一种通信设备修理备件消耗量的组合预测方法

1.本发明涉及通信设备维修保障技术领域，尤其涉及一种通信设备修理备件消耗量的组合预测方法。


背景技术：

2.随着各领域的通信设备使用强度不断加大，通信设备故障率不断增加，保证通信设备的稳定运行尤为重要，因此需要加强通信设备维修保障工作，以提高通信设备完好率。通信设备修理备件是做好通信设备维修保障的重要物质基础，科学准确地预测通信设备修理备件的消耗量，对提高通信设备维修保障工作的经济效益具有重要意义。
3.目前，传统的通信设备修理备件消耗预测模型主要运用可靠性预测模型、时间序列预测模型、回归预测模型、神经网络预测模型和灰色预测模型中的一种，但是这些模型在实际运用中存在很多难以避免的实质性缺陷。其中，(1)可靠性预测模型需要大量的、精确的可靠性数据支撑，而对于一般通信设备产品来说，可靠性指标需要特定实验环境中获取，与实际使用环境相差较大，从而导致消耗预测不准； (2)时间序列预测模型需要充足的样本数量，而在一个统计周期内可供观测的样本数据较少；(3)回归预测模型需要收集所有影响因素的数据，通常选用少数几种主要影响因素来进行预测，在一定程度上会影响预测的准确性；(4)神经网络预测模型同样依赖于历史消耗数据，而通信设备修理备件收集的历史消耗数据、可供选取的训练样本和测试样本都很有限，导致在bp神经网络的训练不充分，且神经网络预测模型收敛慢，不具备时效性；(5)灰色预测模型对于影响因素的探究不全面，难以通过简单的数量关系进行准确度量，预测存在误差。
4.由此，不同预测模型有不同的适用范围和侧重点，无论哪一种单个预测模型都难以全面、准确地描述通信设备修理备件影响因素与消耗量之间关系。


技术实现要素：

5.本发明提供一种通信设备修理备件消耗量的组合预测方法，把不同预测模型组合起来，综合利用各种预测模型所提供的信息和，以适当的方式组合预测获取最佳预测结果，从而实现提高通信设备修理备件消耗预测精度的目的。
6.本发明提供一种通信设备修理备件消耗量的组合预测方法，其特征在于，包括：
7.获取通信设备修理备件的历史消耗数据并确定所述修理备件消耗的主要影响因素；
8.基于所述历史消耗数据和所述主要影响因素，确定多个预测模型，分别对单个预测模型进行显著性检验，并分别计算通过显著性检验的选定预测模型的预测精度；
9.对每个所述选定预测模型，计算每一时刻的预测精度和预测值，并将每个预测精度和对应的预测值构成多个二维数组，基于多个所述二维数组构建iowa诱导有序数列；
10.对每个所述选定预测模型，计算每一时刻的预测误差，并生成误差信息矩阵；计算每一时刻下，每个选定预测模型的预测值与实际消耗值的误差平方和，令所述误差信息矩
阵的值最小，计算获得每个选定预测模型在组合预测模型中的加权系数，获得组合预测模型的表达式，通过所述组合预测模型的表达式对通信设备修理备件的消耗量进行预测。
11.根据本发明提供的一种通信设备修理备件消耗量的组合预测方法，确定所述修理备件消耗的主要影响因素包括步骤：
12.选取每个影响因素的参照数列，基于每个影响因素对应的观测值计算相对于所述参照数列的灰色绝对关联度和灰色相对关联度，并计算每个影响因素对应的灰色综合关联度，基于所述灰色综合关联度的数值从大到小对对应的影响因素进行排序。
13.根据本发明提供的一种通信设备修理备件消耗量的组合预测方法，构成多个所述二维数组包括步骤：
14.获取第i个选定预测模型在第t时刻的预测精度，将预测精度作为预测值的诱导值，将第t时刻m个选定预测模型的预测精度和对应的预测值构成m个二维数组，记为《a
1t
，x
1t
》，《a
2t
，x
2t
》，
…
《 a
it
，x
it
》，
…
，《a
mt
，x
mt
》；
15.其中，i＝1，2，
…
，m；t＝1，2，
…
，n；a
it
表示第i个选定预测模型在第t时刻的预测精度，x
it
表示第i个选定预测模型在第t时刻的预测值。
16.根据本发明提供的一种通信设备修理备件消耗量的组合预测方法，构建iowa诱导有序数列包括步骤：
17.将多个所述诱导值a
it
按从大到小的顺序进行排序，并根据诱导值 a
it
的排序对对应的预测值x
it
进行有序排列，结合加权向量生成iowa 诱导有序序列，包括：
[0018][0019]
其中，函数fw是a1，a2，
…
，am所产生的m维诱导有序加权平均算子，即iowa算子；a-index(it)是预测精度a1，a2，
…
，am中按从大到小的顺序排列的第i大的数的下标，w＝(w1，w2，
…
，wm)
t
是iowa 的加权向量，满足
[0020]
根据本发明提供的一种通信设备修理备件消耗量的组合预测方法，生成误差信息矩阵包括步骤：
[0021]
