备品备件仓的备货预测方法技术

本发明专利技术涉及一种备品备件仓的备货预测方法

【技术实现步骤摘要】
备品备件仓的备货预测方法、系统、计算机设备及介质


[0001]本专利技术涉及备品备件仓智能管理
，特别是涉及一种备品备件仓的备货预测方法
、
系统
、
计算机设备及存储介质
。

技术介绍

[0002]随着电网数字化改造地不断深化，安全工器具柜在改造中属于重要一环，这会对整个电网数字化注入全新的生命活力
。
建设资产设备智能仓储，建设无人化
、
智能化专业仓至关重要，专业库房对于工具
、
物资的管理和维护具有重要意义，对于理清繁杂且细小的物资供需关系是简易
、
高效的
。
为追求专业化备品备件仓储条件发展，有利于国网运维人员高效
、
准确地采用设备，同样利于物料低消耗
、
高使用回报性，建设数字化仓储有利于上述目标
。
物资和工具的使用过程中，对于物资清单的备货需求是十分繁杂的，通常是人工进行整理和备货
。
[0003]由于备品备件仓中的存储物料量较大，种类不一，即使可以人为理清各类货品清单，但依然需要大量的人力物力
。
因此，传统的备品备件管理以及备货方式存在管理成本较高的问题
。

