本发明专利技术我公开基于知识图谱进行库存消耗预测的方法、系统和存储介质，包括：获取设备主数据、备件主数据、设备的历史维修领用工单数据、设备维修计划和备件库存领用记录；对获取的所有异构数据进行聚合；基于聚合后的数据抽取设备实体和备件实体、实体之间的关系进而得到备件知识图谱；基于备件知识图谱，确定各备件的历史需求目标数量；根据历史需求目标总量以及历史各备件的消耗速率预测获得未来一个维修周期的需求目标总量的消耗速率和消耗天数。本发明专利技术能够实现长短周期覆盖的需求满足量计算；科学预测出未来一个维修周期的需求目标总量的消耗速率和消耗天数，为采购策略提供科学支撑。学支撑。学支撑。
【技术实现步骤摘要】
基于NPL和知识图谱的库存消耗预测方法、系统和存储介质
[0001]本专利技术涉及人工智能
，尤其涉及基于NPL和知识图谱的库存消耗预测方法及系统。
技术介绍
[0002]针对如何确认备件的采购量来说，目前比较常见的做法是根据设备的运行状态、大修计划，结合ERP系统中的（设备材料清单）BOM输出物料层面的需求计划，通过运行物资需求计划（ Material Requirement Planning，MRP），自动生成物料层面的需求预测。可是就预测结果来看，备件的需求预测准确度难以达标，大数据集的物料采购量还是需要依赖人工的经验和直觉进行判断，因为这期间会经常性的发生设备配置变更、关键零部件改变，但是ERP系统中的（设备材料清单）BOM却没有更新，这个要求无形中框定了人员的高要求，并且即便有足够的符合条件的人，对需求量的直觉性把控也无法提升库存的有货率、降低积压库存，因为人本身对需求的判断出发点总是会靠近要保证在需要的时候一定有足够的量可以提供，因此都会在一定程度上造成库存积压，这样依旧没有做到贴近需求时间点提供合理的需求量，库存消耗预测的准确度依旧无法得到提升。因此物料的需求来源从系统层面无法得到充分输入，直接导致物料的需求量无法准确覆盖企业真实需求。
技术实现思路
[0003]本专利技术旨在解决现有技术没有做到贴近需求时间点提供合理的需求量，库存消耗预测的准确度依旧无法得到提升的问题，提供基于NPL（natural languageprocessing,自然语言处理）和知识图谱进行库存消耗预测的方法。
[0004]为实现上述技术目的，本专利技术采用以下技术方案。
[0005]第一方面，本专利技术提供基于NPL和知识图谱的库存消耗预测方法，包括：获取设备主数据、备件主数据、设备的历史维修领用工单数据、设备维修计划和备件库存领用记录；对获取的所有异构数据进行聚合；基于聚合后的数据获得设备维度数据和备件维度数据，从备件维度数据中提取非结构化的维修领用工单描述型数据；基于维修领用工单描述型数据中抽取设备实体和备件实体，确定实体之间的关系；根据设备维度数据和备件维度数据确定各实体的属性；根据各实体、实体之间的关系以及各实体的属性得到备件知识图谱；基于备件知识图谱，确定各备件的历史需求目标数量；根据历史需求目标总量以及历史各备件的消耗速率预测获得未来一个维修周期的需求目标总量的消耗速率和消耗天数。
[0006]进一步地，基于维修领用工单描述型数据中抽取设备实体、备件实体，确定实体之间的关系，包括：基于设备维修术语、设备标识编码、设备名称和设备系统对维修领用工单描述型数据进行分词；
对分词结果进行数据清洗，去除无意义数据、属性和特殊符号；对清洗结果进行拼写纠错，根据术语库进行无效单词过滤；对清洗结果进行实体抽取，根据备件主数据、设备主数据作为规则库，抽取备件实体和设备实体；基于设备维度数据和备件维度数据，对清洗结果进行关系抽取，根据表达关系的名词，获取实体之间的关系。
[0007]进一步地，基于备件知识图谱，确定各备件的历史需求目标数量，包括：各备件为中心、以设备为对象点的关系线，由设备实体的“维修周期”属性得到设备的维修周期；确定设备的维修周期内，备件的领用次数和每次领用的领用量，根据领用次数和每次领用的领用量确定计划维修周期内的历史领用总量。
[0008]再进一步地，若设备的维修周期多于一个，则分别确定各计划维修周期内覆盖的历史领用集合，所述历史领用集合包括各个计划维修周期内备件的领用次数和每次领用的领用量；根据历史领用集合确定历史领用总量。
[0009]进一步地，根据历史需求目标总量以及各备件的历史消耗速率预测获得目标需求总量的消耗速率和消耗天数，包括：确定各备件的历史消耗速率；基于已经确定的各备件的历史消耗速率v，采用机器学习方法预测获得备件未来一个维修周期的的消耗速率；根据公式Q/v计算得到历史需求目标总量的历史消耗天数，其中Q为历史需求目标总量；基于已经确定的各备件的历史消耗天数，采用机器学习方法预测获得备件未来一个维修周期的消耗天数。
[0010]再进一步地，所述机器学习方法为随机森林回归方法。
[0011]进一步地，根据历史需求目标总量和消耗持续的时间（备件的两次领用的时间间隔）得到备件的历史消耗速率。
