CN113127538B - 一种高精度的备件需求预测方法 - Google Patents
一种高精度的备件需求预测方法 Download PDFInfo
- Publication number
- CN113127538B CN113127538B CN202110411100.3A CN202110411100A CN113127538B CN 113127538 B CN113127538 B CN 113127538B CN 202110411100 A CN202110411100 A CN 202110411100A CN 113127538 B CN113127538 B CN 113127538B
- Authority
- CN
- China
- Prior art keywords
- spare part
- data
- metadata
- spare
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000010801 machine learning Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000012417 linear regression Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012163 sequencing technique Methods 0.000 claims abstract description 5
- 238000005065 mining Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000012423 maintenance Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 230000008439 repair process Effects 0.000 claims description 11
- 238000007726 management method Methods 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 8
- 238000011068 loading method Methods 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000012550 audit Methods 0.000 claims description 2
- 238000012552 review Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 239000000243 solution Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 230000002860 competitive effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000012086 standard solution Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
- G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种高精度的备件需求预测方法。该方法包括：采集备件需求预测相关的元数据，将ETL处理后的元数据存入数据库中；对数据库中存储的元数据进行预处理，对预处理后的元数据进行数据特征挖掘，确定影响备件需求的各个因素，分析出各个因素对备件需求的影响程度，在备件需求预测阶段，以经过影响程度分析处理后的元数据、各个有用的影响因素以及排序后的各个影响因素对备件需求的影响程度作为源数据，将源数据输入到基于LinearRegression、AdaBoost、GBDT的机器学习融合建模预测方法中，对未来某个月份的备件需求量进行预测分析，并输出预测结果。本发明方法能够通过供应链经济原理，做出合理的购买计划，有利于部门充分利用资源，合理地分配购买各备件数量，减少不必要的财产成本和其他运营成本。
Description
技术领域
本发明涉及计算机应用技术领域，尤其涉及一种高精度的备件需求预测方法。
背景技术
在当今快速发展的经济社会中，企业获得更多竞争优势的方式之一就是要更加合理的利用现有的资金产更大的经济效益，这对企业的发展十分重要。企业部门可以通过备件需求的预测以及调节备件需求的关键因素决定未来的备件需求，及时掌握未来需求趋势，做出合理规划和决策，最终提高企业整体竞争优势和经济效益。
在现有的方式下，传统的分析处理方式，不仅难度大，结果也不准确。因此针对影响备件需求的因素大量存在且复杂多变的情况，提出更加准确有效的高精度的备件需求预测方法，对方便决策者做出更加合理的计划和提高企业整体竞争力具有重要的意义。
发明内容
本发明的实施例提供了一种高精度的备件需求预测方法，以实现准确、有效地预测出备件需求量。为了实现上述目的，本发明采取了如下技术方案。一种高精度的备件需求预测方法，包括：
采集备件需求预测相关的元数据，将ETL处理后的元数据存入数据库中；
对数据库中存储的元数据进行预处理，该预处理包括数据汇总、数据整合和分析处理；
