一种基于大数据预测物资采购方法和系统技术方案

本发明专利技术涉及一种基于大数据预测物资采购方法和系统，包括以下步骤：终端设备通过客户端获取多个第一物资采购数据，第一物资采购数据为采购物资时对应的采购数据；终端设备将各个第一物资采购数据按物资类别进行分类，对于每个物资类别，终端设备将物资类别对应的各个第一物资采购数据作为物资类别对应的第一输入集；对于每个物资类别，终端设备将第一输入集输入极端梯度提升模型，得到物资类别对应的第一预测购买数量，并将第一预测购买数量返回给客户端。解决了采购物资时凭经验采购，与实际需求存在较大误差的问题。际需求存在较大误差的问题。际需求存在较大误差的问题。

【技术实现步骤摘要】
一种基于大数据预测物资采购方法和系统


[0001]本专利技术涉及大数据领域，尤其涉及一种基于大数据预测物资采购方法和系统。

技术介绍

[0002]协议库存采购模式是国家电网公司特有的一种物资采购形式，协议库存采用自下而上的工作模式，由项目所在需求单位上报一定时期内的特定配网物资需求数量，经市公司、省公司层层审核及分类汇总后形成框架采购协议，国网物资公司根据协议招标确定供应商，并在需求发生时匹配需求物资和供应商，最后据此向协议供应商分批或分期结算货款。国网物资公司通过统计配网物资需求、统一采购招标，降低了重复采购的成本和管理费用，提高了供应链运营的效率，加强了物资集约化管理。
[0003]随着国家电网全面计划管理的推进，协议库存采购模式面对的问题为配网物资自下而上的汇总过程存在一定统计误差，且需求单位凭借经验进行数量申报，缺乏系统性，因此物资需求申报准确率不高，经常造成协议库存执行不达标的情况。随着物资的更新换代，采购范围的不断扩大，协议库存需求的确定越来越复杂，需要一种更系统、高效的方法来进行准确预测。

