本申请提供了一种备件量预测方法及装置，该方法包括：将待预测产品的各个备件在当前时刻的数据输入到预训练好的特征提取模型中，得到特征提取模型确定的各个备件的第一特征，第一特征用于表征各个备件的当前数量及各个备件与其它备件之间的关系，及待预测产品在不同时刻的备件量变化情况；至少将各个备件的第一特征输入到预测模型中，得到预测模型确定的各个备件在当前时刻之后的指定时间段的备件量数据，预测模型用于基于特征提取模型根据各个备件的历史数据所确定的各个备件的第一特征，确定各个备件在未来时间段的备件量数据。确定各个备件在未来时间段的备件量数据。确定各个备件在未来时间段的备件量数据。
【技术实现步骤摘要】
一种备件量预测方法及装置
[0001]本申请涉及计算机
，特别涉及一种备件量预测方法及装置。
技术介绍
[0002]备件是指生产设备在正常运行的情况下，为保证安全生产必须预先储备的设备、部件、材料和配件。目前在生产厂商、面向消费者的商场等方面均需要进行产品的备件管理，使得产品的备件的数量能够满足合理的消耗。其中，进行有效的备件管理可以基于对在未来时间内的备件数量做出的预测的结果。
[0003]但是，如何对备件数量进行预测成为问题。
技术实现思路
[0004]本申请提供如下技术方案：
[0005]本申请提供一种备件量预测方法，包括：
[0006]将待预测产品的各个备件在当前时刻的数据输入到预训练好的特征提取模型中，得到所述特征提取模型确定的各个所述备件的第一特征，所述第一特征用于表征各个所述备件的当前数量及各个所述备件与其它所述备件之间的关系，及所述待预测产品在不同时刻的备件量变化情况；
[0007]至少将各个所述备件的第一特征输入到预测模型中，得到所述预测模型确定的各个所述备件在当前时刻之后的指定时间段的备件量数据，所述预测模型用于基于所述特征提取模型根据各个所述备件的历史数据所确定的各个所述备件的第一特征，确定各个所述备件在未来时间段的备件量数据。
[0008]至少将各个所述备件的第一特征输入到预测模型中，得到所述预测模型确定的各个所述备件在当前时刻之后的指定时间段的备件量数据，包括：
[0009]获得所述待预测产品对应的第二特征，所述第二特征为基于所述待预测产品在当前时刻的关联数据确定得到的，所述关联数据与所述待预测产品的备件的备件量相关；
[0010]将各个所述备件的第一特征及所述待预测产品对应的第二特征输入到预测模型中，得到所述预测模型确定的各个所述备件在当前时刻之后的指定时间段的备件量数据。
[0011]将各个所述备件的第一特征及所述待预测产品对应的第二特征输入到预测模型中，得到所述预测模型确定的各个所述备件在当前时刻之后的指定时间段的备件量数据，包括：
[0012]对各个所述备件的第一特征及所述待预测产品对应的第二特征进行组合，得到组合特征，将所述组合特征输入到预测模型中，得到所述预测模型确定的各个所述备件在当前时刻之后的指定时间段的备件量数据。
[0013]获得所述待预测产品对应的第二特征，包括：
[0014]获取所述待预测产品在当前时刻的关联数据；
[0015]基于所述关联数据构建得到知识图谱；
[0016]基于所述知识图谱，确定得到至少一个关联要素；
[0017]从至少一个关联要素中确定出满足设定条件的关联要素，以确定为第二特征。
[0018]基于所述知识图谱，确定得到至少一个关联要素，包括：
[0019]基于图结构推理算法从所述知识图谱中确定出图结构推理要素和所述图结构推理要素的第一分数；
[0020]基于关联规则挖掘算法从所述知识图谱中确定出关联规则挖掘要素和所述关联规则挖掘要素的第一分数；
[0021]从至少一个关联要素中确定出满足设定条件的关联要素，包括：
[0022]对所述图结构推理要素和所述关联规则挖掘要素进行打分，得到所述图结构推理要素的第二分数和所述关联规则挖掘要素的第二分数；
[0023]将所述图结构推理要素的第一分数、第二分数和所述关联规则挖掘要素的第一分数和第二分数输入到投票回归器，得到所述投票回归器确定的分数排列在前n个的要素。
[0024]所述特征提取模型通过以下方式预训练得到：
[0025]获取所述待预测产品对应的第一训练数据和第二训练数据；
[0026]基于所述第一训练数据和所述第二训练数据，确定特征提取模型对应的第一任务的第一损失函数值和第二任务的第二损失函数值，所述第一任务用于确定各个备件在当前时刻之前的第一指定时间段内的备件数量及各个所述备件之间关系，所述第二任务用于确定所述待预测产品在不同时刻的历史备件量变化情况；
[0027]在所述第一损失函数值和所述第二损失函数值满足设定阈值的情况下，结束预训练；
[0028]在所述第一损失函数值和所述第二损失函数值不满足所述设定阈值的情况下，调整所述特征提取模型的参数，返回执行获取所述待预测产品对应的第一训练数据和第二训练数据的步骤。
[0029]所述第一训练数据包括：对待预测产品的各个所述备件中至少一个备件在当前时刻之前的第一指定时间段内的备件数据进行修改，得到的各个所述备件的待使用备件数据；
[0030]所述第二训练数据，包括：所述待预测产品在当前时刻之前的第二指定时间段内的第一时间序列和第二时间序列，所述第一时间序列和所述第二时间序列连续或不连续；
[0031]所述基于所述第一训练数据和所述第二训练数据，确定特征提取模型对应的第一任务的第一损失函数值和第二任务的第二损失函数值，包括：
