基于大数据的物料需求分析预测方法、装置及存储介质与流程

摘要: 本发明涉及工业大数据分析与挖掘,尤其涉及基于大数据的物料需求分析预测方法、装置及存储介质。背景技术:1、现有的物料需求分析预测通常基于历史消耗、生产计划、订单及...
基于大数据的物料需求分析预测方法、装置及存储介质与流程

本发明涉及工业大数据分析与挖掘,尤其涉及基于大数据的物料需求分析预测方法、装置及存储介质。

背景技术:

1、现有的物料需求分析预测通常基于历史消耗、生产计划、订单及物料清单数据进行统计分析,并结合时间序列预测或需求计算方法确定未来物料需求数量和需求时间。此类方法能够利用历史生产数据辅助物料计划制定,但通常侧重需求量变化本身,对生产任务在不同版本间发生的物料变化缺乏连续追踪。

2、在实际生产过程中,生产条件、物料清单及物料对应关系会随任务执行发生变化,同一物料需求可能出现延续、替代或终止。现有方法往往按照固定物料索引处理连续历史数据,难以区分不同生产版本之间真实延续的物料需求,容易将已经失效或对应关系发生变化的需求状态继续纳入预测过程。

3、此外,当相邻生产版本中的物料存在多个候选对应对象时,现有方法通常缺少结合预测状态对局部对应关系进行校正并反向更新预测过程的机制,导致跨版本物料关系中的局部偏差持续传递,影响最终物料需求预测结果的准确性。

4、因此,如何提供基于大数据的物料需求分析预测方法、装置及存储介质是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出基于大数据的物料需求分析预测方法、装置及存储介质,本发明采用跨版本物料需求追踪与改进moderntcn模型相结合的方法,通过生产需求版本链建立物料需求存续轨迹,并利用索引重排机制改变模型内部隐藏状态传播路径,实现物料需求跨版本连续分析;在此基础上,通过sinkhorn算法校正局部歧义对应关系并反馈模型重新传播,获得稳定的物料需求对应关系,进而确定有效物料需求的数量和需求时间,能够减少失效需求及错误对应对预测结果的干扰,提高物料需求预测的准确性和稳定性。

2、根据本发明实施例的基于大数据的物料需求分析预测方法,包括如下步骤:

3、采集物料需求工业数据并按生产任务关联归并,形成生产物料数据集;

4、依据生产条件变化组织生产物料数据集,形成生产需求版本链和包含确定关系、待校正关系的跨版本物料需求对应关系;

5、沿生产需求版本链和跨版本物料需求对应关系追踪历史物料需求并关联当前生产任务,形成物料需求存续轨迹和当前物料需求状态序列;

6、将物料需求存续轨迹和当前物料需求状态序列接入改进moderntcn模型,按跨版本物料需求对应关系重排隐藏状态传播位置并恢复版本内物料关联,形成当前轮物料需求预测状态;

7、依据当前轮物料需求预测状态对待校正关系执行sinkhorn算法,保持确定关系不变,形成局部校正关系;

8、将发生变化的局部校正关系回写至跨版本物料需求对应关系并反馈至隐藏状态传播位置,重新执行模型处理和sinkhorn算法直至对应关系保持不变,形成稳定跨版本物料需求对应关系;

9、依据稳定跨版本物料需求对应关系和最后一轮物料需求预测状态,确定有效物料需求的需求数量和需求时间,形成物料需求预测结果。

10、可选的,所述形成生产物料数据集,包括:

11、读取物料需求工业数据中的生产任务信息,将对应同一生产任务的数据建立关联;

12、按照数据发生时间整理同一生产任务对应的物料需求工业数据,保留初始记录以及生产条件或物料需求内容发生变化的记录,形成各生产任务对应的物料数据;

13、归并各生产任务对应的物料数据,形成生产物料数据集。

14、可选的,所述形成生产需求版本链和包含确定关系、待校正关系的跨版本物料需求对应关系,包括:

15、按照发生时间整理生产物料数据集内同一生产任务对应的数据,将生产条件或物料需求内容发生变化的位置确定为生产版本边界;

16、按照生产版本边界划分同一生产任务的连续数据,并按时间先后连接各生产版本,形成生产需求版本链;

17、依据物料对象及生产物料数据集中保留的变化记录匹配相邻生产版本中的物料需求,将物料对象一致或变化记录中已记录对应对象的匹配结果确定为确定关系,将存在多个候选对象且变化记录未记录对应对象的匹配结果确定为待校正关系;

18、汇集确定关系和待校正关系,形成跨版本物料需求对应关系。

19、可选的,所述形成物料需求存续轨迹和当前物料需求状态序列,包括:

20、按照生产需求版本链的时间顺序,沿跨版本物料需求对应关系逐版本追踪历史物料需求,并以生产物料数据集中对应生产任务的生产执行结果确定追踪终点,形成物料需求存续轨迹;

21、定位当前生产任务对应的生产版本,沿跨版本物料需求对应关系连接当前生产任务各版本中的物料需求,并按生产版本先后排列对应结果,形成当前物料需求状态序列。

22、可选的,所述改进moderntcn模型包括分块嵌入层、多级处理阶段和多尺度融合与预测层,所述各级处理阶段包括依次连接的索引重排层、下采样与大核深度卷积层以及索引恢复与变量混合层;

23、分块嵌入层按照生产版本顺序将物料需求存续轨迹和当前物料需求状态序列编码为隐藏状态,并保留各生产版本对应的物料排列;

