一种无人机备件筹措预测方法、系统、存储介质及设备技术方案

本发明专利技术提供了一种无人机备件筹措预测方法、系统、存储介质及设备，该方法通过获取历史时间序列数据集，并进行预处理，得到预处理数据集；采用ARIMA模型对预处理数据进行拟合，得到线性拟合数据；根据预处理数据和线性拟合数据，确定预处理数据的非线性部分，并通过BP神经网络模型对非线性部分进行拟合，得到非线性拟合数据；将预处理数据、线性拟合数据以及非线性拟合数据输入BP神经网络模型中进行训练，以得到探索数据；将上述数据组成训练集，通过训练集训练LSTM模型，以得到目标模型；获取目标时间序列数据集，并输入目标模型中，输出无人机备件预测值，具体的，通过上述方法能够更为精准的预测无人机备件消耗数量。为精准的预测无人机备件消耗数量。为精准的预测无人机备件消耗数量。

【技术实现步骤摘要】
一种无人机备件筹措预测方法、系统、存储介质及设备


[0001]本专利技术属于无人机备件筹措预测的
，具体涉及一种无人机备件筹措预测方法、系统、存储介质及设备。

技术介绍

[0002]无人机是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞行器。
[0003]作为无人机必需品，无人机备件在维护、保养和维修任务中占据重要地位。然而无人机备件消耗受使用环境、备件寿命等多重因素影响，仅依靠人的经验难以明确采购筹措的数额需求。不确定性的采购筹措数量给用户采购无人机备件带来不便的同时，也造成不合理的库存结构，从而降低无人机备件利用率，导致无人机作战效能下降。
[0004]因此，通过科学的预测技术精准确定无人机备件的采购数量需求非常重要，然而无人机若只通过了解如供应商、编号等基础信息，是无法为备件数量预测提供决策依据的，那么，如何基于时间属性构建无人机备件预测模型，分析无人机备件内在数量关系成为一大挑战。

