一种基于时空非平稳性的航材需求预测与库存订货参数生成方法及系统与流程

本发明涉及航材供应链需求预测，具体涉及一种基于时空非平稳性的航材需求预测与库存订货参数生成方法及系统。

背景技术：

1、航材库存管理通常需要依据历史领用记录预测后续需求，并据此确定安全库存、订货点和订货量。现有航材需求预测方法多采用移动平均、指数平滑、时间序列回归或静态库存模型等方式，对过去若干周期的领用数量进行平滑、外推或固定参数计算。

2、在训练设备数量持续变化、设备分布基地发生调整、机型结构发生变化的场景下，航材需求序列往往呈现非平稳特性。运行设备数量增加会改变长期需求水平，不同月份的检查任务会形成周期性领用高峰，不同机型、供应商和设备役龄也会改变航材消耗差异。传统方法通常将历史需求作为单一时间序列处理，难以同时表达设备规模、训练小时、检查月份、机型类别、供应商类别和设备役龄对航材需求的共同影响。

3、此外，现有静态库存模型通常采用固定安全库存或固定订货点，难以将预测不确定性、采购提前期和航材重要性等级纳入同一库存计算链路。当预测序列在检查月份、设备迁移月份或异常检修月份出现离散波动时，固定库存参数容易与实际领用节奏脱节，导致库存不足或库存占用偏高。

4、因此，本技术提供一种基于时空非平稳性的航材需求预测与库存订货参数生成方法及系统以解决上述技术问题。

技术实现思路

1、本发明的目的在于提供一种基于时空非平稳性的航材需求预测与库存订货参数生成方法及系统，用以解决现有技术中航材需求预测难以同时适应设备规模变化、检查月份脉冲、机型差异、供应商差异和设备役龄影响，以及静态库存参数难以随预测不确定性动态调整的技术问题。

2、为了解决上述技术问题，本发明提供了一种基于时空非平稳性的航材需求预测与库存订货参数生成方法，包括：

3、从航材领用记录、运行设备数量、设备月训练小时、月份序号、机型类别、供应商类别和设备役龄中提取时序需求量及时空输入向量；

4、对所述时序需求量进行局部加权回归季节趋势分解，得到长期趋势项、检查月份脉冲季节项和随机残差项，对所述运行设备数量进行对数转换并与所述长期趋势项回归拟合，得到趋势预测量，将所述趋势预测量、所述检查月份脉冲季节项和所述随机残差项并入所述时空输入向量；

5、将所述时空输入向量输入极端梯度提升树模型，基于树节点分裂得到静态预测输出；

6、将所述静态预测输出与以时间窗口排列的时空输入向量输入长短期记忆网络模型，基于历史隐藏状态和细胞状态进行门控更新，得到航材需求预测序列；

7、基于所述航材需求预测序列的离散程度生成预测标准差，并结合服务水平系数和采购提前期确定安全库存，根据提前期预测需求和所述安全库存确定订货点，根据经济订货量、所述安全库存、当前库存数量和在途库存数量确定订货量。

