器材需求预测模型架构的构建方法及器材需求预测方法
本技术涉及航空勤务保障,尤其涉及一种器材需求预测模型架构的构建方法及器材需求预测方法。
背景技术:
1、在物资保障管理领域,器材消耗预测是支撑库存优化、采购计划制定和保障资源调度的重要基础。准确的消耗预测能够有效降低库存积压成本、提升物资保障效率、确保任务执行可靠性。随着任务场景日趋复杂和保障要求的不断提高,器材消耗呈现出非线性、多因素耦合、小样本、稀疏等复杂特征,对预测方法的精度和泛化能力提出了更高要求。
2、目前,器材消耗预测主要采用两类技术方案。一类是基于统计理论的预测方法,包括线性回归、自回归滑动平均模型、差分自回归滑动平均模型和马尔可夫模型等。该类方法原理简单、计算量小、可解释性强,适用于数据完备、需求趋势平稳的场景。另一类是基于机器学习和深度学习的预测方法,包括支持向量回归、随机森林、极端梯度提升、长短期记忆网络和门控循环单元等。该类方法能够拟合非线性关系、捕捉时序依赖和多因素关联,适用于中等规模及以上样本场景。
3、然而,现有技术仍存在以下不足:第一,难以适配器材多样化的数据特征,预测偏差大、泛化能力不足。第二,模型预测结果稳定性差。第三,无法在小样本和贫信息场景下充分利用有限数据提升模型性能。
技术实现思路
1、本技术旨在至少在一定程度上解决相关技术中的技术问题之一。
2、为此,本技术的第一个目的在于提出一种器材需求预测模型架构的构建方法,通过训练、测试、评分、优选、融合的数据驱动机制,实现了模型选择的客观量化和多模型优势互补,有效避免了单一模型局限性及人工选模的不确定性,显著提升了预测模型的精度和泛化能力。
3、本技术的第二个目的在于提出一种器材需求预测方法。
4、本技术的第三个目的在于提出一种器材需求预测模型架构的构建装置。
5、为达到上述目的,本技术第一方面实施例提出了一种器材需求预测模型架构的构建方法,包括:获取器材的多源需求数据集并对多源需求数据集进行预处理,以生成器材的目标多源需求数据集,其中,多源需求数据集用于表征基于实测任务记录数据生成的器材历史数据;基于预设划分比例对目标多源需求数据集进行划分,以生成器材的训练目标多源需求数据集和测试目标多源需求数据集;响应于器材为非偶发类器材,基于训练目标多源需求数据集分别对预设训练模型集中的每个预设训练模型进行训练,以生成器材的目标训练模型集;基于测试目标多源需求数据集分别对目标训练模型集中的每个目标训练模型进行测试,以生成每个目标训练模型的训练评分;基于每个目标训练模型的训练评分,从目标训练模型集中获取器材的目标预测模型集,并根据目标预测模型集中每个目标预测模型对应的训练评分对目标预测模型集进行融合,以得到器材的需求预测模型架构。
6、另外,根据本技术上述实施例的器材需求预测模型架构的构建方法还可以具有如下的附加技术特征:
7、根据本技术的一个实施例,训练目标多源需求数据包括训练消耗数据和训练需求影响因素数据;基于训练目标多源需求数据集分别对预设训练模型集中的每个预设训练模型进行训练,以生成器材的目标训练模型集,包括:基于训练需求影响因素数据和预设训练模型进行消耗预测,以生成预测消耗数据;基于训练消耗数据和预测消耗数据,生成消耗数据偏差;基于消耗数据偏差对预设训练模型的模型参数进行调整,直至消耗数据偏差满足预设训练条件,将调整后的预设训练模型作为目标训练模型,并基于目标训练模型生成器材的目标训练模型集。
8、根据本技术的一个实施例,测试目标多源需求数据包括测试消耗数据和测试需求影响因素数据;基于测试目标多源需求数据集分别对目标训练模型集中的每个目标训练模型进行测试,以生成每个目标训练模型的训练评分,包括:基于测试需求影响因素数据和目标训练模型进行消耗预测,以生成测试预测消耗数据;基于测试消耗数据和测试预测消耗数据生成目标训练模型的训练评分。
9、根据本技术的一个实施例,基于测试消耗数据和测试预测消耗数据生成每个目标训练模型的训练评分,包括:分别对测试消耗数据和测试预测消耗数据进行计算,以得到测试消耗数据和测试预测消耗数据的平均绝对误差、均方根误差、平均绝对百分比误差和决定系数;基于预设加权策略、平均绝对误差、均方根误差、平均绝对百分比误差和决定系数,计算得到每个目标训练模型的训练评分。
