备件需求量的预测方法及装置，以及电子设备制造方法及图纸

本公开提供了一种备件需求量的预测方法，该方法包括：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预设时段内的需求量；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预设时段内备件的预测需求量。本公开还提供了一种备件需求量的预测装置以及一种电子设备。

Prediction methods and devices for spare parts demand and electronic equipment

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：以第一数据组和第二数据组作为长短时记忆网络模型的输入，输出初始预测数据。可选地，上述第二时段包括多个第二周期，上述第二数据组还包括：当前时间点获取的第二时段内各第二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。可选地，上述备件需求量的预测方法还包括：获取特征数据，该特征数据包括：备件的参数信息和包括备件的物品的参数信息；上述根据初始预测数据，采用卷积神经网络得到备件的预测数据量包括：以初始预测数据及特征数据作为卷积神经网络模型的输入，输出第二预设时段内备件的预测需求量、备件的参数信息及包括备件的物品的参数信息。可选地，基于针对备件的独有标识码，获取第一数据组、第二数据组和/或特征数据。可选地，上述特征数据还包括：所述第二时段的时间信息，该时间信息包括以下至少之一：年份、季度和/或月份；以及上述卷积神经网络模型被构建为：根据时间信息来设置所述卷积神经网络模型的模型参数。可选地，在获取的第一数据组包括具有不同参数信息的多种备件在第一时段内的需求量的情况下，采用长短时记忆网络模型和卷积神经网络模型，根据每种备件在第一时段内的需求量，逐备件地得到第二预设时段内每种备件的预测需求量。本公开的另一个方面提供了一种备件需求量的预测装置，包括第一数据组获取模块、初始预测模块和需求量预测模块。其中，第一数据组获取模块用于获取第一数据组，该第一数据组包括物品在当前时间点之前的第一时段内的需求量；初始预测模块用于根据第一数据组，采用长短时记忆网络模型得到初始预测数据；以及需求量预测模块用于根据初始预测数据，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，第一时段包括多个第一周期，上述第一数据组获取模块包括备件需求量获取子模块和数据组确定子模块。其中，需求量获取子模块用于获取第一时段内各第一周期中备件的需求量；数据组确定子模块用于根据滑动平均模型，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，第一时段包括多个第一周期，上述备件需求量的预测装置还包括第二数据组获取模块，用于获取第二数据组，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条件的物品的数量组成的时序数据，相应地，上述初始预测模块用于以第一数据组和第二数据组作为长短时记忆网络模型的输入，输出初始预测数据。可选地，上述第二时段包括多个第二周期，上述第二数据组还包括：当前时间点获取的第二时段内各第二周期中包括备件且满足条件的物品的数量组成的时序数据。可选地，上述备件需求量的预测装置还包括：特征数据获取模块，用于获取特征数据，该特征数据包括：备件的参数信息和包括备件的物品的参数信息；上述需求量预测模块用于以初始预测数据及特征数据作为卷积神经网络模型的输入，输出第二时段内备件的预测需求量、备件的参数信息及包括备件的物品的参数信息。可选地，上述第一数据组获取模块、第二数据组获取模块和/或特征数据获取模块，基于针对备件的独有标识码，获取所述第一数据组、第二数据组和/或特征数据。可选地，上述特征数据还包括：第二时段的时间信息，该时间信息包括以下至少之一：年份、季度和/或月份；上述卷积神经网络模型被构建为：根据时间信息来设置所述卷积神经网络模型的模型参数。可选地，在第一数据组获取模块获取的第一数据组包括具有不同参数信息的多种备件在第一时段内的需求量的情况下，通过上述初始预测模块和需求量预测模块，采用长短时记忆网络模型和卷积神经网络模型，根据每种备件在第一时段内的需求量，逐备件地得到第二时间内每种备件的预测需求量。本公开的另一方面提供了一种电子设备，包括一个或多个处理器；以及存储装置，用于存储一个或读个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上所述的备件需求量的预测方法。本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的备件需求量的预测方法。本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的备件需求量的预测方法。附图说明为了更完整地理解本公开及其优势，现在将参考结合附图的以下描述，其中：图1示意性示出了根据本公开实施例的备件需求量的预测方法及装置、以及电子设备的应用场景；图2示意性示出了根据本公开第一实施例的备件需求量的预测方法的流程图；图3示意性示出了根据本公开实施例的获取第一数据组的流程图；图4示意性示出了根据本公开第二实施例的备件需求量的预测方法的流程图；图5示意性示出了根据本公开第三实施例的备件需求量的预测方法的流程图；图6示意性示出了根据本公开第四实施例的备件需求量的预测方法的流程图；图7示意性示出了根据本公开实施例的备件需求量的预测装置的框图；以及图8示意性示出了根据本公开实施例的适于实现备件需求量的预测方法的电子设备的结构框图。具体实施方式以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不本文档来自技高网...

【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