申请/专利权人:北京交通大学
申请日:2021-04-16
公开(公告)日:2021-07-16
公开(公告)号:CN113127537A
主分类号:G06F16/2458(20190101)
分类号:G06F16/2458(20190101);G06F16/25(20190101);G06N3/04(20060101);G06N20/20(20190101);G06Q10/04(20120101);G06Q10/08(20120101)
优先权:
专利状态码:有效-授权
法律状态:2023.11.24#授权;2021.08.03#实质审查的生效;2021.07.16#公开
摘要:本发明提供了一种融合时序预测模型和机器学习模型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LSTM、GRU时序预测和XGBoost、Randomforest机器学习融合模型预测方法中,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。
主权项:1.一种融合时序预测模型和机器学习模型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LSTM、GRU时序预测和XGBoost、Randomforest机器学习融合模型预测方法中,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。
全文数据:
权利要求:
百度查询: 北京交通大学 融合时序预测模型和机器学习模型的备件需求预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。