对预处理后的元数据进行数据特征挖掘，确定影响备件需求的各个因素，分析出各个因素对备件需求的影响程度，将各个因素按照影响程度的大小进行排序；
在备件需求预测阶段，以经过关键因素识别算法处理后计算出的影响程度靠前的元数据作为源数据，将所述源数据输入到基于LinearRegression、AdaBoost、GBDT的机器学习融合建模预测方法中，对未来某个月份的备件需求量进行预测分析，并输出预测结果。
所述的采集备件需求预测相关的元数据，将ETL处理后的元数据存入数据库中，包括：
配置数据采集任务，设置数据采集任务的任务属性，该任务属性包括采集对象、采集时间、采集周期和审核级别，通过软件程序执行所述数据采集任务，通过数据采集、交换处理、数据汇总和导入加载服务功能从企业部门的数据源中采集元数据；所述元数据涉及备件信息的各个方面，所述数据源来自从备件生产到备件使用的各个环节；对采集的元数据进行ETL处理，将ETL处理后的元数据存入数据库中。
所述的元数据包括：各备件的基本信息、已消耗备件的历史工作量、备件的库存信息、备件的采购信息、备件的工作环境、备件的维修信息、备件的分类信息、备件的保养信息、备件的供应信息、备件的消耗信息、备件的经济型和脆弱性数据。
对所述的数据库中存储的元数据进行预处理，该预处理包括数据汇总、数据整合和分析处理，包括：
通过元数据管理功能对数据库中存储的元数据进行数据汇总、数据整合和分析处理，在整个业务过程中通过使用元数据对各环节、各阶段存在的各种数据进行全方位描述，所述整个业务流程是指备件的生产、运输、使用、消耗和更换环节，所述各环节包括备件的供应环节、采购环节、运输环节、生产环节、使用环节以及检修环节，所述各阶段包括备件使用的各个阶段；所述数据汇总用来审查数据的正确性与有效性。
所述影响因素包括备件市场供应量、修理次数、备件每月消耗量、修理数量、修理程度、采购数量、备件设备工作时间、备件供应商数量、采购单价、保养效果、采购次数和保养次数。
所述的在备件需求预测阶段，以经过关键因素识别算法处理后计算出的影响程度靠前的元数据作为源数据，将所述源数据输入机器学***台展示备件需求量的预测结果。
所述的关键因素识别算法为XGBoost算法模型；所述的机器学习模型包括：GBDT预测模型、LinearRegression预测模型和AdaBoost预测模型。
由上述本发明的实施例提供的技术方案可以看出，本发明实施例方法得到的备件需求量预测能够对部门决策和规划具有积极的意义，决策者可以依靠预测结果，通过供应链经济原理，做出合理的购买计划，有利于部门充分利用资源，合理地分配购买各备件的数量，减少不必要的财产成本和其他运营成本。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种高精度的备件需求预测方法的实现原理图；
图2为本发明实施例提供的一种高精度的备件需求预测方法的处理流程图；
图3为本发明实施例提供的一种基于LinearRegression、AdaBoost、GBDT的机器学习融合建模预测方法对备件需求量进行预测分析的处理流程图；
图4为本发明实施例提供的一种影响备件需求的各个因素示意图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
备件需求预测不同于一般物资的需求预测，因为备件需求具有很大的不确定性以及间断型，如果单纯地利用简单的预测技术，预测结果难免与实际需求有较大的偏差，导致备件库存量过多使企业积压大量的流动资金，或者过少造成设备停机损失，影响企业的经济效益。
本发明实施例提供一种高精度的备件需求预测方法，目的是解决当前备件需求预测方法繁琐，预测结果与实际差距较大，可靠性较低，没有一个完整的备件需求预测***进行***性地预测分析其需求量。
本发明中的备件需求预测是按月的时间间隔进行预测，通过已有的历史数据，进行备件需求特征挖掘，预测未来月份的备件需求量，这可以为决策者根据供应链关系快速决定备件购买量，提高经济效益。
本发明实施例提供的一种高精度的备件需求预测方法的实现原理图如图1所示，具体处理流程如图2所示，包括如下的处理步骤：
步骤S10、采集备件需求预测相关的元数据，将ETL(Extract-Transform-Load，抽取、转换、加载)处理后的元数据存入数据库中。
在数据采集阶段，首先定义需要采集的备件需求预测相关的元数据，确定元数据的含义和标准。
元数据主要是对业务数据本身及其运行环境的描述与定义的数据，例如对数据库、表、列、列属性(类型、格式和约束等)等的描述。对于ETL过程来说，元数据的重要意义集中表现为：
(1)定义数据源的位置及数据源的属性；
(2)确定从源数据到目标数据的对应规则；
(3)确定相关的业务逻辑；
(4)在数据实际加载前的其它必要的准备工作。元数据一般贯穿整个数据仓库项目，ETL的所有过程必须最大化地参照元数据。合理的元数据能够有效地描绘出信息的关联性，将它与数据质量结合起来，可以更加有效地指导ETL过程。
在本申请中元数据主要包括各备件的基本信息、已消耗备件的历史工作量、备件的库存信息、备件的采购信息、备件的工作环境、备件的维修信息、备件的分类信息、备件的保养信息、备件的供应信息、备件的消耗信息、备件的经济型和脆弱性等基础数据。元数据是ETL过程的“指挥中心”，因此元数据的选取、规范以及管理都直接影响到ETL过程的正确性和效率。
