[發明專利]一種基于深度時空神經網絡的需求預測方法、系統及計算機可讀存儲介質

在審

• 申請號: 202010586879.8
• 申請日: 2020-06-24
• 公開（公告）號: CN111882157A
• 公開（公告）日: 2020-11-03
• 發明（設計）人: 呂賜興;晏曉輝
• 申請（專利權）人: 東莞理工學院
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q30/02;G06Q50/04;G06N3/04;G06N3/08
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 張金福

1.一種基于深度時空神經網絡的需求預測方法，其特征在于，包括以下步驟：

采集歷史訂單的需求序列數據，對采集歷史訂單的需求序列數據進行預處理，得到預處理后的歷史訂單的需求序列數據；

基于預處理后的歷史訂單的需求序列數據構建數據集，所述的數據集包括輸入需求序列數據和預測結果序列數據；并數據集劃分為訓練數據子集和測試數據子集；所述的輸入需求序列數據包括預處理后的歷史訂單的需求序列數據；

搭建基于注意力機制和因果擴展卷積的神經網絡的需求序列預測模型；

利用數據集對需求序列預測模型進行訓練，得到訓練后的需求序列預測模型；

通過預處理后的歷史訂單的需求序列數據，結合訓練后的需求序列預測模型，得到未來的需求預測結果。

2.根據權利要求1所述的需求預測方法，其特征在于，所述的預處理包括以下子步驟：

對采集歷史訂單的需求序列數據中存在缺失信息的需求序列數據和存在錯誤的需求序列數據進行刪除；

若時間節點缺乏對應的需求序列數據，則以上述時間節點周圍的時間節點的同類需求的平均值進行填充到上述時間節點中。

3.根據權利要求1所述的需求預測方法，其特征在于，所述的數據集包括以下內容：

預處理后的歷史訂單的需求序列數據采用滑動窗口方法，通過選擇一個需求序列數據為一個周期進行滑窗，從而構建多個訓練窗口，擴大訓練集數量；最后的a個需求序列數據作為預測結果序列數據，剩余的需求序列數據作為輸入需求序列數據；所述的a是預設值；

將數據集中x的需求序列數據作為訓練數據子集，將數據集中y的需求序列數據作為測試數據子集，所述的p+q＝1。

4.根據權利要求1至3中任一權利要求所述的需求預測方法，其特征在于，所述的“搭建基于注意力機制和因果擴展卷積的神經網絡的需求序列預測模型”中的需求序列預測模型包括以下內容：

需求序列預測模型的時空層包括β個inception模塊，每個inception模塊包含γ個分支，每個分支都包含因果卷積和擴展卷積。

5.根據權利要求4所述的需求預測方法，其特征在于，所述的“利用數據集對需求序列預測模型進行訓練”包括以下內容：

inception模塊的隱藏單元的輸出值通過下式進行表達：

y＝w·x+b

式中，所述的y表示輸出值，所述的x表示輸入值，所述的w表示權重值的矩陣，所述的b表示偏置值向量；

對輸入數據進行訓練時，通過損失函數評估需求序列預測模型的目標輸出和實際輸出的差距的函數，所述的函數值越小說明實際輸出與目標輸出的差值越小，表示權重值越合適；

通過Adam算法對損失函數進行優化，定義初始學習率δ，對損失函數進行迭代更新。

6.根據權利要求5所述的需求預測方法，其特征在于，所述的損失函數通過下式進行表達：

式中，所述的Loss表示損失值；所述的y_result表示每次神經網絡的輸出值；所述的y_real表示實際的原始數據；所述的i表示輸入的第i個需求序列數據；所述的n表示輸入的需求序列數據的數量。

7.一種基于深度時空神經網絡的需求預測系統，其特征在于，包括采集模塊、預處理模塊、數據集模塊、建模模塊和預測模塊，其中，

所述的采集模塊用于采集歷史訂單的需求序列數據；

所述的預處理模塊用于將采集模塊的歷史訂單的需求序列數據進行預處理，得到預處理后的歷史訂單的需求序列數據；

所述的數據集模塊通過預處理模塊的預處理后的歷史訂單的需求序列數據構建數據集，所述的數據集包括輸入需求序列數據和預測結果序列數據；并數據集劃分為訓練數據子集和測試數據子集；所述的輸入需求序列數據包括預處理后的歷史訂單的需求序列數據；

所述的建模模塊用于構建基于注意力機制和因果擴展卷積的神經網絡的需求序列預測模型；再通過數據集模塊的數據集對需求序列預測模型進行訓練，得到訓練后的需求序列預測模型；

所述的預測模塊根據建模模塊的訓練后的需求序列預測模型，結合預處理模塊的預處理后的歷史訂單的需求序列數據，得到未來的需求預測結果。