[發明專利]一種基于RNN網絡預測物資采購需求量的方法

在審

• 申請號: 202010213647.8
• 申請日: 2020-03-24
• 公開（公告）號: CN111340312A
• 公開（公告）日: 2020-06-26
• 發明（設計）人: 張建中;邱玲;廖海濤;楊婷婷;陳麗娟;謝毓瑋;曾繁波;向俊儒;張晨;劉啟姝;馮亞;蒲繁榮;鄧倫兵;鄧燕晶;柴海洋;張欣
• 申請（專利權）人: 國家電網有限公司;國網重慶市電力公司;國網重慶市電力公司物資分公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 重慶晟軒知識產權代理事務所(普通合伙) 50238
• 代理人: 王海鳳

1.一種基于RNN網絡預測物資采購需求量的方法，其特征在于，包括以下步驟：

S1：采用預設方法對預先采集的數據進行數據處理；

S2：通過預設方法對原預測模型和循環神經網絡模型進行對比；

S3：采用預設方法構建RNN模型，并將所述處理后的數據作為所述RNN模型的輸入，獲取預測值。

2.根據權利要求1所述的一種基于RNN網絡預測物資采購需求量的方法，其特征在于，所述步驟S1采用預設方法對預先采集的數據進行數據處理具體包括以下步驟：

S11：通過預備的數據庫進行所需數據的采集，得到采集的數據；

S12：通過預設方法對所述采集數據進行數據清洗，得到處理后的數據。

3.根據權利要求2所述的一種基于RNN網絡預測物資采購需求量的方法，其特征在于，所述步驟S12通過預設方法對所述采集數據進行數據清洗，得到處理后的數據具體包括以下步驟：

S121：對所述采集數據中的原始時序數據進行隨機采樣和得到多條估計數據，并對隨機采樣產生的空缺點補齊，獲得多條補齊估計數據；

S122：按采樣時間點對所有的所述補齊估計數據進行分類，獲得多組時間分類數據，并對每組所述時間分類數據按照大小進行排序得到多組排序數組；

S123：對多組所述排序數組進行處理獲得多個對應的平均值數據，并通過多個所述平均值數據構成均值序列；

S124：輸出所述均值序列，即完成對購買量異常數據的清除，得到處理后的數據。

4.根據權利要求1所述的一種基于RNN網絡預測物資采購需求量的方法，其特征在于，所述步驟S2通過預設方法對原預測模型和循環神經網絡模型進行對比具體包括以下步驟：將原預測模型和循環神經網絡模型從數據處理、函數關系、時間依賴性、趨勢4個方面進行對比分析，針對原預測模型的缺陷找出更合適的預測模型。

5.根據權利要求1所述的一種基于RNN網絡預測物資采購需求量的方法，其特征在于，所述步驟S3采用預設方法構建RNN模型，并將所述處理后的數據作為所述RNN模型的輸入，獲取預測值具體包括以下步驟：

S31：假設當前的狀態只與前面的幾個狀態相關，構建RNN模型，得到所述RNN模型的數學表達式：

S_t＝f(U*x_t+W*S_t-1+b)，O_t＝f(V*S_t+c)；

其中，U，W，V，b，c為模型需要學習更新的參數，x為一個序列的輸入，即為數據清洗后的數據，標記為{x₁,x₂,……x_t……}，x_t代表時刻為t時刻的輸入，s為隱含單元，標記為{S₁,S₂,……S_t……}，S_t為t時刻的隱含層狀態，作為下一層的輸入，也就是模型每一層的輸入有兩個，一個是x_t，一個是上一層的狀態S_t-1，O_t代表時刻t的輸出，f為非線性的激活函數tanh，其表達式為：其中e^z表示指數函數，z為函數的輸入；

S32：對所述RNN模型進行網絡訓練，并采用最小化損失函數來更新模型參數，損失函數的公式為：

其中，N表示數據數目，x_t代表時刻為t時刻的輸入，O_t代表時刻t的輸出；

S33：當所述RNN模型訓練好以后，即損失函數足夠小時，將處理后的t時刻數據輸入訓練好的所述RNN模型中，得到t+1時刻的數據，即為預測值。

6.根據權利要求5所述的一種基于RNN網絡預測物資采購需求量的方法，其特征在于，所述步驟S32中對所述RNN模型進行網絡訓練還包括以下步驟：在訓練所述RNN模型時，分別以1天、7天、8天、10天、12天為周期進行訓練，然后選取訓練效果最好的模型進行預測。