在m种选定预测模型中，第i种选定预测模型在第t时刻的预测误差为e
it
，相应的误差向量为ei＝[e
i1
，e
i2
，
…
，e
in
]
t
，得组合预测误差矩阵e＝[e1，e2，
…
，em]，则误差信息矩阵为：
[0022][0023]
根据本发明提供的一种通信设备修理备件消耗量的组合预测方法，令误差信息矩阵e值最小，应用公式：
[0024][0025]
[0026]
其中，e
ij
为第i种选定预测模型与第j种选定预测模型的协方差， e
ii
为第i种选定预测模型的方差；ki为第i种选定预测模型的权数。
[0027]
根据本发明提供的一种通信设备修理备件消耗量的组合预测方法，得组合预测模型的公式为：
[0028][0029]
进一步得，
[0030]
其中，表示第i个选定预测模型以第n年为起点，在过去的 t年内通信设备修理备件消耗预测精度的平均值。
[0031]
可选的，根据本发明提供的一种通信设备修理备件消耗量的组合预测方法，第n t年的诱导有序加权平均的组合预测模型为：
[0032][0033]
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述通信设备修理备件消耗量的组合预测方法的步骤。
[0034]
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种通信设备修理备件消耗量的组合预测方法的步骤。
[0035]
本发明提供的一种通信设备修理备件消耗量的组合预测方法，通过获取通信设备修理备件的历史消耗数据并确定所述修理备件消耗的主要影响因素，有利于提高预测模型的精度；基于所述历史消耗数据和所述主要影响因素，选取影响因素和历史消耗数据两方面预测精度较高的单个预测模型；对每个所述选定预测模型，计算每一时刻的预测精度和预测值，并将每个预测精度和对应的预测值构成多个二维数组，基于多个所述二维数组构建iowa诱导有序数列，根据单个预测模型在样本区间上各个时刻预测精度的大小赋予相应权重；生成误差信息矩阵；令所述误差信息矩阵的值最小，最后，以预测结果的最小误差平方和为准则建立新的组合预测模型；克服了对单个预测模型“完全采用”或“完全舍弃”的简单做法，实现了组合预测模型在使用寿命周期每个时刻预测精度高的目的。
附图说明
[0036]
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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。
[0037]
图1是本发明提供的通信设备修理备件消耗量的组合预测方法的流程示意图之一；
[0038]
图2是本发明提供的通信设备修理备件消耗量的组合预测方法的各模型拟合预测
数据与实际消耗数据对比示意图；
[0039]
图3是本发明提供的通信设备修理备件消耗量的组合预测方法的组合模型预测数据与实际消耗数据对比示意图；
[0040]
图4是本发明提供的电子设备的结构示意图。
具体实施方式
[0041]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0042]
在一个实施例中，如图1所示，一种通信设备修理备件消耗量的组合预测方法，包括步骤：
[0043]
获取通信设备修理备件的历史消耗数据并确定所述修理备件消耗的主要影响因素；
[0044]
基于所述历史消耗数据和所述主要影响因素，确定多个预测模型，分别对单个预测模型进行显著性检验，并分别计算通过显著性检验的选定预测模型的预测精度；
[0045]
对每个所述选定预测模型，计算每一时刻的预测精度和预测值，并将每个预测精度和对应的预测值构成多个二维数组，基于多个所述二维数组构建iowa诱导有序数列；
[0046]
对每个所述选定预测模型，计算每一时刻的预测误差，并生成误差信息矩阵；计算每一时刻下，每个选定预测模型的预测值与实际消耗值的误差平方和，令所述误差信息矩阵的值最小，计算获得每个选定预测模型在组合预测模型中的加权系数，获得组合预测模型的表达式，通过所述组合预测模型的表达式对通信设备修理备件的消耗量进行预测。
[0047]
进一步，确定所述修理备件消耗的主要影响因素包括步骤：
[0048]
选取每个影响因素的参照数列，基于每个影响因素对应的观测值计算相对于所述参照数列的灰色绝对关联度和灰色相对关联度，并计算每个影响因素对应的灰色综合关联度，基于所述灰色综合关联度的数值从大到小对对应的影响因素进行排序。
[0049]
具体的，通信设备修理备件消耗主要影响因子的确定选用灰色关联分析法，具体步骤为：
[0050]
首先，选取参照数列，对观测的数据进行无量纲处理。设xi为 (i＝1，2，
…