配置数据采集任务，根据数据的实际情况灵活调整采集任务，设置数据采集任务的采集对象、采集时间、采集周期和审核级别等任务属性。
通过软件程序执行上述数据采集任务，通过数据采集、交换处理、数据汇总、导入加载等服务功能从企业部门的数据源中采集元数据。实际应用中，数据源较多采用的是关系数据库，其他数据源也有文件形式，例如txt文件、excel文件、xml文件、PDF文件等。
由上述的元数据我们可以得知，需要采集的元数据涉及备件信息的各个方面，需要从备件的生产到使用的各个环节采集信息。因此元数据采集的数据源来自从备件生产到备件使用的各个环节。使用的方式有人工记录、机器扫描，将信息同步在数据库中，使用ETL工具进行数据清理已达到使用要求。
由于从数据源中采集的元数据不一定完全满足数据库的要求，因此要对采集的元数据进行ETL处理。将ETL处理后的元数据存入数据库中，以便于对元数据进行汇总、分析处理。
一个ETL***需要能够在限定时间内完成对日常数据周期性的自动加载，支持对初始数据及历史数据的加载，并满足未来扩充的要求。***中数十个或者更多目标数据表及其相当大数量的源数据意味着ETL程序的复杂性，庞大的数据量则需要充分考虑***运行的效率，为方便开发复杂的程序，就要求灵活而简单明了的程序结构；而程序的效率的优化的要求又往往需要针对不同数据做个性化设计。因此，ETL的设计必须在开发的可管理性和程序性能之间取得平衡。
步骤S20、对数据库中存储的元数据进行预处理，该预处理包括数据汇总、数据整合和分析处理。
通过元数据管理功能对数据库中存储的元数据进行数据汇总、数据整合和分析处理，在整个业务过程中通过元数据对各环节、各阶段存在的各种数据进行全方位描述，使***中的数据信息全程可解读、可管理。
整个业务流程是指备件的生产、运输、使用、消耗和更换等环节，包含了一个备件完整的生命周期，确保备件的每个环节都在考虑之中，便于提升备件模型预测的准确率。其中各环节主要涉及备件的供应环节(包含市场供应量、供应商数量、供应最低单价、供应最高单价、备件获取难度等信息)、采购环节(包含备件采购数量、采购次数、采购单价、采购标准、备件缺货成本等信息)、运输环节(包含备件运输成本、备件存储成本等信息)、生产环节(包含备件制造商、备件厂家、技术规范、备件材质、是否标准、备件用料、备件所属类别、备件设备工作时间、生成设备工作强度等信息)、使用环节(包含备件重要性、备件可替换性、库存环境、备件工作温度、备件工作强度、备件工作位置、备件易损程度等信息)以及检修环节(包含备件修理次数、备件修理数量、修理程度、保养次数、保养效果等信息)；各阶段则是针对备件使用的各个阶段，比如制造、运输、采购、使用以及检修等阶段。
数据汇总是总体把握数据、审核数据的综合性方法，用来审查数据的正确性与有效性。对于需求预测工作来说，汇总审查数据的作用至关重要，数据正确有效是需求预测的基础。数据汇总业务主要是通过***定制的汇总规则，实现采集数据自动汇总功能，产生汇总数据报表，并提供导出打印。然后通过数据转换加载服务进行格式转换后存储到***的数据库中，而且终保存上报单位的原样数据作为存档。
上述对元数据的ETL处理和预处理的目的是为了保证数据的时效性、合法性、完整性、一致性、可审计和安全性以及平台的管理。
步骤S30、对预处理后的元数据进行数据特征挖掘，确定影响备件需求的各个因素，分析出各个因素对备件需求的影响程度，将各个因素按照影响程度的大小进行排序。
本发明实施例提供的一种影响备件需求的各个因素示意图如图4所示。在数据中的影响因素有很多，如图4所示，可以看到对结果有影响的因素有备件市场供应量、修理次数、备件每月消耗量、修理数量、修理程度、采购数量、备件设备工作时间、备件供应商数量、采购单价、保养效果、采购次数和保养次数等因素有关。
步骤S40、在备件需求预测阶段，可以使用关键因素识别算法剔除掉无用的影响因素，减少训练特征，提升模型训练效果。以经过影响程度分析处理后计算出的影响程度靠前的元数据、各个有用的影响因素以及排序后的各个影响因素对备件需求的影响程度作为源数据，对不同类型的因素采用One-hotencoding、Label-encoding等编码方式对元数据进行处理，将处理后的元数据输入到基于LinearRegression、AdaBoost、GBDT的机器学习融合建模预测方法中，对未来某个月份的备件需求量进行预测分析，并输出预测结果。
在机器学习中无用特征越多反而影响模型的泛化能力和学习时间，使用排序后的各个影响因素进行基于LinearRegression、AdaBoost、GBDT的机器学习融合建模预测方法训练，能够明显地改善机器学习的精度，减少模型训练时间，有效地避免维灾难问题。减轻维数灾难问题：特征个数越多，模型也会越复杂，其泛化能力会下降。降低学习任务的难度：特征个数越多，分析特征、训练模型所需的时间就越长。
机器学习的本质是函数学习，将已有的数据特征和预测结果使用机器学习算法进行模型训练和建模，最后会得到一个可以用来计算的函数也就是我们所说的算法模型，最后将需要预测的数据特征输入函数，得到预测结果。
在本***中我们使用XGBoost算法模型算法进行模型训练，提取出数据中关键特征，减少无用特征带来的影响。然后调用GBDT预测模型、LinearRegression预测模型和AdaBoost预测模型进行多模型融合训练和预测，提升备件需求预测的准确度。然后，可以通过报表、图表和地图展示等方式在前端展示平台展示备件需求量的预测结果，供使用者简便、快捷地查看。