技术实现思路

[0005]基于此，本专利技术实施例当中提供了一种无人机备件筹措预测方法、系统、存储介质及设备，旨在解决现有技术中，在备件采购筹措时，无法精准预测无人机备件需求数量的问题。
[0006]本专利技术实施例的第一方面提供了一种无人机备件筹措预测方法，所述方法包括：
[0007]获取历史无人机备件原始消耗数量的历史时间序列数据集，并将所述历史时间序列数据集进行预处理，得到预处理数据集；
[0008]采用ARIMA模型对所述预处理数据集中的预处理数据进行拟合，得到线性拟合数据；
[0009]根据所述预处理数据和所述线性拟合数据，确定所述预处理数据的非线性部分，并通过BP神经网络模型对所述非线性部分进行拟合，得到非线性拟合数据；
[0010]将所述预处理数据、所述线性拟合数据以及所述非线性拟合数据输入BP神经网络模型中进行训练，以得到探索数据；
[0011]将所述探索数据、所述线性拟合数据、所述非线性拟合数据以及所述预处理数据组成训练集，通过所述训练集训练LSTM模型，以得到目标模型；
[0012]获取当前无人机备件原始消耗数量的目标时间序列数据集，将所述目标时间序列数据集输入所述目标模型中，输出无人机备件预测值。
[0013]进一步的，所述获取历史无人机备件原始消耗数量的历史时间序列数据集，并将所述历史时间序列数据集进行预处理，得到预处理数据集的步骤包括：
[0014]获取历史无人机备件原始消耗数量的历史时间序列数据集，其中，所述历史时间序列数据集中包括预测备件每天的消耗量；
[0015]根据预测备件每天的消耗量，匹配对应的预处理规则，并根据所述预处理规则，对所述历史时间序列数据集进行预处理，得到预处理数据集。
[0016]进一步的，所述根据预测备件每天的消耗量，匹配对应的预处理规则，并根据所述预处理规则，对所述历史时间序列数据集进行预处理，得到预处理数据集的步骤包括：
[0017]根据预测备件每天的消耗量，获取预测备件存在消耗的日期，并判断每年预测备件存在消耗的日期对应的天数是否大于等于第一阈值；
[0018]若判断每年预测备件存在消耗的日期对应的天数大于等于第一阈值，则判断每年预测备件存在消耗的日期是否落入不同季度中；
[0019]若判断每年预测备件存在消耗的日期落入不同季度中，则按季度预处理规则，计算每个季度的预测备件的消耗总量；
[0020]若判断每年预测备件存在消耗的日期未落入不同季度中，则按半年预处理规则，计算每半年的预测备件的消耗总量；
[0021]若判断每年预测备件存在消耗的日期对应的天数小于第一阈值，则判断每年预测备件存在消耗的日期是否分别落入上下半年中；
[0022]若判断每年预测备件存在消耗的日期分别落入上下半年中，则按半年预处理规则，计算每半年的预测备件的消耗总量；
[0023]若判断每年预测备件存在消耗的日期未分别落入上下半年中，则按年度预处理规则，计算全年的预测备件的消耗总量。
[0024]进一步的，所述ARIMA模型的公式为：
[0025][0026]其中，X
t
表示为时间序列的样本值，和θ
i
(i＝1，2，...q)为模型参数，ε
t
为独立正态分布的白噪声，p为自回归项数、q为移动平均项数。
[0027]进一步的，所述根据所述预处理数据和所述线性拟合数据，确定所述预处理数据的非线性部分，并通过BP神经网络模型对所述非线性部分进行拟合，得到非线性拟合数据的步骤中，所述预处理数据的非线性部分为所述预处理数据和所述线性拟合数据之差。
[0028]进一步的，所述LSTM模型的公式表示为：
[0029]I
t
＝σ(X
t
W
xi
+H
t
‑1W
hi
+b
i
)
[0030]F
t
＝σ(X
t
W
xf
+H
t
‑1W
hf
+b
f
)
[0031]O
t
＝σ(X
t
W
xo
+H
t
‑1W
ho
+b
o
)
[0032][0033][0034]H
t
＝O
t
⊙
tanhC
t
；
[0035]其中，W
xi
表示为输入门I
t
中的权重参数，W
hi
表示为输入门I
t
中的隐状态权重参数，b
i
表示为输入门I
t
中的偏置参数；W
xf
表示为遗忘门F
t
中的权重参数，W
hf
表示为遗忘门F
t
中的隐状态权重参数，b
f
表示为遗忘门F
t
中的偏置参数；W
xo
表示为输出门O
t
中的权重参数，W
ho
表示为输出门O
t
中的隐状态权重参数，b
o
表示为输出门O
t
中的偏置参数；W
xc
表示为记忆单元
中的权重参数，W
hc
表示为记忆单元中的隐状态权重参数，b
c
表示为记忆单元中的偏置参数。X
t
为t时刻的输入，H
t
表示为t时刻的隐藏状态，H
t
‑1为上一(t
‑
1)时刻的隐藏状态，可以理解为短时期强记忆；C
t
表示为当前(t)时刻的细胞状态，C
t
‑1为上一(t
‑
1)时刻的细胞状态本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人机备件筹措预测方法，其特征在于，所述方法包括：获取历史无人机备件原始消耗数量的历史时间序列数据集，并将所述历史时间序列数据集进行预处理，得到预处理数据集；采用ARIMA模型对所述预处理数据集中的预处理数据进行拟合，得到线性拟合数据；根据所述预处理数据和所述线性拟合数据，确定所述预处理数据的非线性部分，并通过BP神经网络模型对所述非线性部分进行拟合，得到非线性拟合数据；将所述预处理数据、所述线性拟合数据以及所述非线性拟合数据输入BP神经网络模型中进行训练，以得到探索数据；将所述探索数据、所述线性拟合数据、所述非线性拟合数据以及所述预处理数据组成训练集，通过所述训练集训练LSTM模型，以得到目标模型；获取当前无人机备件原始消耗数量的目标时间序列数据集，将所述目标时间序列数据集输入所述目标模型中，输出无人机备件预测值。2.根据权利要求1所述的无人机备件筹措预测方法，其特征在于，所述获取历史无人机备件原始消耗数量的历史时间序列数据集，并将所述历史时间序列数据集进行预处理，得到预处理数据集的步骤包括：获取历史无人机备件原始消耗数量的历史时间序列数据集，其中，所述历史时间序列数据集中包括预测备件每天的消耗量；根据预测备件每天的消耗量，匹配对应的预处理规则，并根据所述预处理规则，对所述历史时间序列数据集进行预处理，得到预处理数据集。3.根据权利要求2所述的无人机备件筹措预测方法，其特征在于，所述根据预测备件每天的消耗量，匹配对应的预处理规则，并根据所述预处理规则，对所述历史时间序列数据集进行预处理，得到预处理数据集的步骤包括：根据预测备件每天的消耗量，获取预测备件存在消耗的日期，并判断每年预测备件存在消耗的日期对应的天数是否大于等于第一阈值；若判断每年预测备件存在消耗的日期对应的天数大于等于第一阈值，则判断每年预测备件存在消耗的日期是否落入不同季度中；若判断每年预测备件存在消耗的日期落入不同季度中，则按季度预处理规则，计算每个季度的预测备件的消耗总量；若判断每年预测备件存在消耗的日期未落入不同季度中，则按半年预处理规则，计算每半年的预测备件的消耗总量；若判断每年预测备件存在消耗的日期对应的天数小于第一阈值，则判断每年预测备件存在消耗的日期是否分别落入上下半年中；若判断每年预测备件存在消耗的日期分别落入上下半年中，则按半年预处理规则，计算每半年的预测备件的消耗总量；若判断每年预测备件存在消耗的日期未分别落入上下半年中，则按年度预处理规则，计算全年的预测备件的消耗总量。4.根据权利要求3所述的无人机备件筹措预测方法，其特征在于，所述ARIMA模型的公式为：
其中，X
t
表示为时间序列的样本值，和θ
i
(i＝1,2,...q)为模型参数，ε
t
为独立正态分布的白噪声，p为自回归项数、q为移动平均项数。5.根据权利要求4所述的无人机备件筹措预测方法，其特征在于，所述根据所述预处理数据和所述线性拟合数据，确定所述预处理数据的非线性部分，并通过BP神经网络模型对所述非线性部分进行拟合，得到非线性拟合数据的步骤中，所述预处理数据的非线性部分为所述预处理数据和所述线性拟合数据之差。6.根据权利要求5所述的无人机备件筹措预测方法，其特征在于，所述LSTM模型的公式表示为：I
t
＝σ(X
t
W
xi
+H
t
‑1W
hi
+b
i
)F
t
＝σ(X
t
W
xf
+H
t
...

【专利技术属性】
技术研发人员：万刚远，张铁，周军，赖武文，喻昆，程子恒，陈希胜，康鸿麟，王婧，谌杰，朱杰成，彭权，
申请(专利权)人：中国北方工业有限公司，
类型：发明
国别省市：