技术实现思路

[0004]为了克服采购物资时凭经验采购，与实际需求存在较大误差的问题，本专利技术提供了一种基于大数据预测物资采购方法和系统。
[0005]第一方面，为了解决上述技术问题，本专利技术提供了一种基于大数据预测物资采购方法，该方法应用于终端设备，终端设备分别与客户端和数据库连接，该方法包括以下步骤：
[0006]终端设备通过客户端获取多个第一物资采购数据，第一物资采购数据为采购物资时对应的采购数据；
[0007]终端设备将各个第一物资采购数据按物资类别进行分类，对于每个物资类别，终端设备将物资类别对应的各个第一物资采购数据作为物资类别对应的第一输入集；
[0008]对于每个物资类别，终端设备将第一输入集输入极端梯度提升模型，得到物资类别对应的第一预测购买数量，并将第一预测购买数量返回给客户端，其中，极端梯度提升模型是通过以下方式训练得到的：
[0009]S11，终端设备通过数据库获取多个第二物资采购数据，第二物资采购数据为历史时间段内采购物资时对应的采购数据；
[0010]S12，终端设备将各个第二物资采购数据按物资类别进行分类，对于每个物资类别，终端设备将物资类别对应的各个第二物资采购数据作为物资类别对应的训练集，并获取物资类别对应的真实购买数量；
[0011]S13，对于每个物资类别，终端设备将训练集输入初始模型，通过第一步骤，得到极端梯度提升模型，其中，初始模型包括多个决策树，第一步骤包括：
[0012]S131，对于每个物资类别，将第一个决策树作为当前决策树，将训练集输入当前决策树，通过当前决策树得到第二预测购买数量；
[0013]S132，对于每个物资类别，根据第二预测购买数量与真实购买数量，得到第二预测购买数量与真实购买数量之间的第一残差值，并将第一残差值作为第二输入值；
[0014]S133，对于每个物资类别，将当前决策树的下一个决策树作为当前决策树，将第二输入值输入当前决策树，得到第二输入值对应的拟合值；
[0015]S134，对于每个物资类别，根据拟合值与真实购买数量，得到拟合值与真实购买数量之间的第二残差值；
[0016]S135，对于每个物资类别，将第二预测购买数量和从第二个决策树开始的各个决策树对应的拟合值之和作为第三输入值，并根据第三输入值，确定目标值；
[0017]S136，若目标值满足预设结束条件，将满足预设结束条件时的初始模型作为极端梯度提升模型，若目标值不满足预设结束条件，将第二残差值作为新的第二输入值，以及当前决策树的下一个决策树作为当前决策树，以及调整初始网络的网络参数，并根据调整后的网络参数重新执行S133
‑
S136，直到目标值满足预设结束条件。
[0018]采用上述进一步方案的有益效果是：在极端梯度提升模型的训练过程中，将第一个决策树预测得到的第二预测购买数量与真实购买数量之间的第一残差值作为第二输入值，并将第二输入值输入第二个决策树得到对应的拟合值，从而减小第二预测购买数量与真实购买数量之间的差异，同时，通过多个决策树不断更新拟合值，从而使得第二预测购买数量与真实购买数量之间的差异越来越小，最终使得极端梯度提升模型的预测结果更加接近真实购买数量，解决了采购物资时凭经验采购，与实际需求存在较大误差的问题。
[0019]进一步，该方法还包括：
[0020]对于每个物资类别，终端设备对各个第二物资采购数据进行预处理，得到各个第二物资采购数据对应的第三物资采购数据；
[0021]上述预处理包括：
[0022]对于每个物资类别，获取物资类别对应的预设的中位数和预设的第一阈值；
[0023]对于每个物资类别，终端设备根据各个第二物资采购数据和中位数，得到各个第二物资采购数据与中位数之间的偏差绝对值；
[0024]对于每个物资类别，终端设备根据各个偏差绝对值，得到各个偏差绝对值的第二阈值；
[0025]对于每个物资类别，终端设备根据中位数，第二阈值、第一阈值和各个第二物资采购数据，确定各个第三物资采购数据；
[0026]对于每个物资类别，终端设备将物资类别对应的各个第二物资采购数据作为物资类别对应的训练集，包括：
[0027]对于每个物资类别，终端设备将物资类别对应的各个第三物资采购数据作为所述物资类别对应的训练集。
[0028]采用上述进一步方案的有益效果是：通过中位数、第二阈值和第一阈值，对各个第二物资采购数据范围进行控制，避免少量第二物资采购数据与实际情况偏离较大，造成最后的预测的第二预测购买数量与真实需求偏差较大。
[0029]进一步，上述方法中对于每个物资类别，终端设备根据中位数，第二阈值、第一阈
值和各个第二物资采购数据，确定各个第三物资采购数据，包括：
[0030]对于每个物资类别，终端设备根据中位数，第二阈值、第一阈值和各个第二物资采购数据，通过第一公式，得到各个第三物资采购数据，其中，第一公式为：
[0031][0032]其中，p表示第三物资采购数据，M表示中位数，n表示第一阈值，MAD表示第二阈值，x表示第二物资采购数据。
[0033]采用上述进一步方案的有益效果是：通过第一公式，将各个第一物资采购数量控制在M+n*MAD和M
‑
n*MAD之间，避免少量第一物资采购数据与实际情况偏离较大，造成最后的预测的第一预测购买数量与真实需求偏差较大。
[0034]进一步，上述方法中对于每个物资类别，将第一个决策树作为当前决策树，初始模型将训练集输入当前决策树，通过当前决策树得到第二预测购买数量，包括：