前端展示平台采用B/S架构，由一整套组件或服务构成，并通过功能强大、基于Web的通信框架相连接，满足应用户不同的应用需求。前端展示平台可以采用Jquery、JS等页面展示技术。
基于LinearRegression、AdaBoost、GBDT的机器学习融合建模预测方法通过编程语言进行算法实现。
本发明实例提供的一种基于LinearRegression、AdaBoost、GBDT的机器学***台集成相关的预测功能，实现配置管理。从预测所需数据、到预测所需的工具、算法、功能，乃至分析结果的展现形式均可自行定义，这样就提供了一个可扩展的分析平台供用户自行进行分析活动。
在所需的程序算法设计问题和数据分析处理的过程中，会涉及到大量的数学运算。虽然现代数值计算数学理论已经得到了很好的发展，大部分计算问题都具有高效的标准解，但是用计算机模拟复杂模型的计算量仍然很大。目前国际流行通用的工程计算软件R/Python等语言中涵盖了模型拟合工具，为这一问题提供了解决方案。
基于LinearRegression、AdaBoost、GBDT的机器学习融合建模预测方法利用Python/R语言写好相应的计算函数，然后打包成jar包供Java调用。***用户调用基础数据管理功能模块中的基础数据和预测模型管理模块模型实现算法，从而实现预测，得出预测数据后提供给备件需求分析模块向用户展示。
备件需求预测***客户端运用可视化与用户交互技术，集查询、统计、数据挖掘和分析于一体，在建立和完善数据汇交、数据更新的机制的基础上，通过对各备件的基本信息、已消耗备件的历史任务工作量、备件的库存信息、备件的采购信息、备件的工作环境、备件的维修信息、备件的分类信息、备件的保养信息、备件的供应信息、备件的消耗信息、备件的经济型和脆弱性等基础数据和专题信息的汇集、整合，建立备件需求预测***，观测企业备件的需求情况，充分反映企业对不同备件在不同时间段的需求情况，做到资源需求“一览无余”。通过可视化界面以及数据管理技术，直接面向用户提供友好的人机交互界面，方便非专业的管理与决策人员操作。通过融合多种机器学习模型预测技术(其中包括GBDT预测模型、LinearRegression预测模型和AdaBoost预测模型)，对数据进行全方位的数据模型训练，并预测数据，为相关部门提供数据共享和信息化服务，为企业的管理决策提供支撑。***根据用户需求、知识库的数据模式与专家知识，以及相关的软件工程标准进行设计，利用开发工具编程实现。
综上所述，本发明实施例方法得到的备件需求量预测能够对部门决策和规划具有积极的意义，决策者可以依靠预测结果，通过供应链经济原理，做出合理的购买计划，有利于部门充分利用资源，合理地分配购买各备件数量，减少不必要的财产成本和其他运营成本，因此能够达到节约成本，聚焦更需要的备件的目的，最终提高部门收益。
本发明实施例方法得到的备件需求量预测结果的准确性对于部门决策有着巨大的影响，不准确的预测结果将会对部门产生更大的损失，所以对传统方法的改进与创新，弥补缺点与不足或者引进新方法也是很重要的一环，因此，加强对备件需求预测的研究也是具有现实意义与很强的社会经济价值。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或***实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及***实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (4)
1.一种高精度的备件需求预测方法，其特征在于，包括：
采集备件需求预测相关的元数据，将ETL处理后的元数据存入数据库中；
对数据库中存储的元数据进行预处理，该预处理包括数据汇总、数据整合和分析处理；
对预处理后的元数据进行数据特征挖掘，确定影响备件需求的各个因素，分析出各个因素对备件需求的影响程度，将各个因素按照影响程度的大小进行排序；
在备件需求预测阶段，以经过关键因素识别算法处理后计算出的影响程度靠前的元数据作为源数据，将所述源数据输入到基于LinearRegression、AdaBoost、GBDT的机器学习融合建模预测方法中，对未来某个月份的备件需求量进行预测分析，并输出预测结果；
所述的采集备件需求预测相关的元数据，将ETL处理后的元数据存入数据库中，包括：
配置数据采集任务，设置数据采集任务的任务属性，该任务属性包括采集对象、采集时间、采集周期和审核级别，通过软件程序执行所述数据采集任务，通过数据采集、交换处理、数据汇总和导入加载服务功能从企业部门的数据源中采集元数据；所述元数据涉及备件信息的各个方面，所述数据源来自从备件生产到备件使用的各个环节；对采集的元数据进行ETL处理，将ETL处理后的元数据存入数据库中；
所述的在备件需求预测阶段，以经过关键因素识别算法处理后计算出的影响程度靠前的元数据作为源数据，将所述源数据输入机器学习算法中训练模型，使用基于LinearRegression、AdaBoost、GBDT的机器学习融合建模预测方法对未来某个月份的备件需求量进行预测分析，并输出预测结果，包括：
在备件需求预测阶段，使用关键因素识别算法剔除掉无用的影响因素，以经过关键因素识别算法处理后计算出的影响程度靠前的元数据作为源数据，对不同类型的影响因素进行编码处理后，使用基于LinearRegression、AdaBoost、GBDT的机器学***台展示备件需求量的预测结果。
