一种基于RNN网络预测物资采购需求量的方法技术

本发明专利技术公开了一种基于RNN网络预测物资采购需求量的方法，包括以下步骤：S1：采用预设方法对预先采集的数据进行数据处理；S2：通过预设方法对原预测模型和循环神经网络模型进行对比；S3：采用预设方法构建RNN模型，并将所述处理后的数据作为所述RNN模型的输入，获取预测值。有益效果：通过构建基于RNN网络的物资采购预测模型并进行训练，考虑历史采购量之间的时序关系，根据时间序列增加或减少水平，能够随着时间的推移不断重复模式，相比于传统的原预测模型，有效地提升了模型的预测精确度。

A method of forecasting material purchase demand based on RNN network

【技术实现步骤摘要】
一种基于RNN网络预测物资采购需求量的方法
本专利技术涉及预测物资采购需求方法
，具体来说，涉及一种基于RNN网络预测物资采购需求量的方法。
技术介绍
当前，我国社会经济快速发展，各个职能部门，如电力部门，对于物资的需求越来越高，这促进了电网工程市场的繁荣，也对相关企业提出了更大的挑战，只有进一步优化企业管理和各种资源配置，提高资源利用率和工程设计开发效率，才能适应市场新情况，迎接各种挑战。以电力部门、企业为例，如何准确预测变电站及配网工程的物资需求、在保障工程进度的前提下提高资金利用率，节约成本，具有重要意义，有助于提升这些部门、企业的竞争力。在物资需求预测方面，现有技术中一般使用采购物资需求预测模型进行预测，该模型首先通过对近三年可研批复数据和综合计划数据以及项目物资历史采购订单的整理，得到项目实际计划采购金额、实际采购金额、电压等级以及相关小类采购情况等属性信息，然后通过项目的属性信息对项目进行聚类，并确认聚类结果所属的项目类型，接着以总投资金额和项目类型为出发点，同时考虑到年度增长率、项目批复影响因素、物资单价浮动、设备使用状态等要素，对小类采购量进行回归分析，剔除不显著的影响因素，得到多因素的回归系数，最后通过得到的多元回归模型以及未来一段时间内相关因素的取值预测各类物资采购需求量。但是，现有的采购物资需求预测模型存在以下缺陷：1、数据冗余、离散，物品购买量波动大，没有对采购数据进行数据清洗，忽略了异常值对预测带来的影响；2、采购需求的影响因子太多，普通的线性回归模型并不能很好的拟合出预测函数；3、没有考虑历史采购量之间的时序关系，预测精确度较低。针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
(一)解决的技术问题针对现有技术的不足，本专利技术提供了基于RNN网络预测物资采购需求量的方法，具备预测精度高，可实现采购优化及成本优化的目的，进而解决
技术介绍
中的问题。(二)技术方案为实现上述具备预测精度高，可实现采购优化及成本优化的目的，本专利技术采用的具体技术方案如下：一种基于RNN网络预测物资采购需求量的方法，包括以下步骤：S1：采用预设方法对预先采集的数据进行数据处理；S2：通过预设方法对原预测模型和循环神经网络模型进行对比；S3：采用预设方法构建RNN模型，并将所述处理后的数据作为所述RNN模型的输入，获取预测值。作为优选，所述步骤S1采用预设方法对预先采集的数据进行数据处理具体包括以下步骤：S11：通过预备的数据库进行所需数据的采集，得到采集数据；S12：通过预设方法对所述采集数据进行数据清洗，得到处理后的数据。通过上述处理，可以得到更加客观真实的购买量。作为优选，所述步骤S12通过预设方法对所述采集数据进行数据清洗，得到处理后的数据具体包括以下步骤：S121：对所述采集数据中的原始时序数据进行随机采样和估计得到多条估计数据，并对随机采样产生的空缺点补齐，获得多条补齐估计数据；S122：按采样时间点对所有的所述补齐估计数据进行分类，获得多组时间分类数据，并对每组所述时间分类数据按照大小进行排序得到多组排序数组；S123：对多组所述排序数组进行处理获得多个对应的平均值数据，并通过多个所述平均值数据构成均值序列；S124：输出所述均值序列，即完成对购买量异常数据的清除，得到处理后的数据。通过上述处理，有效地去掉了异常过高过低购买量，使得数据离散性低，具有一定规律性。作为优选，所述步骤S2通过预设方法对原预测模型和循环神经网络模型进行对比具体包括以下步骤：将原预测模型和循环神经网络模型从数据处理、函数关系、时间依赖性、趋势4个方面进行对比分析，针对原预测模型的缺陷找出更合适的预测模型。通过上述处理，可以针对原预测模型的缺陷找出更合适的预测模型。作为优选，所述步骤S3采用预设方法构建RNN模型，并将所述处理后的数据作为所述RNN模型的输入，获取预测值具体包括以下步骤：S31：假设当前的状态只与前面的几个状态相关，构建RNN模型，得到所述RNN模型的数学表达式：St＝f(U*xt+W*St-1+b)，Ot＝f(V*St+c)；其中，U，W，V，b，c为模型需要学习更新的参数，x为一个序列的输入，即为数据清洗后的数据，标记为{x1,x2,……xt……}，xt代表时刻为t时刻的输入，s为隐含单元，标记为{S1,S2,……St……}，St为t时刻的隐含层状态，作为下一层的输入，也就是模型每一层的输入有两个，一个是xt，一个是上一层的状态St-1，Ot代表时刻t的输出，f为非线性的激活函数tanh，其表达式为：其中ez表示指数函数，z为函数的输入；S32：对所述RNN模型进行网络训练，并采用最小化损失函数来更新模型参数，损失函数的公式为：其中N表示数据数目，xt代表时刻为t时刻的输入，Ot代表时刻t的输出；S33：当所述RNN模型训练好以后，即损失函数足够小时，将处理后的t时刻数据输入训练好的所述RNN模型中，得到t+1时刻的数据，即为预测值。通过上述处理，可以得到RNN模型，并可以通过RNN模型获取预测值。作为优选，所述步骤S32中对所述RNN模型进行网络训练还包括以下步骤：在训练所述RNN模型时，分别以1天、7天、8天、10天、12天为周期进行训练，然后选取效果最好的模型进行预测。通过上述处理，可以得到更好地训练结果。作为优选，所述步骤S32中对所述RNN模型进行网络训练还包括以下步骤：对于训练不足的情况，通过增加网络中的节点，或者增加网络的训练周期来达到训练效果；对于过度拟合的情况，通多减少或控制训练周期，在数据出现拐点前，停止对网络的训练来达到训练效果。通过上述处理，保证了RNN模型的训练效果。作为优选，所述步骤S33中将处理后的t时刻数据输入训练好的所述RNN模型中还包括以下步骤：采用归一化来对处理后t时刻的数据进行再处理，归一化公式为：x＝(x-μ)/σ，其中，x表示原值，μ表示均值，σ表示方差。通过上述处理，可以得到更加合理的输入数据。(三)有益效果与现有技术相比，本专利技术提供了基于RNN网络预测物资采购需求量的方法，具备以下有益效果：(1)、本专利技术通过数据清洗对数据进行处理，去掉了异常过高过低购买量，使得数据离散性低，具有一定规律性，从而有效地避免了异常值对预测带来的影响，提高了其预测精度。(2)、本专利技术通过对比原预测模型和循环神经网络模型，构建RNN模型，通过非线性关系可以更好的拟合复杂的关节分布，良好的映射输入输出之间的关系，使预测模型能够灵活应用于负责的关节分布，保证其预测效果。(3)、本专利技术通过构建基于RNN网络的物资采购预测模型并进行训练，考虑历史采购量之间的时序关系，根据时间序列增加或减少水平，能够随着时间的推移不断重复模式，提升了模型的预测精确度。附图说明为了更清楚地说明本文档来自技高网...