[0035]S31，将输入集输入当前决策树的第一层的叶节点中，将当前决策树的第一层作为当前层，将当前层的每个叶节点作为当前叶节点；
[0036]S32，对于当前层的每个当前叶节点，获取当前叶节点分裂前本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据预测物资采购方法，其特征在于，所述方法应用于终端设备，所述终端设备分别与客户端和数据库连接，所述方法包括以下步骤：所述终端设备通过客户端获取多个第一物资采购数据，所述第一物资采购数据为采购物资时对应的采购数据；所述终端设备将各个所述第一物资采购数据按物资类别进行分类，对于每个所述物资类别，所述终端设备将所述物资类别对应的各个所述第一物资采购数据作为所述物资类别对应的第一输入集；对于每个所述物资类别，所述终端设备将所述第一输入集输入极端梯度提升模型，得到所述物资类别对应的第一预测购买数量，并将所述第一预测购买数量返回给客户端，其中，所述极端梯度提升模型是通过以下方式训练得到的：S11，所述终端设备通过数据库获取多个第二物资采购数据，所述第二物资采购数据为历史时间段内采购物资时对应的采购数据；S12，所述终端设备将各个所述第二物资采购数据按所述物资类别进行分类，对于每个所述物资类别，所述终端设备将所述物资类别对应的各个所述第二物资采购数据作为所述物资类别对应的训练集，并获取所述物资类别对应的真实购买数量；S13，对于每个所述物资类别，所述终端设备将所述训练集输入初始模型，通过第一步骤，得到极端梯度提升模型，其中，所述初始模型包括多个决策树，所述第一步骤包括：S131，对于每个所述物资类别，将第一个决策树作为当前决策树，将所述训练集输入当前决策树，通过所述当前决策树得到第二预测购买数量；S132，对于每个所述物资类别，根据所述第二预测购买数量与所述真实购买数量，得到所述第二预测购买数量与所述真实购买数量之间的第一残差值，并将所述第一残差值作为第二输入值；S133，对于每个所述物资类别，将所述当前决策树的下一个决策树作为当前决策树，将所述第二输入值输入当前决策树，得到所述第二输入值对应的拟合值；S134，对于每个所述物资类别，根据所述拟合值与所述真实购买数量，得到所述拟合值与所述真实购买数量之间的第二残差值；S135，对于每个所述物资类别，将所述第二预测购买数量和从所述第二个决策树开始的各个决策树对应的拟合值之和作为第三输入值，并根据所述第三输入值，确定目标值；S136，若所述目标值满足预设结束条件，将满足所述预设结束条件时的初始模型作为所述极端梯度提升模型，若所述目标值不满足预设结束条件，将所述第二残差值作为新的第二输入值，以及当前决策树的下一个决策树作为当前决策树，以及调整所述初始网络的网络参数，并根据调整后的网络参数重新执行S133
‑
S136，直到所述目标值满足所述预设结束条件。2.根据权利要求1所述的方法，其特征在于，还包括：对于每个所述物资类别，所述终端设备对各个所述第二物资采购数据进行预处理，得到各个所述第二物资采购数据对应的第三物资采购数据；所述预处理包括：对于每个所述物资类别，获取所述物资类别对应的预设的中位数和预设的第一阈值；对于每个所述物资类别，所述终端设备根据各个所述第二物资采购数据和所述中位
数，得到每个所述第二物资采购数据与所述中位数之间的偏差绝对值；对于每个所述物资类别，所述终端设备根据所述物资类别对应的各个所述偏差绝对值，得到各个偏差绝对值的第二阈值；对于每个所述物资类别，所述终端设备根据所述中位数，所述第二阈值、所述第一阈值和所述各个第二物资采购数据，确定各个所述第三物资采购数据；对于每个所述物资类别，所述终端设备将所述物资类别对应的各个所述第二物资采购数据作为所述物资类别对应的训练集，包括：对于每个所述物资类别，所述终端设备将所述物资类别对应的各个所述第三物资采购数据作为所述物资类别对应的训练集。3.根据权利要求2所述的方法，其特征在于，对于每个所述物资类别，所述终端设备根据所述中位数，所述第二阈值、所述第一阈值和所述各个第二物资采购数据，确定各个所述第三物资采购数据，包括：对于每个所述物资类别，所述终端设备根据所述中位数，所述第二阈值、所述第一阈值和所述各个第二物资采购数据，通过第一公式，得到各个所述第三物资采购数据，其中，所述第一公式为：其中，p表示第三物资采购数据，M表示中位数，n表示第一阈值，MAD表示第二阈值，x表示第二物资采购数据。4.根据权利要求1所述的方法，其特征在于，对于每个所述物资类别，所述将第一个决策树作为当前决策树，所述初始模型将所述训练集输入当前决策树，通过所述当前决策树得到第二预测购买数量，包括：S31，将所述输入集输入所述当前决策树的第一层的叶节点中，将所述当前决策树的第一层作为当前层，将所述当前层的每个叶节点作为当前叶节点；S32，对于所述当前层的每个当前叶节点，获取所述当前叶节点分裂前的第一信息量，以及获取所述当前叶节点分裂出两个新叶节点后的第二信息量；S33，对于所述当前层的每个当前叶节点，根据所述第一信息量和所述第二信息量，通过第二公式，确定信息增益，其中，所述第二公式为：过第二公式，确定信息增益，其中，所述第二公式为：Θ3＝Θ1‑
Θ2；其中，Θ1表示第一信息量，Θ2表示第二信息量，Θ3表示信息增益，G
L
、G
R
分别...

【专利技术属性】
技术研发人员：刘爽，李龙，王显忠，
申请(专利权)人：成都嘉捷信诚信息技术有限公司，
类型：发明
国别省市：