2.根据权利要求1所述的方法，其特征在于，对所述的数据库中存储的元数据进行预处理，该预处理包括数据汇总、数据整合和分析处理，包括：
通过元数据管理功能对数据库中存储的元数据进行数据汇总、数据整合和分析处理，在整个业务流程中通过使用元数据对各环节、各阶段存在的各种数据进行全方位描述，所述整个业务流程是指备件的生产、运输、使用、消耗和更换环节，所述各环节包括备件的供应环节、采购环节、运输环节、生产环节、使用环节以及检修环节，所述各阶段包括备件使用的各个阶段；所述数据汇总用来审查数据的正确性与有效性。
3.根据权利要求1所述的方法，其特征在于，所述因素包括备件市场供应量、修理次数、备件每月消耗量、修理数量、修理程度、采购数量、备件设备工作时间、备件供应商数量、采购单价、保养效果、采购次数和保养次数。
4.根据权利要求1所述的方法，其特征在于，所述的元数据包括：各备件的基本信息、已消耗备件的历史工作量、备件的库存信息、备件的采购信息、备件的工作环境、备件的维修信息、备件的分类信息、备件的保养信息、备件的供应信息、备件的消耗信息、备件的经济型和脆弱性数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110411100.3A CN113127538B (zh) | 2021-04-16 | 2021-04-16 | 一种高精度的备件需求预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110411100.3A CN113127538B (zh) | 2021-04-16 | 2021-04-16 | 一种高精度的备件需求预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113127538A CN113127538A (zh) | 2021-07-16 |
| CN113127538B true CN113127538B (zh) | 2024-02-09 |
Family
ID=76777034
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110411100.3A Active CN113127538B (zh) | 2021-04-16 | 2021-04-16 | 一种高精度的备件需求预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113127538B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115081967B (zh) * | 2022-08-22 | 2022-11-29 | 中科航迈数控软件(深圳)有限公司 | 基于多维度感知的数控机床加工过程的模拟方法及*** |
| CN115375250B (zh) * | 2022-10-27 | 2023-01-06 | 河北东来工程技术服务有限公司 | 一种船舶备件物料管理的方法和*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001063457A2 (en) * | 2000-02-22 | 2001-08-30 | I2 Technologies, Inc. | Electronic marketplace providing service parts inventory planning and management |
| CN108898245A (zh) * | 2018-06-15 | 2018-11-27 | 上海探能实业有限公司 | 一种用于风电机组零部件的需求预测方法 |
| CN108960588A (zh) * | 2018-06-15 | 2018-12-07 | 上海探能实业有限公司 | 一种针对风电机组备品备件的综合评价方法 |
| KR101966558B1 (ko) * | 2017-12-08 | 2019-04-05 | 세종대학교산학협력단 | 장비 재고상태 및 수리부속 조달 요구를 시각화하는 시스템 및 방법 |
| CN111489037A (zh) * | 2020-04-14 | 2020-08-04 | 青海绿能数据有限公司 | 一种基于需求预测的新能源风机备件储备策略优化方法 |
-
2021
- 2021-04-16 CN CN202110411100.3A patent/CN113127538B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001063457A2 (en) * | 2000-02-22 | 2001-08-30 | I2 Technologies, Inc. | Electronic marketplace providing service parts inventory planning and management |
| KR101966558B1 (ko) * | 2017-12-08 | 2019-04-05 | 세종대학교산학협력단 | 장비 재고상태 및 수리부속 조달 요구를 시각화하는 시스템 및 방법 |