[0032]交替执行基于特征提取模型提取各个所述备件的待使用备件数据的第三特征，基于所述第三特征确定第一任务的第一损失函数值的步骤和基于所述特征提取模型提取所述第一时间序列和所述第二时间序列的第四特征，基于所述第四特征确定第二任务的第二损失函数值的步骤。
[0033]所述预测模型通过以下方式训练得到：
[0034]获取所述待预测产品的各个备件在第三指定时间段内的备件数据；
[0035]基于所述特征提取模型提取所述待预测产品的各个备件在第三指定时间段内的备件数据的特征；
[0036]将所述待预测产品的各个备件在第三指定时间段内的备件数据的特征输入预测
模型，得到所述预测模型确定的各个所述备件在所述第三指定时间段之后的第四指定时间段内的备件量数据；
[0037]在所述第四指定时间段内的备件量数据和各个所述备件在所述第四指定时间段内的实际备件量数据的差异在设定阈值范围内的情况下，结束训练；
[0038]在所述第四指定时间段内的备件量数据和各个所述备件在所述第四指定时间段内的实际备件量数据的差异未在所述设定阈值范围内的情况下，调整所述预测模型的参数，返回执行获取所述待预测产品的各个备件在第三指定时间段内的备件数据的步骤。
[0039]所述备件量预测方法基于预测架构执行，所述预测架构包括：预训练模块、用户交互接口和预测模块；
[0040]所述预训练模块用于运行所述特征提取模型；
[0041]所述用户交互接口，用于获得用户对所述图结构推理要素和所述关联规则挖掘要素所作的评价，以使得基于所述评价对所述图结构推理要素和所述关联规则挖掘要素进行打分；
[0042]所述预测模块，用于运行所述预测模型。
[0043]本申请另一方面提供一种备件量预测装置，包括：
[0044]特征提取单元，用于在待预测产品的各个备件在当前时刻的数据输入到预训练好的特征提取模型中的情况下，得到所述特征提取模型确定的各个所述备件的第一特征，所述第一特征用于表征各本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种备件量预测方法，包括：将待预测产品的各个备件在当前时刻的数据输入到预训练好的特征提取模型中，得到所述特征提取模型确定的各个所述备件的第一特征，所述第一特征用于表征各个所述备件的当前数量及各个所述备件与其它所述备件之间的关系，及所述待预测产品在不同时刻的备件量变化情况；至少将各个所述备件的第一特征输入到预测模型中，得到所述预测模型确定的各个所述备件在当前时刻之后的指定时间段的备件量数据，所述预测模型用于基于所述特征提取模型根据各个所述备件的历史数据所确定的各个所述备件的第一特征，确定各个所述备件在未来时间段的备件量数据。2.根据权利要求1所述的方法，至少将各个所述备件的第一特征输入到预测模型中，得到所述预测模型确定的各个所述备件在当前时刻之后的指定时间段的备件量数据，包括：获得所述待预测产品对应的第二特征，所述第二特征为基于所述待预测产品在当前时刻的关联数据确定得到的，所述关联数据与所述待预测产品的备件的备件量相关；将各个所述备件的第一特征及所述待预测产品对应的第二特征输入到预测模型中，得到所述预测模型确定的各个所述备件在当前时刻之后的指定时间段的备件量数据。3.根据权利要求2所述的方法，将各个所述备件的第一特征及所述待预测产品对应的第二特征输入到预测模型中，得到所述预测模型确定的各个所述备件在当前时刻之后的指定时间段的备件量数据，包括：对各个所述备件的第一特征及所述待预测产品对应的第二特征进行组合，得到组合特征，将所述组合特征输入到预测模型中，得到所述预测模型确定的各个所述备件在当前时刻之后的指定时间段的备件量数据。4.根据权利要求2所述的方法，获得所述待预测产品对应的第二特征，包括：获取所述待预测产品在当前时刻的关联数据；基于所述关联数据构建得到知识图谱；基于所述知识图谱，确定得到至少一个关联要素；从至少一个关联要素中确定出满足设定条件的关联要素，以确定为第二特征。5.根据权利要求4所述的方法，基于所述知识图谱，确定得到至少一个关联要素，包括：基于图结构推理算法从所述知识图谱中确定出图结构推理要素和所述图结构推理要素的第一分数；基于关联规则挖掘算法从所述知识图谱中确定出关联规则挖掘要素和所述关联规则挖掘要素的第一分数；从至少一个关联要素中确定出满足设定条件的关联要素，包括：对所述图结构推理要素和所述关联规则挖掘要素进行打分，得到所述图结构推理要素的第二分数和所述关联规则挖掘要素的第二分数；将所述图结构推理要素的第一分数、第二分数和所述关联规则挖掘要素的第一分数和第二分数输入到投票回归器，得到所述投票回归器确定的分数排列在前n个的要素。6.根据权利要求1所述的方法，所述特征提取模型通过以下方式预训练得到：获取所述待预测产品对应的第一训练数据和第二训练数据；基于所述第一训练数据和所述第二训练数据，确定特征提取模型对应的第一任务的第
一损失函数值和第二任务的第二损失函数值，所述第一任务用于确定各个备件在当前时刻之前的第一指定时间段内的备件数量及各个所述备件之间关系，所述第二任务用于确定所述待预测产品在不同时刻的历史备件量变化情况；在所述第...
【专利技术属性】
技术研发人员：朱砡赐，刘思良，胡家豪，
申请(专利权)人：联想北京有限公司，
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。