用于配件需求的预测方法、预测装置及存储介质制造方法及图纸

本申请公开了一种用于配件需求的预测方法、预测装置及存储介质。该预测方法包括：获取配件的历史连续性需求序列；根据所述历史连续性需求序列，通过随机森林回归模型确定下个周期的第一需求预测区间；根据所述历史连续性需求序列，通过逻辑回归多分类模型确定下个周期的第二需求预测区间；将所述第一需求预测区间和所述第二需求预测区间加权融合以得到下个周期的目标需求预测区间。本申请摒弃定量预测，改用预测需求区间，同时，采用随机森林回归模型和逻辑回归多分类模型相融合的方式，降低了单一方法导致过拟合的风险，提高了连续性配件的需求预测的准确率。件的需求预测的准确率。件的需求预测的准确率。

【技术实现步骤摘要】
用于配件需求的预测方法、预测装置及存储介质


[0001]本申请涉及计算机
，具体地涉及一种用于配件需求的预测方法、预测装置及存储介质。

技术介绍

[0002]工程机械结构复杂，相关配件种类机器丰富，仅建筑起重机械一种就覆盖了轴承、踏板、各式支架、结构件等高达数万种类的配件。市场对各类配件的需求，也因其种类的不同而存在较大的差异。如果企业过量采购，会导致仓库积压，不仅浪费资金，同时占用场地，影响其他配件的补货；如果采购不足，又会造成订单流失，同时影响企业声誉，因此有必要对市场配件的需求情况提前做出预测，指导配件的采购。现有技术中，对于配件需求的预测所采用一般方法有：1)人工经验直接预测；2)转化为一般时间序列预测问题，使用移动平均、指数平滑、监督学习模型等进行预测。人工经验预测依赖人的主观感受，准确率较低，且配件种类庞大，全部使用人工经验预测并不现实。由于配件种类众多，市场对其需求情况也不相同，如果使用统一模型进行训练预测，最后极有可能得到的是一个无效模型，预测的准确率较低。

技术实现思路

[0003]本申请实施例的目的是提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于配件需求的预测方法，其特征在于，所述预测方法包括：获取配件的历史连续性需求序列；根据所述历史连续性需求序列，通过随机森林回归模型确定下个周期的第一需求预测区间；根据所述历史连续性需求序列，通过逻辑回归多分类模型确定下个周期的第二需求预测区间；将所述第一需求预测区间和所述第二需求预测区间加权融合以得到下个周期的目标需求预测区间。2.根据权利要求1所述的预测方法，其特征在于，所述随机森林回归模型包括预设数量的随机森林回归子模型，所述根据所述历史连续性需求序列，通过随机森林回归模型确定下个周期的第一需求预测区间包括：提取所述历史连续性需求序列的输入序列；提取所述输入序列的特征值；将所述输入序列的特征值输入所述预设数量的随机森林回归子模型，以得到预设数量的需求预测值；将所述预设数量的需求预测值按照从大到小的顺序进行排序，以得到需求预测值序列；分别将所述需求预测值序列中第一预设位置和第二预设位置所对应的需求预测值确定为所述第一需求预测区间的最大值和最小值。3.根据权利要求2所述的预测方法，其特征在于，所述根据所述历史连续性需求序列，通过随机森林回归模型确定下个周期的第一需求预测区间还包括：提取所述历史连续性需求序列的样本序列；提取所述样本序列的特征值和对应的标签；根据所述样本序列的特征值和所述标签训练所述随机森林回归模型。4.根据权利要求1所述的预测方法，其特征在于，所述根据所述历史连续性需求序列，通过逻辑回归多分类模型确定下个周期的第二需求预测区间包括：将所述历史连续性需求序列划分为多个区间，并对每个区间进行编码，以得到多个编码值；将所述历史连续性需求序列转换为历史连续性需求编码序列；提取所述历史连续性需求编码序列的输入编码值序列；将所述输入编码值序列输入所述逻辑回归多分类模型以得到预测编码值；将所述预测编码值所对应的区间确定为第二需求预测区间。5.根据权利要求4所述的预测方法，其特征在于，所述根据所述历史连续性需求序列，通过逻辑回归多分类模型确定下个周期的第二需求预测区间还包括：提取所述历史连续性需求编码序列的样本输入编码值序列和对应的样本预测编码值；根据所述样本输入编码值序列和所述样本预测编码值训练所述逻辑回归多分类模型。6.根据权利要求4所述的预测方法，其特征在于，所述将所述历史连续性需求序列划分为多个区间包括：确定所述历史连续性需求序列的最大值和最小值和预设区间数量；
将历史连续性需求序列的最大值和最小值做差得到总区间长度；按照所述预设区间数量对所述总区间长度进行划分，以得到多个区间。7.根据权利要求1所述的预测方法，其特征在于，所述将所述第一需求预测区间和所述第二需求预测区间加权融合以得到下个周期的目标需求预测区间包括：确定所述第一需求预测区间的第一最大值和第一最小值以及所述第二需求预测区间的第二最大值和第二最小值；获取所述第一需求预测区间的第一权重和所述第二需求预测区间的第二权重；根据所述第一权重、所述第二权重、所述第一最大值和所述第二最大值确定所述目标需求预测区间的目标最大值；根据所述第一权重、所述第二权重、所述第一最小值和所述第二最小值确定所述目标需求预测区间的目标最小值；根据所述目标最大值和所述目标最小值确定所述目标需求预测区间。8.根据权利要求1所述的预测方法，其特征在于，所述预测方法还包括：获取配件的历史间断性需求序列；在所述历史间断性需求序列中提取历史有效需求序列和历史需求间隔序列；对所述历史有效需求序列进行预测以得到下一个有效需求预测值；对所述历史需求间隔序列进行预测以得到下一个间隔预测值；根据所述下一个有效需求预测值和所述下一个间隔预测值确定所述配件在下个周期的需求预测值。9.根据权利要求8所述的预测方法，其特征在于，所述在所述历史间断性需求序列中提取历史有效需求序列和历史需求间隔序列包括：将所述历史间断性需求序列中的零值去掉以得到历史有效需求序列；根据所述有效需求序列中的每个值在所述历史间断性需求序列的间隔确定所述历史需求间隔序列。10.根据权利要求8所述的预测方法，其特征在于，所述对所述历史有效需求序列进行预测以得到下一个有效需求预测值包括：通过拉格朗日插值法对所述历史有效需求序列进行增广以得到增广有效需求序列；根据所述增广有效需求序列的长度确定目标预测模型；通过所述目标预测模型对所述增广有效需求序列进行预测以得到所述下一个有效需求预测值。11.根据权利要求10所述的预测方法，其特征在于，所述通过拉格朗日插值法对所述历史有效需求序列进行增广以得到增广有效需求序列包括：将历史周期作为横坐标，需求量作为纵坐标，建立历史间断性需求序列的坐标系；获取所述历史间断性需...

【专利技术属性】
技术研发人员：吴凡，童兴，叶舟，周志忠，
申请(专利权)人：中科云谷科技有限公司，
类型：发明
国别省市：