8、在其中一些具体实施例中，从航材领用记录、运行设备数量、设备月训练小时、月份序号、机型类别、供应商类别和设备役龄中提取时序需求量及时空输入向量，进一步包括：

9、按航材标识和月份聚合领用数量形成所述时序需求量；

10、将同一月份的运行设备数量写入时间维数据；

11、将设备月训练小时按设备和月份排布成训练强度数据；

12、将月份序号转换成季度检查周期编码和年度周期编码；

13、将机型类别和供应商类别转换成类别取值，将设备役龄转换成役龄取值；

14、拼接所述时间维数据、所述训练强度数据、所述季度检查周期编码、所述年度周期编码、所述类别取值和所述役龄取值得到所述时空输入向量。

15、在其中一些具体实施例中，对所述时序需求量进行局部加权回归季节趋势分解，得到长期趋势项、检查月份脉冲季节项和随机残差项，进一步包括：

16、以预设季节窗口对所述时序需求量执行局部加权平滑，分离随月份重复波动的候选季节序列；

17、从所述时序需求量中扣除所述候选季节序列后，对剩余序列执行局部加权平滑得到所述长期趋势项；

18、从所述时序需求量中扣除所述长期趋势项和所述候选季节序列得到所述随机残差项；

19、对检查月份所在时段的所述候选季节序列执行脉冲幅度保留，对非检查月份所在时段执行平滑幅度约束，得到所述检查月份脉冲季节项。

20、在其中一些具体实施例中，对所述运行设备数量进行对数转换并与所述长期趋势项回归拟合，得到趋势预测量，将所述趋势预测量、所述检查月份脉冲季节项和所述随机残差项并入所述时空输入向量，进一步包括：

21、读取每一历史月份的运行设备数量和所述长期趋势项；

22、对所述运行设备数量进行对数转换后与所述长期趋势项进行回归拟合，得到按航材类别区分的设备规模影响系数和常数项；

23、根据所述设备规模影响系数、待预测月份的运行设备数量对数值和所述常数项确定所述趋势预测量；

24、将所述趋势预测量、所述检查月份脉冲季节项和所述随机残差项并入所述时空输入向量。

25、在其中一些具体实施例中，将所述时空输入向量输入极端梯度提升树模型，基于树节点分裂得到静态预测输出，进一步包括：

26、在每棵回归树的节点处读取所述时空输入向量中的设备规模字段、训练小时字段、月份编码字段、机型类别字段、供应商类别字段和设备役龄字段；

27、基于节点分裂阈值将样本划入叶节点；

28、将各回归树叶节点输出累加为树集成输出；

29、将所述树集成输出作为所述静态预测输出并输入所述长短期记忆网络模型。

30、在其中一些具体实施例中，将所述静态预测输出与以时间窗口排列的时空输入向量输入长短期记忆网络模型，基于历史隐藏状态和细胞状态进行门控更新，得到航材需求预测序列，进一步包括：