【技术保护点】
1.一种基于RNN网络预测物资采购需求量的方法，其特征在于，包括以下步骤：/nS1：采用预设方法对预先采集的数据进行数据处理；/nS2：通过预设方法对原预测模型和循环神经网络模型进行对比；/nS3：采用预设方法构建RNN模型，并将所述处理后的数据作为所述RNN模型的输入，获取预测值。/n

【技术特征摘要】
1.一种基于RNN网络预测物资采购需求量的方法，其特征在于，包括以下步骤：
S1：采用预设方法对预先采集的数据进行数据处理；
S2：通过预设方法对原预测模型和循环神经网络模型进行对比；
S3：采用预设方法构建RNN模型，并将所述处理后的数据作为所述RNN模型的输入，获取预测值。


2.根据权利要求1所述的一种基于RNN网络预测物资采购需求量的方法，其特征在于，所述步骤S1采用预设方法对预先采集的数据进行数据处理具体包括以下步骤：
S11：通过预备的数据库进行所需数据的采集，得到采集的数据；
S12：通过预设方法对所述采集数据进行数据清洗，得到处理后的数据。


3.根据权利要求2所述的一种基于RNN网络预测物资采购需求量的方法，其特征在于，所述步骤S12通过预设方法对所述采集数据进行数据清洗，得到处理后的数据具体包括以下步骤：
S121：对所述采集数据中的原始时序数据进行随机采样和得到多条估计数据，并对随机采样产生的空缺点补齐，获得多条补齐估计数据；
S122：按采样时间点对所有的所述补齐估计数据进行分类，获得多组时间分类数据，并对每组所述时间分类数据按照大小进行排序得到多组排序数组；
S123：对多组所述排序数组进行处理获得多个对应的平均值数据，并通过多个所述平均值数据构成均值序列；
S124：输出所述均值序列，即完成对购买量异常数据的清除，得到处理后的数据。


4.根据权利要求1所述的一种基于RNN网络预测物资采购需求量的方法，其特征在于，所述步骤S2通过预设方法对原预测模型和循环神经网络模型进行对比具体包括以下步骤：将原预测模型和循环神经网络模型从数据处理、函数关系、时间依赖性、趋势4个方面进行对比分析，针对原预测模型的缺陷找出更合适的预测模型。


5.根据权利要求1所述的一种基于RNN网络预测物资采购需求量的方法，其特征在于，所述步骤S3采用预设方法构建RNN模型，并将所述处理后的数据作为所述RNN模型的输入，获取预测值具体包括以下步骤：
S31：假设当前的状态只与前面的几个...

【专利技术属性】
技术研发人员：张建中，邱玲，廖海涛，杨婷婷，陈丽娟，谢毓玮，曾繁波，向俊儒，张晨，刘启姝，冯亚，蒲繁荣，邓伦兵，邓燕晶，柴海洋，张欣，
申请(专利权)人：国家电网有限公司，国网重庆市电力公司，国网重庆市电力公司物资分公司，
类型：发明
国别省市：北京;11