一种基于VMD的农机备件需求预测方法技术

本发明专利技术公开了一种基于VMD的农机备件需求预测方法，该方法包括：使用VMD算法对原始序列f(t)进行分解，以各分量之和与原始序列数据的平均绝对误差最小为目标，进行迭代寻优，确定模态分量个数K和惩罚参数α；将对应组的测试样本Y1输入到训练好的贝叶斯回归模型进行预测，得到预测结果最终得到K组预测结果；根据变分模态分解的基本原理，将各模态分量的预测结果进行数值相加，则得到了最终的备件需求预测结果本发明专利技术提供一种基于VMD的农机备件需求预测方法，该方法能避免收集和筛选与农机备件相关的影响因素这一难点，并在小样本数据的预测中具有较好的预测精度。据的预测中具有较好的预测精度。据的预测中具有较好的预测精度。

【技术实现步骤摘要】
一种基于VMD的农机备件需求预测方法


[0001]本专利技术涉及农机需求量预测
，具体涉及了一种基于VMD的农机备件需求预测方法。

技术介绍

[0002]农业机械作为我国现代化农业建设中必不可少的一部分，近些年来，随着制造技术水平的提高，使得农业机械得到广泛发展，农机投入日益增多，对农机备件的需求逐渐增大。为避免因备件短缺而造成的设备停工现象，并能在农机发生故障时及时的更换零配件，使农机恢复作业能力，保障农机用户的经济收益，充足的维修备件是基础。因此，农机企业为保证农机的正常运行，生产过程的连续性，同时考虑备件的库管成本，精准的备件需求预测就显得十分重要。
[0003]目前，针对农机备件需求预测的研究中，主要分成基于人工智能的预测方法和基于时间序列的预测方法两种。基于人工智能的备件需求预测方法包括BP神经网络、LSTM神经网络和支持向量机等，对备件需求历史数据以及备件需求量关系密切的影响因素进行学习训练，从而进行预测，这种方法能较好的处理非线性的问题，但需要提供大量的样本数据以提高预测精度。基于时间序列的预测方法包括指数平滑法、自回归滑动平均模型以及ARIMA等，该方法因避免了收集和筛选备件需求量的影响因素这个难点，而得到广泛应用，但其预测精度仍需要大量的备件历史数据作为支撑。