31、以预设时间窗口排列所述时空输入向量，并将每个窗口内的时空输入向量与同一时段的静态预测输出拼接为时序输入；

32、在每个预测时段读取前一时段隐藏状态、前一时段细胞状态和所述时序输入；

33、分别执行遗忘门、输入门和输出门加权计算，更新当前时段隐藏状态和当前时段细胞状态；

34、将所述当前时段隐藏状态与所述静态预测输出输入全连接层，得到所述航材需求预测序列。

35、在其中一些具体实施例中，得到航材需求预测序列之后，还包括：

36、对消耗类航材读取运行设备数量和检查月份标记，根据基础到达率、所述运行设备数量和所述检查月份标记确定理论需求强度；

37、基于所述理论需求强度构造泊松分布，并将领用记录中的实际需求次数与所述泊松分布进行拟合检验；

38、当拟合检验结果满足预设契合条件时，将所述航材需求预测序列保留为库存计算输入；

39、当所述拟合检验结果不满足预设契合条件时，采用负二项分布对所述理论需求强度进行离散修正，得到修正后的航材需求预测序列并作为库存计算输入。

40、在其中一些具体实施例中，基于所述航材需求预测序列的离散程度生成预测标准差，并结合服务水平系数和采购提前期确定安全库存，进一步包括：

41、在所述长短期记忆网络模型中保持随机失活层处于采样状态，对同一待预测月份执行多次前向传播，得到多个采样预测量；

42、计算所述多个采样预测量在单个预测周期内的离散程度，得到所述预测标准差；

43、将航材重要性等级映射为所述服务水平系数，将采购渠道类别映射为采购提前期对应的预测周期数；

44、根据所述服务水平系数、所述预测标准差和所述预测周期数确定所述安全库存。

45、在其中一些具体实施例中，根据所述服务水平系数、所述预测标准差和所述预测周期数确定所述安全库存，进一步包括：

46、所述预测周期数以平方根形式参与所述安全库存的确定，所述安全库存由所述服务水平系数、所述预测标准差和所述预测周期数共同确定；

47、所述提前期预测需求包括提前期内的航材需求预测量，根据提前期内的航材需求预测量和所述安全库存确定所述订货点；

48、根据经济订货量和所述安全库存确定目标库存量，根据当前库存数量和在途库存数量确定可用库存量；

49、当所述目标库存量高于所述可用库存量时，根据所述目标库存量与所述可用库存量之间的差异生成所述订货量；

50、当所述订货量小于预设最小采购量时，输出所述预设最小采购量；

51、当所述订货量达到所述预设最小采购量时，输出所述订货量。

52、基于同一构思，本发明还提供一种基于时空非平稳性的航材需求预测与库存订货参数生成系统，包括：

53、输入向量形成模块，配置为从航材领用记录、运行设备数量、设备月训练小时、月份序号、机型类别、供应商类别和设备役龄中提取时序需求量及时空输入向量；

54、非平稳趋势处理模块，配置为对所述时序需求量进行局部加权回归季节趋势分解，得到长期趋势项、检查月份脉冲季节项和随机残差项，对所述运行设备数量进行对数转换并与所述长期趋势项回归拟合，得到趋势预测量，将所述趋势预测量、所述检查月份脉冲季节项和所述随机残差项并入所述时空输入向量；

55、树预测模块，配置为将所述时空输入向量输入极端梯度提升树模型，基于树节点分裂得到静态预测输出；

56、时序预测模块，配置为将所述静态预测输出与以时间窗口排列的时空输入向量输入长短期记忆网络模型，基于历史隐藏状态和细胞状态进行门控更新，得到航材需求预测序列；

57、库存参数生成模块，配置为基于所述航材需求预测序列的离散程度生成预测标准差，并结合服务水平系数和采购提前期确定安全库存，根据提前期预测需求和所述安全库存确定订货点，根据经济订货量、所述安全库存、当前库存数量和在途库存数量确定订货量。

58、与现有技术相比，其有益效果在于：

59、本发明公开了一种基于时空非平稳性的航材需求预测与库存订货参数生成方法及系统，从航材领用记录、运行设备数量、设备月训练小时、月份序号、机型类别、供应商类别和设备役龄中形成时序需求量以及时空输入向量，能够将设备规模变化、训练使用强度、检查月份、机型差异、供应商差异和设备老化程度纳入同一预测输入，避免仅依赖单一历史需求序列外推造成的输入信息不足。

60、将时序需求量分解为长期趋势项、检查月份脉冲季节项和随机残差项，并对运行设备数量进行对数转换后与长期趋势项进行回归拟合，能够对设备数量增长造成的长期需求变化进行单独建模，并保留检查月份集中检修造成的脉冲式季节波动，使非平稳需求序列在进入预测模型前具有明确的数据组成。

61、将时空输入向量输入极端梯度提升树模型，并基于树节点分裂得到静态预测输出，能够表达不同静态特征之间的非线性作用关系，形成静态预测输出，为后续时序预测提供包含空间、设备和类别差异的输入。

62、将静态预测输出与按时间窗口排列的时空输入向量输入长短期记忆网络模型，并利用历史隐藏状态和细胞状态对时段输入执行门控更新，能够在保留静态非线性预测结果的同时引入跨月份需求依赖，使航材需求预测序列同时反映当前月份特征和历史月份变化。

63、对消耗类航材构造理论需求强度并进行泊松分布拟合检验，在拟合检验结果不满足预设契合条件时采用负二项分布对理论需求强度进行离散修正，能够对消耗类航材需求次数的分布形态进行校验，并将过度离散情形转化为修正后的航材需求预测序列。

64、基于航材需求预测序列的离散程度生成预测标准差，并结合服务水平系数、采购提前期、提前期预测需求、当前库存数量和在途库存数量确定安全库存、订货点和订货量，能够将预测不确定性传递到库存参数生成环节，使不同重要性等级和不同采购渠道的航材获得匹配的库存订货参数。