[發明專利]融合時序預測模型和機器學習模型的備件需求預測方法

在審

• 申請號: 202110411099.4
• 申請日: 2021-04-16
• 公開（公告）號: CN113127537A
• 公開（公告）日: 2021-07-16
• 發明（設計）人: 王浩業;任爽
• 申請（專利權）人: 北京交通大學
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06F16/25;G06N3/04;G06N20/20;G06Q10/04;G06Q10/08
• 代理公司: 北京市商泰律師事務所 11255
• 代理人: 黃曉軍

1.一種融合時序預測模型和機器學習模型的備件需求預測方法，其特征在于，包括：

采集備件需求預測相關的元數據，將ETL處理后的元數據存入數據庫中；

對數據庫中存儲的元數據進行預處理，該預處理包括數據匯總、數據整合和分析處理；

對預處理后的元數據進行數據特征挖掘，確定影響備件需求的各個因素，分析出各個因素對備件需求的影響程度，將各個因素按照影響程度的大小進行排序；

在備件需求預測階段，以經過關鍵因素識別算法處理后計算出的影響程度靠前的元數據作為源數據，將所述源數據輸入到基于LSTM、GRU時序預測和XGBoost、Randomforest機器學習融合模型預測方法中，對未來某個月份的備件需求量進行預測分析，并輸出預測結果。

2.根據權利要求1所述的方法，其特征在于，所述的采集備件需求預測相關的元數據，將ETL處理后的元數據存入數據庫中，包括：

配置數據采集任務，設置數據采集任務的任務屬性，該任務屬性包括采集對象、采集時間、采集周期和審核級別，通過軟件程序執行所述數據采集任務，通過數據采集、交換處理、數據匯總和導入加載服務功能從企業部門的數據源中采集元數據；所述元數據涉及備件信息的各個方面，所述數據源來自從備件生產到備件使用的各個環節；對采集的元數據進行ETL處理，將ETL處理后的元數據存入數據庫中。

3.根據權利要求2所述的方法，其特征在于，所述的元數據包括：各備件的基本信息、已消耗備件的歷史工作量、備件的庫存信息、備件的采購信息、備件的工作環境、備件的維修信息、備件的分類信息、備件的保養信息、備件的供應信息、備件的消耗信息、備件的經濟型和脆弱性數據。

4.根據權利要求1所述的方法，其特征在于，對所述的數據庫中存儲的元數據進行預處理，該預處理包括數據匯總、數據整合和分析處理，包括：

通過元數據管理功能對數據庫中存儲的元數據進行數據匯總、數據整合和分析處理，在整個業務過程中通過使用元數據對各環節、各階段存在的各種數據進行全方位描述，所述整個業務流程是指備件的生產、運輸、使用、消耗和更換環節，所述各環節包括備件的供應環節、采購環節、運輸環節、生產環節、使用環節以及檢修環節，所述各階段包括備件使用的各個階段；所述數據匯總用來審查數據的正確性與有效性。

5.根據權利要求1所述的方法，其特征在于，所述影響因素包括備件市場供應量、修理次數、備件每月消耗量、修理數量、修理程度、采購數量、備件設備工作時間、備件供應商數量、采購單價、保養效果、采購次數和保養次數。

6.根據權利要求1至5任一項所述的方法，其特征在于，所述的在備件需求預測階段，以經過關鍵因素識別算法處理后計算出的影響程度靠前的元數據作為源數據，將所述源數據輸入到基于LSTM、GRU時序預測和XGBoost、Randomforest機器學習融合模型預測方法中，對未來某個月份的備件需求量進行預測分析，并輸出預測結果，包括：

在備件需求預測階段，使用關鍵因素識別算法剔除掉無用的影響因素，以經過關鍵因素識別算法處理后計算出的影響程度靠前的元數據作為源數據，對不同類型的影響因素進行編碼處理后，使用模型算法對基于LSTM、GRU時序預測和XGBoost、Randomforest機器學習融合模型預測方法進行訓練，將處理后的源數據輸入到訓練后的基于LSTM、GRU時序預測和XGBoost、Randomforest機器學習融合模型預測方法中，對未來某個月份的備件需求量進行預測分析，通過報表、圖表和地圖展示方式在前端展示平臺展示備件需求量的預測結果。