针对产品零部件的自主机器学习需求预测方法及系统技术方案

本发明专利技术提供了一种针对产品零部件的自主机器学习需求预测方法及系统，方法包括以下步骤：S1通过数据预处理算法对数据进行自动预处理操作，获得预测性的需求量分布和待训练的时序数据；S2通过自动化特征工程获取待训练的时序数据的特征值，结合预测因子构建时序模型；S3通过自动化特征筛选对待训练的时序数据的各特征值进行重要性分值计算，获取最优特征，提高时序模型训练的效率；S4自动化优化预测模型参数：基于待训练的时序数据的特征对预测模型参数进行优化，生成最优参数，获得需求预测结果。本发明专利技术能自动化进行数据处理，特征工程，特征筛选，参数优化，模型集成和预测，减少人力成本同时提高预测的准确性。成本同时提高预测的准确性。成本同时提高预测的准确性。

【技术实现步骤摘要】
针对产品零部件的自主机器学习需求预测方法及系统


[0001]本专利技术涉及生产供应链的智能制造领域，具体地，涉及一种针对产品零部件的自主机器学习需求预测方法及系统。

技术介绍

[0002]随着工业大数据的发展，生产供应链中对于备件需求预测精度要求越来越高，有别于传统耗时耗力且具有较强主观性的人工手工预测，备件订单的自动化预测可以优化采购计划和库存管理，帮助企业节省人力和经济上的支出，从而提高企业整体利润。
[0003]现有自动化时序产品所提供的模型选择大多较为单一，且未能对某一业务场景进行优化，对于产品使用者的数据处理与模型背景知识要求较高，通常要求产品使用者上传精细处理后的数据且对模型手动进行参数调整.如Meta公司(在2022年)发布的自动化预测
‘
prophet
’
产品，要求使用者了解时序的相关知识以及预测数据本身的一些规律，从而选择相应的输入参数，譬如时序变化点，来优化预测表现。

技术实现思路

[0004]针对现有技术中的缺陷，本专利技术的目的是提供一种针对产品零部件的自主机器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对产品零部件的自主机器学习需求预测方法，其特征在于，包括以下步骤：S1通过数据预处理算法对数据进行自动预处理操作，获得预测性的需求量分布和待训练的时序数据；S2通过自动化特征工程获取待训练的时序数据的特征值，结合预测因子构建时序模型；S3通过自动化特征筛选对待训练的时序数据的各特征值进行重要性分值计算，获取最优特征，提高时序模型训练的效率；S4自动化优化预测模型参数：基于待训练的时序数据的特征对预测模型参数进行优化，生成最优参数，基于最优特征、最优参数进行预测模型训练，获得需求预测结果。2.根据权利要求1所述的针对产品零部件的自主机器学习需求预测方法，其特征在于，所述数据预处理算法是通过对产品数据进行可预测性分析与描述性分析，结合业务需求参数，实现数据聚合，获得待训练的时序数据。3.根据权利要求2所述的针对产品零部件的自主机器学习需求预测方法，其特征在于，所述数据预处理算法的实现方法如下：1)获取产品基础数据；2)对产品基础数据进行可预测性分析与描述性分析，获取预测性的需求量分布；3)获取业务需求参数，结合业务需求参数对需求量分布中的需求缺失值进行填充，实现数据聚合，获取待训练的时序数据。4.根据权利要求1所述的针对产品零部件的自主机器学习需求预测方法，其特征在于，所述待训练的时序数据的特征值包括基础滞后特征、统计性特征、预测因子；所述基础滞后特征是通过将时序数据按产品某一属性的不同维度进行分组排序，获取过去若干个时间颗粒度单元的需求值；所述统计性特征是根据所述基础滞后特征而计算出的统计性的特征值；所述预测因子是根据所述需求量分布的预测情况所提取的预测值。5.根据权利要求1所述的针对产品零部件的自主机器学习需求预测方法，其特征在...

【专利技术属性】
技术研发人员：薛亮，张婧依，郑仁，
申请(专利权)人：重庆赛创机器人科技有限公司，
类型：发明
国别省市：