一种基于模型融合的列车备件损耗预测方法技术

本发明专利技术公开了一种基于模型融合的列车备件损耗预测方法，属于备件损耗预测技术领域。将影响列车备件损耗的特征向量进行灰度关联分析得到第一数据集并归一化处理，分成数据A和数据B；利用数据A分别训练BP神经网络、SVM模型和CART模型，将数据B分别输入到训练后的BP神经网络、SVM模型和CART模型中得到组合预测数据库B

【技术实现步骤摘要】
一种基于模型融合的列车备件损耗预测方法


[0001]本专利技术属于备件损耗预测
，具体涉及一种基于模型融合的列车备件损耗预测方法。

技术介绍

[0002]在轨道交通日益发达的今天，我们国家的高铁铁路里程已经是世界第一。同时也应该看到如何保证后勤库存的有效供应。备件作为一种保障性物资，是不可或缺的物资，也是保证设备正常运行的关键性因素。企业在设备的运行过程中，如何在满足必要条件下，确定最低库存量，最好实现零库存是一个艰难的问题。库存数量过于充足能满足使用条件，但是也造成了大量的资金的消耗，不利于企业的扩张与前进；极少的库存，在遇到非常情况时，可能会造成重大的损失，不利于国计民生。
[0003]通常管理人员确定下一次的采购量一般是依据备件的ABC分类法来确定，也有使用灰色预测来确定，后来机器学习的兴起，逐渐有使用BP神经网络与SVM等常规的小样本数据处理模型。同时应该看到单个模型考虑的影响因素较少，以及模型的单一化造成的预测不准确缺点。备件的存储数量一直以来都是困扰库存管理人员的一大痛点。如何更好的预测下一季度的采购量是一个非常值得研究的问题。