10、根据本技术的一个实施例,基于每个目标训练模型的训练评分,从目标训练模型集中获取器材的目标预测模型集,包括:将每个目标训练模型的训练评分进行降序排序,以得到训练评分排名;将训练评分排名中前预设个数的训练评分对应的目标训练模型作为目标预测模型,并基于目标预测模型生成目标预测模型集。
11、根据本技术的一个实施例,根据目标预测模型集中每个目标预测模型对应的训练评分对目标预测模型集进行融合,以得到器材的需求预测模型架构,包括:基于目标预测模型集中的目标预测模型对应的训练评分进行计算,以得到模型融合权重;基于模型融合权重对目标预测模型集进行融合,以生成需求预测模型架构。
12、根据本技术的一个实施例,器材需求预测模型架构的构建方法还包括:响应于器材为偶发类器材,基于器材和目标多源需求数据集对预设预测模型集中的预设预测模型进行迭代验证,以生成器材的模型验证结果,其中,模型验证结果包括每轮迭代验证的预设预测模型的验证评分排名;基于模型验证结果从预设预测模型集中,获取满足预设评分条件的预设预测模型,并将满足预设评分条件的预设预测模型作为目标预测模型。
13、根据本技术的一个实施例,器材需求预测模型架构的构建方法还包括:当训练目标多源需求数据集中的训练目标多源需求数据被消耗完时,响应于消耗数据偏差不满足预设训练条件,基于预设调整策略对预设划分比例进行调整。
14、为达到上述目的,本技术第二方面实施例提出了一种器材需求预测方法,包括:获取器材的当前周期的需求影响因素数据,并对需求影响因素数据进行预处理以生成目标需求影响因素数据;获取需求预测模型架构,其中,需求预测模型架构基于如前述的器材需求预测模型架构的构建方法训练获得;基于目标需求影响因素数据和需求预测模型架构进行需求预测,以生成器材的下一周期的器材消耗预测数据。
15、根据本技术的器材需求预测方法,通过将需求预测模型架构直接部署至实际预测环节,在输入当前周期的需求影响因素数据后即可快速输出下一周期的消耗预测数据及置信区间,无需重复执行模型训练和验证步骤,降低了预测过程中的计算开销和时间成本。同时,由于需求预测模型架构本身是基于多模型加权融合构建的,其预测结果兼具各组成模型的差异化优势,在保持较高精度的同时具备稳定的泛化能力。置信区间和风险等级的引入,使用户能够量化评估预测结果的可信程度,为器材的库存管理、采购计划和保障资源调度提供更为可靠的决策依据。
16、为达到上述目的,本技术第三方面实施例提出了一种器材需求预测模型架构的构建装置,包括:获取模块,用于获取器材的多源需求数据集并对多源需求数据集进行预处理,以生成器材的目标多源需求数据集,其中,多源需求数据集用于表征基于实测任务记录数据生成的器材历史数据;划分模块,用于基于预设划分比例对目标多源需求数据集进行划分,以生成器材的训练目标多源需求数据集和测试目标多源需求数据集;训练模块,用于响应于器材为非偶发类器材,基于训练目标多源需求数据集分别对预设训练模型集中的每个预设训练模型进行训练,以生成器材的目标训练模型集;评分模块,用于基于测试目标多源需求数据集分别对目标训练模型集中的每个目标训练模型进行测试,以生成每个目标训练模型的训练评分;生成模块,用于基于每个目标训练模型的训练评分,从目标训练模型集中获取器材的目标预测模型集,并根据目标预测模型集中每个目标预测模型对应的训练评分对目标预测模型集进行融合,以得到器材的需求预测模型架构。
17、根据本技术的器材需求预测模型架构的构建装置,实现前述的器材需求预测模型架构的构建方法。通过训练、测试、评分、优选、融合的数据驱动机制,实现了模型选择的客观量化和多模型优势互补,有效避免了单一模型局限性及人工选模的不确定性,显著提升了预测模型的精度和泛化能力。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com