權利要求1所述的一種基于混合模型的物資協議庫存需求預測方法，其特征在于，步驟S1中包括：從電網規劃計劃管理系統和ERP系統中獲取配電網歷史項目信息和歷史物資領用數據；根據電網歷史項目信息和歷史物資領用數據構建包含項目類型、項目投資金額、電壓等級的配網項目屬性在內的歷史樣本庫；從歷史樣本庫中獲取所有物資對應的歷史數據。

3.如權利要求1或2所述的一種基于混合模型的物資協議庫存需求預測方法，其特征在于：步驟S1中還包括對歷史數據進行預處理。

4.如權利要求3所述的一種基于混合模型的物資協議庫存需求預測方法，其特征在于，步驟S1中對歷史數據的預處理具體包括：數據選擇；數據集成；數據清理；數據規約；數據變換。

5.如權利要求4所述的一種基于混合模型的物資協議庫存需求預測方法，其特征在于，步驟S2中具體包括：

S21：通過對歷史數據進行屬性重要性評價去除歷史數據內與預測值不相關的屬性以獲取歷史小類數據；

S22：通過對歷史小類數據進行聚類分析將類型相似的歷史小類數據聚合為一類特征以獲取多個不同分類特征的物資小類數據。

6.如權利要求3所述的一種基于混合模型的物資協議庫存需求預測方法，其特征在于：所述混合模型庫內的模型包括經典預測算法模型和機器學習算法模型，所述經典預測算法模型包括時間序列預測模型和回歸分析預測模型，所述機器學習算法模型包括決策樹算法模型、貝葉斯算法模型、支持向量機算法模型、人工神經網絡算法模型、集成學習算法模型、關聯規則算法模型、EM算法模型、深度學習算法模型。

7.如權利要求6所述的一種基于混合模型的物資協議庫存需求預測方法，其特征在于：所述人工神經網絡算法模型包括BP神經網絡預測模型，步驟S3中選擇BP神經網絡預測模型為預設模型，并通過粒子群算法對BP神經網絡的超參數進行優化，步驟S4中將步驟S2中獲取的物資小類數據輸入BP神經網絡預測模型中實現對預設物資需求進行預測。

8.如權利要求4所述的一種基于混合模型的物資協議庫存需求預測方法，其特征在于：步驟S3中將步驟S2獲取的不同分類特征的物資小類數據劃分為用以輸入預設模型訓練預設模型的訓練集和用以輸入預設模型中對預設物資需求進行預測的測試集。

9.如權利要求7所述的一種基于混合模型的物資協議庫存需求預測方法，其特征在于：步驟S4之后還包括對混合模型庫中的各種模型進行模型評估，所述模型評估通過將需求數據輸入混合模型庫中測試各種模型獲取各種模型的庫存占用率。

10.如權利要求7所述的一種基于混合模型的物資協議庫存需求預測方法，其特征在于：所述超參數包括BP神經網絡預測模型的網絡層數、學習率、初始權重、閥值。