技术实现思路

[0004]本专利技术的目的是为了准确的预测列车备件的采购量。
[0005]本专利技术提供了一种基于模型融合的列车备件损耗预测方法，包括以下步骤：步骤1：将影响列车备件损耗的特征向量进行灰度关联分析进行排序，再根据预设规则得到关键影响因素作为第一数据集；步骤2：将步骤1得到的第一数据集进行归一化处理；步骤3：将归一化后的第一数据集分成数据A和数据B；将数据A作为训练集，数据B作为测试集：利用训练集A分别训练BP神经网络、SVM模型和CART模型，然后将测试集B分别输入到训练后的BP神经网络、SVM模型和CART模型中得到得到组合预测数据库B
’
；将数据B作为训练集，数据A作为测试集：利用训练集B分别训练BP神经网络、SVM模型和CART模型，然后将测试集A分别输入到训练后的BP神经网络、SVM模型和CART模型中得到得到组合预测数据库A
’
；步骤4：将组合预测数据库A
’
、数据B、组合预测数据库B
’
和数据A构成第二数据集，将第二数据集输入到SVM模型中进行训练，得到最优的SVM模型；步骤5：将待预测数据输入到步骤3中训练后的BP神经网络、SVM模型和CART模型中得到三个数据，再将三个数据输入到步骤4最优的SVM模型中得到列车备件损耗预测数据。
[0006]进一步地限定，步骤1所述的列车备件损耗的特征向量为：载客量比、备件故障率、当季湿度天数占比、当季度异常天气占比、当季度温度天数占比、列车的使用时长、维修手
册数量、维护人员素质、维修人员数量和线路使用时长。
[0007]进一步地限定，步骤2所述的归一化处理的公式为：，式中，是归一化后的值，是该列元素的值，为该列中数值最小的元素值，为该列中数值最大的元素值。
[0008]进一步地限定，步骤3所述第一数据集是按照1:1比例分成训练集和测试集的。
[0009]进一步地限定，步骤3所述的BP神经网络的隐藏神经元个数为，其中是输入特征的个数，输出神经元的个数是1。
[0010]进一步地限定，步骤3所述SVM模型的核函数的宽带为0.1，惩罚参数设置为10。
[0011]进一步地限定，步骤3所述CART模型的最大深度为2。
[0012]进一步地限定，步骤4所述SVM模型的惩罚参数设置为2。
[0013]本专利技术提供了一种基于模型融合的列车备件损耗预测装置，包括：排序模块，用于将影响列车备件损耗的特征向量进行灰度关联分析进行排序，再根据预设规则得到关键影响因素作为第一数据集；数据处理模块，用于将第一数据集进行归一化处理；训练模块，用于将归一化后的第一数据集分成数据A和数据B；将数据A作为训练集，数据B作为测试集：利用训练集A分别训练BP神经网络、SVM模型和CART模型，然后将测试集B分别输入到训练后的BP神经网络、SVM模型和CART模型中得到组合预测数据库B
’
；将数据B作为训练集，数据A作为测试集：利用训练集B分别训练BP神经网络、SVM模型和CART模型，然后将测试集A分别输入到训练后的BP神经网络、SVM模型和CART模型中得到组合预测数据库A
’
；预测模块，用于将组合预测数据库A
’
、数据B、组合预测数据库B
’
和数据A构成第二数据集，将第二数据集输入到SVM模型中得到列车备件损耗预测数据。
[0014]本专利技术提供了一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述中任一所述的基于模型融合的列车备件损耗预测方法。
[0015]有益效果：1）提出基于BP神经网络、SVM模型、CART回归树模型预测和灰色预测相结合的模型可以很好的解决单个模型下数据预测不准确的缺点。通过引入灰色关联分析，可以很好的把握哪些影响因素是主要，哪些是次要，减少了非关键因素的影响。通过上述两者的结合方法可以很好的解决列车备件在实际需求中的备件消耗情况，更好的制定下一季度的采购量。在很大的程度上节约了资金，提升了企业的能效。
[0016]2）归一化的目的：消除量纲的影响。单个模型考虑的影响因素较少，以及模型的单一化造成的预测不准确缺点总体是：提升模型的精度；模型更加稳健。
[0017]3）将归一化后的数据集分成数据A和数据B，利用数据A进行三个训练模型进行训练后，进行数据集交叉训练后再混合数据集，弥补数据集少带来的训练欠拟合问题；常见模型结合的策略有平均法、投票法和学习法，而前两者过于简单且会引入主观因素，因此使用学习法。
[0018]4）SVM在小样本数据处理上具有良好的性质，因此使用其作为模型结合的策略。
附图说明
[0019]图1为本专利技术的训练流程图。
[0020]图2为三层神经网络模型。
[0021]图3为本专利技术的预测流程图。
具体实施方式
[0022]实施例1.训练流程图如图1所示，预测流程图如图3所示，一种基于模型融合的列车备件损耗预测方法，获得影响变量的方法：列车在行驶的过程中，并不是都在全封闭的环境中运行。针对现实情况，以及专家意见考虑到影响列车备件的因素主要有：1）列车运行时长：列车运行越久，其各项性能都会有一定程度的下降。2）外界的环境：环境越恶劣，对列车本身的运行会带来较大的影响，相应的备件损坏的概率越大。3）备件自身的质量：越好的备件，那么其使用时长越久，相应的采购量也会有所下降。4）列车的维保情况：同样使用时长的列车，维护的越好，其性能下降也会相应降低。我们选取某型号的列车备件，探究影响其损耗的因素。根据现实分析与专家意见我们提出下表1所示的影响因素：表1影响因素其中备件的故障率可以通过备件供应企业查到，天气环境可以通过查看气象局网站历年的数据可以计算的来，备件的消耗量与维护人本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模型融合的列车备件损耗预测方法，其特征在于，包括以下步骤：步骤1：将影响列车备件损耗的特征向量进行灰度关联分析进行排序，再根据预设规则得到关键影响因素作为第一数据集；步骤2：将步骤1得到的第一数据集进行归一化处理；步骤3：将归一化后的第一数据集分成数据A和数据B；将数据A作为训练集，数据B作为测试集：利用训练集A分别训练BP神经网络、SVM模型和CART模型，然后将测试集B分别输入到训练后的BP神经网络、SVM模型和CART模型中得到组合预测数据库B
’
；将数据B作为训练集，数据A作为测试集：利用训练集B分别训练BP神经网络、SVM模型和CART模型，然后将测试集A分别输入到训练后的BP神经网络、SVM模型和CART模型中得到组合预测数据库A
’
；步骤4：将组合预测数据库A
’
、数据B、组合预测数据库B
’
和数据A构成第二数据集，将第二数据集输入到SVM模型中进行训练，得到最优的SVM模型；步骤5：将待预测数据输入到步骤3中训练后的BP神经网络、SVM模型和CART模型中得到三个数据，再将三个数据输入到步骤4最优的SVM模型中得到列车备件损耗预测数据。2.根据权利要求1所述的列车备件损耗预测方法，其特征在于，步骤1所述的列车备件损耗的特征向量为：载客量比、备件故障率、当季湿度天数占比、当季度异常天气占比、当季度温度天数占比、列车的使用时长、维修手册数量、维护人员素质、维修人员数量和线路使用时长。3.根据权利要求1所述的列车备件损耗预测方法，其特征在于，步骤2所述的归一化处理的公式为：，式中，是归一化后的值，是该列元素的值，为该列中数值最小的元素值，为该列中数值最大的元素值。4.根据权利要求1所述的列车备件损耗预测方法，其特征在于，步骤3所述第一数据集是按照1:1比例分成数据A...

【专利技术属性】
技术研发人员：吴雷，袁志宏，康俊利，郑剑英，
申请(专利权)人：北京磁浮有限公司，
类型：发明
国别省市：