数量预测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种数据预测方法、装置、计算机设备和存储介质，计算机设备根据预设的影响因子的权重分别确定出车辆故障指标和配件需求指标，先根据车辆故障指标确定出预测时间段内的故障车数量，然后结合故障车数量以及配件需求指标通过预设的神经网络模型预测出测时间段内各车辆配件的需求数据。该方法因为在确定影响因子的权重时，考虑的影响因子是预先设定的，可根据实际情况将相关因素都考虑进行，使得因素考虑的更加全面，大大提高了预测准确率。且在预测配件需求时是通过预先训练好的神经网络模型训练的，解放了运营人力，大大提高了工作效率。

Quantity prediction method, device, computer equipment and storage medium

【技术实现步骤摘要】
数量预测方法、装置、计算机设备和存储介质
本申请涉及数据处理
，特别是涉及一种数量预测方法、装置、计算机设备和存储介质。
技术介绍
随着共享车辆的推行，共享车辆的管理方法成为业界研究的热点，例如，共享车辆的管理包括对车辆配件的库存需求进行预测，以提高库存周转率，降低仓库成本，且可以保证车辆配件充足，减少仓库因为缺少车辆配件而导致车辆滞修的情况。现有技术中，对车辆配件的库存需求是通过仓库安全库存模型进行预测的，常用的仓库安全库存模型是基于过去一段时间的各配件的平均消耗情况，加上各配件的采购周期和一个预测的车辆库存安全范围，计算出仓库未来一段时间的库存需求。但是，现有的安全库存模型预测的库存需求结果存在不准确的技术问题。
技术实现思路
基于此，有必要针对上述现有的安全库存模型预测的库存需求结果存在不准确的技术问题，提供一种数量预测方法、装置、计算机设备和存储介质。第一方面，本申请实施例提供一种数量预测方法，该方法包括：获取车辆配件预设影响因子的权重排序结果；影响因子的权重表示各影响因本文档来自技高网...

【技术保护点】
1.一种数量预测方法，其特征在于，所述方法包括：/n获取车辆配件预设影响因子的权重排序结果；所述影响因子的权重表示各影响因子对车辆配件需求影响的概率；所述预设影响因子表示影响车辆配件的因素；/n根据所述权重排序结果，筛选出车辆故障相关的因子作为车辆故障指标、筛选出车辆配件相关的因子作为配件需求指标；/n采用预设的算法，根据所述车辆故障指标和各所述车辆故障指标中因子的权重，确定预测时间段内的故障车数量；/n将所述预测时间段内的故障车数量，和所述配件需求指标，输入预设的预测神经网络模型中，得到所述预测时间段内各所述车辆配件的需求数据。/n

【技术特征摘要】
1.一种数量预测方法，其特征在于，所述方法包括：
获取车辆配件预设影响因子的权重排序结果；所述影响因子的权重表示各影响因子对车辆配件需求影响的概率；所述预设影响因子表示影响车辆配件的因素；
根据所述权重排序结果，筛选出车辆故障相关的因子作为车辆故障指标、筛选出车辆配件相关的因子作为配件需求指标；
采用预设的算法，根据所述车辆故障指标和各所述车辆故障指标中因子的权重，确定预测时间段内的故障车数量；
将所述预测时间段内的故障车数量，和所述配件需求指标，输入预设的预测神经网络模型中，得到所述预测时间段内各所述车辆配件的需求数据。


2.根据权利要求1所述的方法，其特征在于，所述获取车辆配件预设影响因子的权重排序结果，包括：
获取各所述预设影响因子的初始权重排序；
将各所述预设影响因子输入至预设的分类器中，验证各所述预设影响因子的权重，根据验证结果对所述初始权重排序进行校正，得到所述权重排序结果。


3.根据权利要求2所述的方法，其特征在于，所述根据验证结果对所述初始权重排序进行校正之前，所述方法还包括：
对各所述预设影响因子进行预处理，所述预处理包括删除配件质量问题引起的故障数据、删除配件名称重复导致的重复数据、对通用性配件和专用性配件的数据进行分类中的至少一个。


4.根据权利要求1所述的方法，其特征在于，在所述得到所述预测时间段内各所述车辆配件的需求数据之后，所述方法包括：
获取各所述车辆配件的历史需求预测数据和对应的历史实际消耗数据；
根据各所述车辆配件的历史需求预测数据和所述对应的历史实际消耗数据，确定误差率；
根据所述误差率，验证所述预测时间段内各所述车辆配件的需求数据的准确率。


5.根据权利要求1-4任一项所述的方法，其特征在于，所述预设影响因子至少包括：各城市投放车辆数量、天气情况、温度、翻台率、订单量、入库故障车数量、入库故障车故障点分布、入库车辆故障率、...

【专利技术属性】
技术研发人员：杨磊，潘莹，
申请(专利权)人：上海钧正网络科技有限公司，
类型：发明
国别省市：上海;31