24、索引重排层根据跨版本物料需求对应关系生成相邻生产版本的变量索引映射,将对应对象已经确定的隐藏状态映射至同一变量索引并按生产版本顺序排列,对应关系中断时不再沿原变量索引排列后一生产版本的隐藏状态,对前一生产版本无对应对象的当前隐藏状态建立新的变量索引;

25、下采样与大核深度卷积层沿重排后的变量索引执行下采样和可重参数化大核深度卷积,形成沿跨版本物料需求对应关系连续传播的时间特征;

26、索引恢复与变量混合层按照变量索引映射将时间特征恢复至索引重排前的物料排列,执行逐点分组卷积,并将处理结果与对应物料的重排前隐藏状态相加,形成版本内物料需求状态;

27、多尺度融合与预测层融合各级版本内物料需求状态,形成包含需求存续状态、需求状态特征、需求数量和需求时间的当前轮物料需求预测状态。

28、可选的,所述形成局部校正关系,包括:

29、冻结确定关系对应的物料需求,从待校正关系中提取未被确定关系占用的前后生产版本候选物料需求;

30、从当前轮物料需求预测状态中提取前后生产版本各候选物料需求对应的需求状态特征,计算需求状态特征之间的欧氏距离,并按前版候选为行、后版候选为列形成局部代价矩阵;

31、对局部代价矩阵取相反数后执行指数变换,并对所得非负矩阵交替执行行归一化和列归一化,得到sinkhorn匹配矩阵;

32、按照sinkhorn匹配矩阵中的匹配值由大到小依次选取未占用行列的交叉位置建立候选物料需求对应,未匹配候选不建立跨版本对应,并与冻结的确定关系合并,形成局部校正关系。

33、可选的,所述形成稳定跨版本物料需求对应关系,包括:

34、比较局部校正关系与跨版本物料需求对应关系,确定对应对象发生变化的物料对应;

35、以局部校正关系中的对应对象替换发生变化的物料对应,保留其余物料对应,形成更新后的跨版本物料需求对应关系;

36、将更新后的跨版本物料需求对应关系反馈至改进moderntcn模型的隐藏状态重排位置,仅重新排列发生变化的物料对应关联的隐藏状态,并重新执行模型处理和sinkhorn算法,形成新一轮局部校正关系;

37、比较新一轮局部校正关系与更新后的跨版本物料需求对应关系,存在对应差异时重复关系替换和隐藏状态重排,对应一致时形成稳定跨版本物料需求对应关系。

38、可选的,所述形成物料需求预测结果,包括:

39、依据稳定跨版本物料需求对应关系,定位当前生产版本各物料需求在最后一轮物料需求预测状态中的需求存续状态,将需求存续状态为继续存续的物料需求确定为有效物料需求;

40、读取有效物料需求对应的需求数量和需求时间,形成物料需求预测结果。

41、根据本发明实施例的基于大数据的物料需求分析预测装置,包括:

42、数据归并单元,用于按生产任务关联物料需求工业数据,形成生产物料数据集;

43、版本关联单元,用于依据生产条件变化组织生产物料数据集,形成生产需求版本链和跨版本物料需求对应关系;

44、需求追踪单元,用于沿生产需求版本链和跨版本物料需求对应关系追踪物料需求,形成物料需求存续轨迹和当前物料需求状态序列;

45、状态预测单元,用于通过改进moderntcn模型按跨版本物料需求对应关系重排隐藏状态传播位置,形成当前轮物料需求预测状态;

46、关系校正单元,用于依据当前轮物料需求预测状态执行sinkhorn算法,保持确定关系并校正待校正关系,形成局部校正关系;

47、反馈更新单元,用于将发生变化的局部校正关系回写并反馈至隐藏状态传播位置,重复模型处理和关系校正至对应关系保持不变,形成稳定跨版本物料需求对应关系;

48、结果生成单元,用于结合稳定跨版本物料需求对应关系和最后一轮物料需求预测状态,确定物料需求数量和需求时间,形成物料需求预测结果。

49、可选的,所述计算机可读存储介质中存储有计算机程序指令,所述计算机程序指令被处理器执行时,执行基于大数据的物料需求分析预测方法。

50、本发明的有益效果是:

51、本发明通过对物料需求工业数据按照生产任务进行关联归并,并依据生产条件变化构建生产需求版本链及跨版本物料需求对应关系,将不同生产版本中的物料需求连续组织为物料需求存续轨迹,能够区分持续有效需求、发生变化的需求及已终止需求,减少传统方法直接按固定物料索引汇总历史数据造成的需求状态混淆,提高物料需求历史信息组织的准确性。

52、本发明利用改进moderntcn模型对物料需求存续轨迹和当前物料需求状态序列进行分析,通过跨版本物料需求对应关系重排隐藏状态传播位置,使下采样及大核深度卷积沿连续的物料需求存续关系执行,并在时间特征提取后恢复版本内物料关联,能够减少不同生产版本中无连续对应关系的物料状态相互干扰,提高需求存续状态、需求数量和需求时间预测的准确性。

53、本发明通过sinkhorn算法对跨版本物料需求中的待校正关系进行局部匹配,在保持确定关系不变的情况下修正歧义对应,并将发生变化的对应关系反馈至改进moderntcn模型重新调整隐藏状态传播位置,直至跨版本对应关系保持稳定,从而降低局部错误对应在连续预测过程中的累积影响,提高最终有效物料需求预测结果的稳定性和可靠性。