，n)系统因素，x0(k)为参考序列，其余xi(k)为比较序列，在序列号k上的观测数据为xi(k)(k＝1，2，
…
，n)，则称xi＝ (xi(1)，xi(2)，
…
，xi(n))为因素的行为序列；
[0051]
进一步，计算灰色绝对关联度，设序列x0与xi长度相同，则称ε
0i
为 x0与xi的灰色绝对关联度。
[0052][0053]
[0054]
进一步，计算灰色相对关联度。
[0055]
记为x0与xi的相对关联度。
[0056]
进一步，进行灰色综合关联度的计算：
[0057]
设θ∈[0，1]，则ρ
0i
＝θ
·
ε
0i
(1-θ)
·r0i
为x0与xi的灰色综合关联度；
[0058]
可选的，一般可以取θ＝0.5，如果对绝对量之间的关系较为紧密，θ可以向上取值；反之，若变化的速率对结果有较大影响，θ向下取值。
[0059]
作为优选的本发明根据单个模型确定标准的原则，确定了灰色预测模型、多元回归预测模型、bp神经网络预测模型三个较为常用模型作为单个预测模型进行分析；
[0060]
具体的，对选定的预测模型进行显著性检验包括：
[0061]
对于灰色gm(0，n)模型，灰色gm(0，n)模型校验一般采用残差检验法对预测结果进检验，此处仅作为本发明实施例的示例，不应视为对本发明的进一步限定；
[0062]
对于多元回归模型，这种预测模型有线性和非线性两种，本发明利用的多元回归模型为多元线性回归模型，对于该模型的检验，包括如下方法：
[0063]
①
拟合优度：拟合优度检验统计量可决系数r2：
[0064][0065]
r2越接近于1，模型的拟合优度越高。
[0066]
②
显著性f检验：描述方程的线性关系在总体上是否显著，统计量如下：
[0067][0068]
服从自由度为(k，n-k-1)的f分布。给定显著性水平α，由样本求出统计量f的数值，通过f＞f
α
(k，n-k-1)或者f≤f
α
(k，n-k
‑ꢀ
1)来判定原方程总体上的线性关系是否显著成立。
[0069]
③
偏回归系数的假设t检验：给定显著性水平α，若ti＞ t
α/2
(k，n-k-1)，则说明对应的自变量xi对因变量y有显著影响；反之，则说明自变量xi对因变量y无显著影响，将该变量从方程删除。
[0070]
对于bp神经网络模型，通信设备修理备件bp神经网络必须由历史消耗数据训练样本构建，并通过测试样本验证合格，才能作为通信设备修理备件消耗预测模型，实现通信设备修理备件实际历史消耗量与需求预测消耗量之间的关系映射。
[0071]
可选的，通信设备修理备件bp神经网络预测模型的误差分析，将第n m年前的测试样本数据带入已经构建的网络模型进行计算，预测出第n m 1年的消耗量，最后将预测消耗量与实际消耗数据进行对比，在误差精度的范围内则认为该通信设备修理备件神经网络预测模型通过检验，可用于通信设备修理备件消耗量的预测，否则需重新构建bp神经网络预测模型，具体过程可选matlab7.0的神经网络工具箱仿真完成。
[0072]
具体的，对于单个选定预测模型的预测精度的计算包括步骤：
[0073]
设有m种可行的单项预测方法，x
t
为t时刻实际消耗值，x
it
为第i 种选定预测模型在t时刻的预测值(或拟合值)，令
[0074][0075]
i＝1，2，
…
，m；t＝1，2，
…
，n；
[0076]
进一步，构成多个所述二维数组包括步骤：
[0077]
获取第i个选定预测模型在第t时刻的预测精度，将预测精度作为预测值的诱导值，将第t时刻m个选定预测模型的预测精度和对应的预测值构成m个二维数组，记为《a
1t
，x
1t
》，《a
2t
，x
2t
》，
…
《 a
it
，x
it
》，
…
，《a
mt
，x
mt
》；
[0078]
其中，i＝1，2，
…
，m；t＝1，2，
…
，n；a
it
表示第i个选定预测模型在第t时刻的预测精度，x
it
表示第i个选定预测模型在第t时刻的预测值。
[0079]
进一步，构建iowa诱导有序数列包括步骤：
[0080]
将多个所述诱导值a
it
按从大到小的顺序进行排序，并根据诱导值 a
it
的排序对对应的预测值x
it
进行有序排列，结合加权向量生成iowa 诱导有序序列，包括：
[0081][0082]
其中，函数fw是a1，a2，
…
，am所产生的m维诱导有序加权平均算子，即iowa算子；a-index(it)是预测精度a1，a2，
…
，am中按从大到小的顺序排列的第i大的数的下标，w＝(w1，w2，
…
，wm)
t
是iowa 的加权向量，满足
[0083]
进一步，生成误差信息矩阵包括步骤：
[0084]
在m种选定预测模型中，第i种选定预测模型在第t时刻的预测误差为e
it
，相应的误差向量为ei＝[e