[0012]第二方面，本专利技术提供了基于NPL和知识图谱的库存消耗预测系统，包括：数据聚合模块，用于获取设备主数据、备件主数据、设备的历史维修领用工单数据、设备维修计划和备件库存领用记录；对获取的所有异构数据进行聚合；备件知识图谱构建模块，用于基于聚合后的数据获得设备维度数据和备件维度数据，从备件维度数据中提取非结构化的维修领用工单描述型数据；从维修领用工单描述型数据中抽取设备实体、备件实体信息和实体之间的关系；根据设备维度数据和备件维度数据确定各实体的属性；根据各实体、实体之间的关系以及各实体的属性得到备件知识图谱;库存消耗预测模块，用于基于备件知识图谱，确定各备件的历史需求目标数量；根据历史需求目标总量以及各备件的历史消耗速率预测获得未来一个维修周期的需求目标总量的消耗速率和消耗天数。
[0013]本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如第一方面所述方法的任意可能的实施例的步骤。
[0014]本专利技术所取得的有益技术效果：本专利技术提供的基于NPL和知识图谱的库存消耗预测方法无需人工手动分析、整理、计算数据，能根据备件知识图谱对备件与设备、备件与备
件之前的关系实现长短周期覆盖的需求满足量计算，科学预测出未来一个维修周期的需求目标总量的消耗速率和消耗天数；能根据备件消耗速率的变化直接影响其采购策略；有可靠的科学算法为依托，计算结果考虑更全面，更具有参考性和指导性。
附图说明
[0015]图1为本专利技术实施例提供的基于NPL和知识图谱的库存消耗预测方法；图2为本专利技术实施例中备件知识图谱示意图。
具体实施方式
[0016]以下结合说明书附图和具体实施例对本专利技术做进一步详细介绍。
[0017]实施例1：基于NPL和知识图谱的库存消耗预测方法，如图1所示，包括：获取设备主数据、备件主数据、设备的历史维修领用工单数据、设备维修计划和备件库存领用记录；对获取的所有异构数据进行聚合；基于聚合后的数据获得设备维度数据和备件维度数据，从备件维度数据中提取非结构化的维修领用工单描述型数据；基于维修领用工单描述型数据中抽取设备实体和备件实体，确定实体之间的关系；根据设备维度数据和备件维度数据确定各实体的属性；根据各实体、实体之间的关系以及各实体的属性得到备件知识图谱；基于备件知识图谱，确定各备件的历史需求目标数量；根据历史需求目标总量以及历史各备件的消耗速率预测获得未来一个维修周期的需求目标总量的消耗速率和消耗天数。
[0018]具体实施例中，设备主数据包括设备名称、设备标识编码和设备描述信息；备件主数据包括备件名称、备件标识编码和备件本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于NPL和知识图谱的库存消耗预测方法，其特征在于，包括：获取设备主数据、备件主数据、设备的历史维修领用工单数据、设备维修计划和备件库存领用记录；对获取的所有异构数据进行聚合；基于聚合后的数据获得设备维度数据和备件维度数据，从备件维度数据中提取非结构化的维修领用工单描述型数据；基于维修领用工单描述型数据中抽取设备实体和备件实体，确定实体之间的关系；根据设备维度数据和备件维度数据确定各实体的属性；根据各实体、实体之间的关系以及各实体的属性得到备件知识图谱；基于备件知识图谱，确定各备件的历史需求目标数量；根据历史需求目标总量以及历史各备件的消耗速率预测获得未来一个维修周期的需求目标总量的消耗速率和消耗天数。2.如权利要求1所述的基于NPL和知识图谱的库存消耗预测方法，其特征在于，基于维修领用工单描述型数据中抽取设备实体、备件实体，确定实体之间的关系，包括：基于设备维修术语、设备标识编码、设备名称和设备系统对维修领用工单描述型数据进行分词；对分词结果进行数据清洗，去除无意义数据、属性和特殊符号；对清洗结果进行拼写纠错，根据术语库进行无效单词过滤；对清洗结果进行实体抽取，根据备件主数据、设备主数据作为规则库，抽取备件实体和设备实体；基于设备维度数据和备件维度数据，对清洗结果进行关系抽取，根据表达关系的名词，获取实体之间的关系。3.如权利要求1所述的基于NPL和知识图谱的库存消耗预测方法，其特征在于，基于备件知识图谱，确定各备件的历史需求目标数量，包括：各备件为中心、以设备为对象点的关系线，由设备实体的“维修周期”属性得到设备的维修周期；确定设备的维修周期内，备件的领用次数和每次领用的领用量，根据领用次数和每次领用的领用量确定计划维修周期内的历史领用总量。4.如权利要求3所述的基于NPL和知识图谱的库存消耗预测方法，其特征在于，若设备的维修周期多于一个，则分别确定各计划维修周期内覆盖的历史领用集合，所述历史领用集合包括各个计划维修周期内备件...
【专利技术属性】
技术研发人员：王妍苹，陈哲，
申请(专利权)人：南京英诺森软件科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。