The present disclosure provides a prediction method for spare parts demand, which includes: obtaining the first data group, which includes the demand of spare parts in the first preset period before the current time point; obtaining the initial prediction data by using the long-term and short-term memory network model according to the first data group; and using the convolutional neural network model to obtain the initial prediction data in accordance with the initial prediction data; The forecast demand of spare parts in the second preset period after the current time point. The present disclosure also provides a prediction device for spare parts demand and an electronic device.
【技术实现步骤摘要】
备件需求量的预测方法及装置,以及电子设备
本公开涉及一种备件需求量的预测方法及装置,以及电子设备。
技术介绍
随着市场竞争的日益激烈,快速响应市场需求成为各产品供应商生存和发展的根本,其中影响客户满意度非常关键的因素之一是客户的售后体验。在实现本公开的过程中,专利技术人发现现有技术中至少存在如下问题:为了提升客户的售后满意度,往往对产品备件的需求量具有一定的要求以在达到客户满意,但与此同时为了考虑商家利益,还需要最小化库存冗余。现有的备件需求量的预测往往是根据备件的历史需求数据逐点对未来备件的需求量进行预测而后求和,其中,并未考虑到备件需求的时序关系,且考虑到备件需求数据的随机波动性较大,即使使用很复杂的模型也很难准确捕捉到各时间点的随机波动,因此备件需求量的预测结果不尽理想。
技术实现思路
本公开的一个方面提供了一种用于提高备件需求预测准确率的备件需求量的预测方法,包括:获取第一数据组,该第一数据组包括备件在当前时间点之前的第一时段内的需求量;根据第一数据组,采用长短时记忆网络模型得到初始预测数据;以及根据初始预测数据,采用卷积神经网络模型得到在当前时间点之后的第二时段内备件的预测需求量。可选地,上述第一时段包括多个第一周期,上述获取第一数据组包括:获取第一时段内各第一周期中备件的需求量;以及根据滑动平均模型,对由各第一周期中备件的需求量组成的时序数据进行预处理,得到第一数据组。可选地,上述第一时段包括多个第一周期,上述备件需求量的预测方法还包括:获取第二数据组,该第二数据组包括由第一时段内各第一周期中包括备件且满足预设条件的物品的数量组成的时序数据;根据第 ...
【技术保护点】
1.一种备件需求量的预测方法,包括:获取第一数据组,所述第一数据组包括所述备件在当前时间点之前的第一时段内的需求量;根据所述第一数据组,采用长短时记忆网络模型得到初始预测数据;以及根据所述初始预测数据,采用卷积神经网络模型得到在当前时间点之后的第二时段内所述备件的预测需求量。
【技术特征摘要】
1.一种备件需求量的预测方法,包括:获取第一数据组,所述第一数据组包括所述备件在当前时间点之前的第一时段内的需求量;根据所述第一数据组,采用长短时记忆网络模型得到初始预测数据;以及根据所述初始预测数据,采用卷积神经网络模型得到在当前时间点之后的第二时段内所述备件的预测需求量。2.根据权利要求1所述的方法,其中,所述第一时段包括多个第一周期;所述获取第一数据组包括:获取所述第一时段内各第一周期中所述备件的需求量;以及根据滑动平均模型,对由所述各第一周期中所述备件的需求量组成的时序数据进行预处理,得到所述第一数据组。3.根据权利要求1所述的方法,其中,所述第一时段包括多个第一周期;所述方法还包括:获取第二数据组,所述第二数据组包括由所述第一时段内各第一周期中包括所述备件且满足条件的物品的数量组成的时序数据;以及所述根据所述第一数据组,采用长短时记忆网络模型得到初始预测数据包括:以所述第一数据组和所述第二数据组作为所述长短时记忆网络模型的输入,输出所述初始预测数据。4.根据权利要求3所述的方法,其中,所述第二时段包括多个第二周期;所述第二数据组还包括:当前时间点获取的所述第二时段内各第二周期中包括所述备件且满足所述条件的物品的数量组成的时序数据。5.根据权利要求1所述的方法,还包括:获取特征数据,所述特征数据包括:所述备件的参数信息和包括所述备件的物品的参数信息;所述根据所述初始预测数据,采用卷积神经网络得到所述备件的预测数据量包括:以所述初始预...
【专利技术属性】
技术研发人员:张秀玲,范伟,欧阳文理,张亚红,
申请(专利权)人:联想北京有限公司,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。