技术实现思路

[0004]基于此，为了解决上述技术问题，提供一种备品备件仓的备货预测方法
、
系统
、
计算机设备及存储介质，可以降低管理以及备货成本，对多个品类的物料备货进行预测
。
[0005]一种备品备件仓的备货预测方法，所述方法包括：
[0006]获取备品备件仓中的历史物料使用数据，并根据时间和货品数量对所述历史物料使用数据进行数据整理，得到整理后的数据；
[0007]对所述整理后的数据进行数据预处理，得到历史数据集；
[0008]构建基于
GRU
‑
Attention
的预测模型网络，并通过网格搜索法搜索得到若干参数组，从若干所述参数组中选定模型训练参数；
[0009]从所述历史数据集中获取各个品类名称，基于所述预测模型网络，并根据所述品类名称构建多物料品类预测模型组；
[0010]获取待备货数据输入至所述物料品类预测模型组中，得到备货预测数据
。
[0011]在其中一个实施例中，所述对所述整理后的数据进行数据预处理，得到历史数据集，包括：
[0012]对所述整理后的数据进行归一化处理，并将处理后的数据按照时间步长的方式划分为输入数据和验证数据；
[0013]将所述输入数据和所述验证数据作为监督学习组，将所述监督学习组划分为训练历史数据集和测试历史数据集
。
[0014]在其中一个实施例中，所述构建基于
GRU
‑
Attention
的预测模型网络，包括：
[0015]以物料样本
、
时间步构成输入层，将
GRU
单元
、Attention
层作为隐藏层，构建输出
层；
[0016]以所述输入层
、
所述隐藏层
、
所述输出层搭建初始预测模型网络；
[0017]以
MAE
和
RMSE
作为模型评估标准，对所述初始预测模型网络进行评估修改，得到基于
GRU
‑
Attention
的预测模型网络
。
[0018]在其中一个实施例中，所述
GRU
单元包括：重置门
、
更新门
、
候选隐状态
、
隐状态，其中：
[0019]所述重置门，用于控制历史
GRU
单元所保存的记忆状态；
[0020]所述更新门，用于控制所述
GRU
单元中包含的所述历史
GRU
单元的副本个数；
[0021]所述候选隐状态，用于辅助计算隐藏状态；
[0022]所述隐状态，用于结合所述更新门进行隐状态输出
。
[0023]在其中一个实施例中，通过网格搜索法搜索得到若干参数组，从若干所述参数组中选定模型训练参数，包括：
[0024]获取参数列表；
[0025]从所述参数列表中选择一个参数作为变量，其余参数不变作为一组参数组训练，并将各个参数组以网格的形式展开，比对各个训练结果；
[0026]根据各个所述训练结果选定模型训练参数
。
[0027]在其中一个实施例中，所述根据所述训练结果选定模型训练参数，包括：
[0028]计算出各个所述训练结果对应的损失值；
[0029]将各个所述损失值作为选定标准，从所述参数列表中确定模型训练参数
。
[0030]在其中一个实施例中，所述获取待备货数据输入至所述物料品类预测模型组中，得到备货预测数据，包括：
[0031]从所述待备货数据中提取出待备货品类名称
、
待备货时间；
[0032]将所述待备货品类名称
、
待备货时间输入至所述物料品类预测模型组中，通过所述物料品类预测模型组计算出与所述待备货品类名称对应的货物在所述待备货时间内的所有备货数量；
[0033]通过所述物料品类预测模型组将所述备货数量作为备货预测数据输出
。
[0034]一种备品备件仓的备货预测系统，所述系统包括：
[0035]数据获取模块，用于获取备品备件仓中的历史物料使用数据，并根据时间和货品数量对所述历史物料使用数据进行数据整理，得到整理后的数据；
[0036]数据预处理模块，用于对所述整理后的数据进行数据预处理，得到历史数据集；
[0037]网络构建及参数选择模块，用于构建基于
GRU
‑
Attention
的预测模型网络，并通过网格搜索法搜索得到若干参数组，从若干所述参数组中选定模型训练参数；
[0038]模型构建模块，用于从所述历史数据集中获取各个品类名称，基于所述预测模型网络，并根据所述品类名称构建多物料品类预测模型组；
[0039]备货预测模块，用于获取待备货数据输入至所述物料品类预测模型组中，得到备货预测数据
。
[0040]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0041]获取备品备件仓中的历史物料使用数据，并根据时间和货品数量对所述历史物料
使用数据进行数据整理，得到整理后的数据；
[0042]对所述整理后的数据进行数据预处理，得到历史数据集；
[0043]构建基于
GRU
‑
Attention
的预测模型网络，并通过网格搜索法搜索得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种备品备件仓的备货预测方法，其特征在于，所述方法包括：获取备品备件仓中的历史物料使用数据，并根据时间和货品数量对所述历史物料使用数据进行数据整理，得到整理后的数据；对所述整理后的数据进行数据预处理，得到历史数据集；构建基于
GRU
‑
Attention
的预测模型网络，并通过网格搜索法搜索得到若干参数组，从若干所述参数组中选定模型训练参数；从所述历史数据集中获取各个品类名称，基于所述预测模型网络，并根据所述品类名称构建多物料品类预测模型组；获取待备货数据输入至所述物料品类预测模型组中，得到备货预测数据
。2.
根据权利要求1所述的备品备件仓的备货预测方法，其特征在于，所述对所述整理后的数据进行数据预处理，得到历史数据集，包括：对所述整理后的数据进行归一化处理，并将处理后的数据按照时间步长的方式划分为输入数据和验证数据；将所述输入数据和所述验证数据作为监督学习组，将所述监督学习组划分为训练历史数据集和测试历史数据集
。3.
根据权利要求1所述的备品备件仓的备货预测方法，其特征在于，所述构建基于
GRU
‑
Attention
的预测模型网络，包括：以物料样本
、
时间步构成输入层，将
GRU
单元
、Attention
层作为隐藏层，构建输出层；以所述输入层
、
所述隐藏层
、
所述输出层搭建初始预测模型网络；以
MAE
和
RMSE
作为模型评估标准，对所述初始预测模型网络进行评估修改，得到基于
GRU
‑
Attention
的预测模型网络
。4.
根据权利要求3所述的备品备件仓的备货预测方法，其特征在于，所述
GRU
单元包括：重置门
、
更新门
、
候选隐状态
、
隐状态，其中：所述重置门，用于控制历史
GRU
单元所保存的记忆状态；所述更新门，用于控制所述
GRU
单元中包含的所述历史
GRU
单元的副本个数；所述候选隐状态，用于辅助计算隐藏状态；所述隐状态，用于结...

【专利技术属性】
技术研发人员：熊雨欣，马培龙，
申请(专利权)人：佳源科技股份有限公司，
类型：发明
国别省市：