| CN108898245A (zh) * | 2018-06-15 | 2018-11-27 | 上海探能实业有限公司 | 一种用于风电机组零部件的需求预测方法 |
| CN108960588A (zh) * | 2018-06-15 | 2018-12-07 | 上海探能实业有限公司 | 一种针对风电机组备品备件的综合评价方法 |
| CN111489037A (zh) * | 2020-04-14 | 2020-08-04 | 青海绿能数据有限公司 | 一种基于需求预测的新能源风机备件储备策略优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113127538A (zh) | 2021-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108932589B (zh) | 一种企业信息化项目实施管理*** | |
| Usenko et al. | Formation of an integrated accounting and analytical management system for value analysis purposes | |
| US20080319811A1 (en) | System and method for modeling an asset-based business | |
| US11372896B2 (en) | Method and apparatus for grouping data records | |
| US20180158146A1 (en) | Financial Operating Platform For Autonomous And Semi-Autonomous Cash Forecasting And Projecting Financial Results | |
| CN113127538B (zh) | 一种高精度的备件需求预测方法 | |
| KR20210001243A (ko) | 제품수명주기에 따른 수명주기별 온라인과 오프라인 정보분석 서비스 시스템 | |
| CN113127537B (zh) | 融合时序预测模型和机器学习模型的备件需求预测方法 | |
| CN115310766B (zh) | 一种基于大数据分析的企业管理*** | |
| CN109785106A (zh) | 一种erp***对账方法 | |
| CN113408890A (zh) | 基于人工智能的产业投资项目后评价报告生成方法和*** | |
| Vogelgesang et al. | Celonis PQL: A query language for process mining | |
| CN110544035A (zh) | 一种内控检测方法、***和计算机可读存储介质 | |
| CN113723822A (zh) | 供电服务数据管理*** | |
| CN115170090A (zh) | 一种项目管理方法、装置、电子设备及可读存储介质 | |
| CN111915100B (zh) | 一种高精度的货运预测方法和货运预测*** | |
| CN115375190A (zh) | 一种企业经营管理***及方法 | |
| Kucherenko et al. | Accounting Information System under the Digital Transformation | |
| Wan et al. | Improvement of ERP Cost Accounting System with Big Data | |
| Singh et al. | Design of Integrated Business Intelligence System Framework for Insurance Business Processes | |
| Kaur | Business intelligence and E-banking: a study of Bi importance in banking sector | |
| Cunong et al. | Analysis of Oros Modeler Data Reporting Process to SAP HANA in Activity Based Costing for Indonesia Telecommunication Industry | |
| Das | Applications of management information system in an organization | |
| Voskresenska et al. | Management reporting of the enterprise: content characteristics and specific nature of its formation | |
| Zhang et al. | Cost-oriented Information Construction for Enterprise Based on ERP System |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |