融合时序预测模型和机器学习模型的备件需求预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113127537A(43)申请公布日2021.07.16(21)申请号202110411099.4G06Q10/08(2012.01)(22)申请日2021.04.16(71)申请人北京交通大学地址100044北京市海淀区西直门外上园村3号(72)发明人王浩业任爽(74)专利代理机构北京市商泰律师事务所11255代理人黄晓军(51)Int.Cl.G06F16/2458(2019.01)G06F16/25(2019.01)G06N3/04(2006.01)G06N20/20(2019.01)G06Q10/04(2012.01)权利要求书1页说明书8页附图2页(54)发明名称融合时序预测模型和机器学习模型的备件需求预测方法(57)摘要本发明提供了一种融合时序预测模型和机器学习模型的备件需求预测方法。该方法包括：采集备件需求预测相关的元数据，将ETL处理后的元数据存入数据库中；对数据库中存储的元数据进行预处理，对预处理后的元数据进行数据特征挖掘，确定影响备件需求的各个因素，分析出各个因素对备件需求的影响程度，在备件需求预测阶段，以经过影响程度分析处理后的元数据、各个有用的影响因素以及排序后的各个影响因素对备件需求的影响程度作为源数据，将源数据输入到基于LSTM、GRU时序预测和XGBoost、Randomforest机器学习融合模型预测方法中，对未来某个月份的备件需求量进行预测分析，并输出预测结果。本发明方法能够通过供应链经济原理，做出合理的购买计划，有利于部门充分利用资源，合理地分配购买各备件数量，减少不必要CN113127537A的财产成本和其他运营成本。CN113127537A权利要求书1/1页1.一种融合时序预测模型和机器学习模型的备件需求预测方法，其特征在于，包括：采集备件需求预测相关的元数据，将ETL处理后的元数据存入数据库中；对数据库中存储的元数据进行预处理，该预处理包括数据汇总、数据整合和分析处理；对预处理后的元数据进行数据特征挖掘，确定影响备件需求的各个因素，分析出各个因素对备件需求的影响程度，将各个因素按照影响程度的大小进行排序；在备件需求预测阶段，以经过关键因素识别算法处理后计算出的影响程度靠前的元数据作为源数据，将所述源数据输入到基于LSTM、GRU时序预测和XGBoost、Randomforest机器学习融合模型预测方法中，对未来某个月份的备件需求量进行预测分析，并输出预测结果。2.根据权利要求1所述的方法，其特征在于，所述的采集备件需求预测相关的元数据，将ETL处理后的元数据存入数据库中，包括：配置数据采集任务，设置数据采集任务的任务属性，该任务属性包括采集对象、采集时间、采集周期和审核级别，通过软件程序执行所述数据采集任务，通过数据采集、交换处理、数据汇总和导入加载服务功能从企业部门的数据源中采集元数据；所述元数据涉及备件信息的各个方面，所述数据源来自从备件生产到备件使用的各个环节；对采集的元数据进行ETL处理，将ETL处理后的元数据存入数据库中。3.根据权利要求2所述的方法，其特征在于，所述的元数据包括：各备件的基本信息、已消耗备件的历史工作量、备件的库存信息、备件的采购信息、备件的工作环境、备件的维修信息、备件的分类信息、备件的保养信息、备件的供应信息、备件的消耗信息、备件的经济型和脆弱性数据。4.根据权利要求1所述的方法，其特征在于，对所述的数据库中存储的元数据进行预处理，该预处理包括数据汇总、数据整合和分析处理，包括：通过元数据管理功能对数据库中存储的元数据进行数据汇总、数据整合和分析处理，在整个业务过程中通过使用元数据对各环节、各阶段存在的各种数据进行全方位描述，所述整个业务流程是指备件的生产、运输、使用、消耗和更换环节，所述各环节包括备件的供应环节、采购环节、运输环节、生产环节、使用环节以及检修环节，所述各阶段包括备件使用的各个阶段；所述数据汇总用来审查数据的正确性与有效性。5.根据权利要求1所述的方法，其特征在于，所述影响因素包括备件市场供应量、修理次数、备件每月消耗量、修理数量、修理程度、采购数量、备件设备工作时间、备件供应商数量、采购单价、保养效果、采购次数和保养次数。6.根据权利要求1至5任一项所述的方法，其特征在于，所述的在备件需求预测阶段，以经过关键因素识别算法处理后计算出的影响程度靠前的元数据作为源数据，将所述源数据输入到基于LSTM、GRU时序预测和XGBoost、Randomforest机器学习融合模型预测方法中，对未来某个月份的备件需求量进行预测分析，并输出预测结果，包括：在备件需求预测阶段，使用关键因素识别算法剔除掉无用的影响因素，以经过关键因素识别算法处理后计算出的影响程度靠前的元数据作为