一种基于GRU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GRU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GRU模型，并将所述处理后的数据作为所述GRU模型的输入，获取预测值。有益效果：通过建立GRU模型，从而减少了训练更新的参数，使GRU模型结构更加简单，大大减少了训练时间，进而优化了物品采购预测模型，提升预测精确度。

【技术实现步骤摘要】
一种基于GRU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GRU网络预测物资采购需求量的方法。
技术介绍
随着我国社会经济快速发展，资源管理与资源的配置已深入人心，资源是公司成长的基础。没有充分的优势资源，企业是很难发展的。如果企业不清楚自己的资源构成，也就做不到知己知彼，根本不可能在竞争中取胜。相反，如果对自己的资源构成、竞争者的资源构成都非常清楚的话，就能够准确地对各种形势做出判断。因此，我们要合理的利用、配置好资源。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，接着以总投本文档来自技高网...

【技术保护点】
1.一种基于GRU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GRU模型，并将所述处理后的数据作为所述GRU模型的输入，获取预测值。/n

【技术特征摘要】
1.一种基于GRU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GRU模型，并将所述处理后的数据作为所述GRU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GRU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GRU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GRU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GRU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GRU模型，并将所述处理后的数据作为所述GRU模型的输入，获取预测...

【专利技术属性】
技术研发人员：邱玲，张建中，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