技术实现思路

[0004]本专利技术的目的在于克服现有农机备件需求预测方法的不足，提供一种基于VMD的农机备件需求预测方法，该方法能避免收集和筛选与农机备件相关的影响因素这一难点，并在小样本数据的预测中具有较好的预测精度。
[0005]本专利技术公开了一种基于VMD的农机备件需求预测方法，所述方法包括：获取农机备件的历史月度需求数据，记为原始序列f(t)；
[0006]使用VMD算法对原始序列f(t)进行分解，以各分量之和与原始序列数据的平均绝对误差最小为目标，进行迭代寻优，确定模态分量个数K和惩罚参数α；
[0007]将一组训练样本X输入到贝叶斯回归模型中进行训练，得到训练好的贝叶斯回归模型，将对应组的测试样本Y1输入到训练好的贝叶斯回归模型进行预测，得到预测结果最终得到K组预测结果；
[0008]将每个模态分量的预测结果分别进行反归一化处理；
[0009]根据变分模态分解的基本原理，将各模态分量的预测结果进行数值相加，则得到了最终的备件需求预测结果
[0010]优选地，通过VMD确定模态分量函数包括：
[0011]建立变分模型；
[0012]求解所述变分模型；
[0013]将每个模态分量的分别进行归一化处理；
[0014]取各个模态分量的前n个数据作为训练集，最后m个数据作为测试集；采用滑动窗口的方法，窗口长度设定为r，对每个分量分别进行处理，构建出训练样本X，使得X＝{X1，X2}和测试样本Y，使得Y＝{Y1，Y2}，得到K组训练样本和测试样本。
[0015]优选地，所述建立变分模型；具体包括：
[0016]设定农机备件的需求量的时间序列为f(t)，采用VMD将f(t)分解成K个具有中心频率的有限带宽的模态分量函数u
k
(t)，k＝1，2，...，K，同时各模态分量的估计带宽之和最小，并以所有模态分量函数之和与原始序列相等作为约束条件，则构建VMD约束变分模型。
[0017]优选地，构建VMD约束变分模型包括：
[0018]对各个模态分量函数进行希尔伯特变换，得到f(t)的解析信号u
k
(t)；
[0019]式中：δ(t)为冲击响应，*为卷积运算；
[0020]将上式与指数算子相乘，使每个模态分量函数的频谱调制到相应的基频带上，即：式中：ω
k
为每个模态分量函数的中心频率；
[0021]通过高斯平滑对信号解调，得到各模态分量函数的估计带宽，并以带宽之和最小为目标，构建VMD约束变分模型如下：
[0022][0023]式中：u
k
＝{u1，u2，...，u
k
}为各模态分量函数。
[0024]优选地，所述求解所述变分模型，包括；
[0025]引入惩罚参数α和增广拉格朗日函数λ(t)，将约束变分问题转变为非约束变分问题，增广后的表达式为：
[0026][0027]式中：α为惩罚参数，λ(t)为增广拉格朗日函数，<
·
>为内积运算；
[0028]利用交替方向乘子法连续更新各模态分量及其中心频率，寻找上式的鞍点，最终得到无约束模型的鞍点；也就是原约束模型的最佳解，各模态分量可由下式计算得到：
[0029][0030]上式中，分别是对应于f(t)，λ(t)的傅里叶变换；
[0031]同理，和λ
n+1
的更新表达式为：
[0032][0033][0034]式中：τ为更新参数；对更新得到进行傅里叶变换，就可以得到分解后的变分模态函数u
k
(t)(k＝1，2，...，K)。
[0035]优选地，所述取各个模态分量的前n个数据作为训练集，最后m个数据作为测试集；采用滑动窗口的方法，窗口长度设定为r，对每个分量分别进行处理，构建出训练样本X，使得X＝{X1，X2}和测试样本Y，使得Y＝{Y1，Y2}，得到K组训练样本和测试样本，具体包括：取各个模态分量的前31个数据作为训练集，最后5个数据作为测试集。采用滑动窗口的方法，窗口长度设定为5，对每个分量分别进行处理，构建出训练样本X，使得X＝{X1，X2}和测试样本Y，使得Y＝{Y1，Y2}，其中X1为26
×
5的矩阵，X2为26
×
1的矩阵，Y1为5
×
5的矩阵，Y2为5
×
1的矩阵，最终得到K组训练样本和测试样本。
[0036]本专利技术通过VMD与贝叶斯回归组合模型，避免了收集与农机备件相关的影响因素这一难点，且能在小样本数据的预测中，具有较高的预测精度；能在小样本数据的预测中，仍具有较好的预测精度。
附图说明
[0037]此处的附图被并入说明书中并构成本说明书的一部分，标示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。
[0038]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0039]图1为本专利技术提出的一种基于VMD的农机备件需求预测方法的流程图；
[0040]图2为本专利技术提出的一种基于VMD的农机备件需求预测方法的测试结果图。
具体实施方式
[0041]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于VMD的农机备件需求预测方法，其特征在于，包括：获取农机备件的历史月度需求数据，记为原始序列f(t)；使用VMD算法对原始序列f(t)进行分解，以各分量之和与原始序列数据的平均绝对误差最小为目标，进行迭代寻优，确定模态分量个数K和惩罚参数α；将一组训练样本X输入到贝叶斯回归模型中进行训练，得到训练好的贝叶斯回归模型，将对应组的测试样本Y1输入到训练好的贝叶斯回归模型进行预测，得到预测结果最终得到K组预测结果；将每个模态分量的预测结果分别进行反归一化处理；根据变分模态分解的基本原理，将各模态分量的预测结果进行数值相加，则得到了最终的备件需求预测结果2.根据权利要求1的基于VMD的农机备件需求预测方法，其特征在于，通过VMD确定模态分量函数包括：建立变分模型；求解所述变分模型；将每个模态分量的分别进行归一化处理；取各个模态分量的前n个数据作为训练集，最后m个数据作为测试集；采用滑动窗口的方法，窗口长度设定为r，对每个分量分别进行处理，构建出训练样本X，使得X＝{X1,X2}和测试样本Y，使得Y＝{Y1,Y2}，得到K组训练样本和测试样本。3.根据权利要求2的一种基于VMD的农机备件需求预测方法，其特征在于，所述建立变分模型；具体包括：设定农机备件的需求量的时间序列为f(t)，采用VMD将f(t)分解成K个具有中心频率的有限带宽的模态分量函数u
k
(t)，k＝1,2,
…
,K，同时各模态分量的估计带宽之和最小，并以所有模态分量函数之和与原始序列相等作为约束条件，则构建VMD约束变分模型。4.根据权利要求3的一种基于VMD的农机备件需求预测方法，其特征在于，构建VMD约束变分模型包括：对各个模态分量函数进行希尔伯特变换，得到f(t)的解析信号u
k
(t)；式中：δ(t)为冲击响应，*为卷积运算；将上式与指数算子相乘，使每个模态分量函数的频谱调制到相应的基频带上，即：式中：ω
k
为每个模态分量函数的中心频率；通过高斯平滑对信号...

【专利技术属性】
技术研发人员：张智刚，卢跃腾，吕盛坪，张闻宇，张帆，王奔，刘文锴，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：