i1
，e
i2
，
…
，e
in
]
t
，得组合预测误差矩阵e＝[e1，e2，
…
，em]，则误差信息矩阵为：
[0085][0086]
进一步，令误差信息矩阵e值最小，应用公式：
[0087][0088][0089]
其中，e
ij
为第i种选定预测模型与第j种选定预测模型的协方差， e
ii
为第i种选定预测模型的方差；ki为第i种选定预测模型的权数；
[0090]
可选的，利用matlab最优化工具箱中fmincon函数可对模型进行求解，输入命令其即可计算出各单个预测模型在组合模型中的权数。
[0091]
进一步，得组合预测模型的公式为：
[0092][0093]
进一步得，
[0094]
其中，表示第i个选定预测模型以第n年为起点，在过去的 t年内通信设备修理备件消耗预测精度的平均值。
[0095]
具体的，在一个实施例中，根据预测连贯性的原则可以推测各单项预测模型在未来的第n t年的对通信设备维修消耗备件数量预测精度与过去的t年内的预测精度平均值保持一致，例如以2017年为预测起点，2017年的某单个模型预测精度与该模型2016年的预测精度相同，2018年则向前推两年与2015、2016这两年预测精度的平均值相同。因此，第n t年的诱导有序加权平均的组合预测模型为：
[0096][0097]
将所得单个模型预测年度的预测精度后，代入上式即可计算出对应的年度组合预测值。
[0098]
在一个具体的实施例中，本发明以某电信公司2006-2015年通信设备修理备件消耗原始数据为例，对构建的通信设备修理备件消耗量组合预测模型进行实例分析，分别计算出组合预测模型与单个预测模型的预测结果，并进行对比分析，包括：
[0099]
优选的，为了检验预测效果的有效性，按照预测效果评价原则，本发明选用5个指标进行评价：平方和误差sse、均方误差mse、平均绝对误差mae、平均绝对百分比误差mape、均方百分比误差 mspe。依据各指标计算公式对各模型预测结果进行计算，计算结果如表1所示，显然采用通信设备修理备件消耗量组合预测模型拟合精度明显优于单个预测模型。
[0100]
表1预测模型预测性能对比表
[0101][0102][0103]
如图2所示，根据拟合曲线进行对比分析，拟合度最高的为本发明提供的组合预测模型，其次是神经网络模型，而拟合度较差的为多元回归模型，正验证了通信设备修理备件消耗量权重系数k2＝0，k3＝ 0.99659的结果；
[0104]
需要说明的是，这是由于神经网络在对非线性目标进行拟合时具有较高的优势，而多元回归分析在构建模型时排除了一些次要因素影响，导致了拟合精度不高。另外，拟合精度高也验证了数据收集和影响影响的准确性，但由于本发明的侧重点为消耗预测，因此下面对模型的预测功能做进一步检验。
[0105]
进一步，对比多个预测模型的预测精度，通过已经构建的预测模型对下一个或几个年度消耗情况进行预测，然后与实际消耗值进行比较分析。如图3所示，通过组合预测模型计算可得：2014年和2015 该型设备修理备件预测消耗为388件和408件，而2014年和2015年该型设备修理备件实际消耗为382件和403件，误差率分别为1.6％和1.2％。由此可知，模型预测值与实际消耗值比较接近，达到了预期目标。该预测结果验证了组合模型的科学性和准确性。
[0106]
需要说明的是，虽然回归预测模型略去了部分次要因素影响，导致拟合精度较低，但仍不能将其舍弃。只有全面综合考虑通信设备修理备件的主要影响因素与历史消耗数据变化趋势，才能确保修理备件消耗的准确性。
[0107]
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口 (communicationsinterface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行上述的通信设备修理备件消耗量的组合预测方法，包括：
[0108]
获取通信设备修理备件的历史消耗数据并确定所述修理备件消耗的主要影响因素；
[0109]
基于所述历史消耗数据和所述主要影响因素，确定多个预测模型，分别对单个预测模型进行显著性检验，并分别计算通过显著性检验的选定预测模型的预测精度；
[0110]
对每个所述选定预测模型，计算每一时刻的预测精度和预测值，并将每个预测精度和对应的预测值构成多个二维数组，基于多个所述二维数组构建iowa诱导有序数列；
[0111]
对每个所述选定预测模型，计算每一时刻的预测误差，并生成误差信息矩阵；计算每一时刻下，每个选定预测模型的预测值与实际消耗值的误差平方和，令所述误差信息矩阵的值最小，计算获得每个选定预测模型在组合预测模型中的加权系数，获得组合预测模型的表达式，通过所述组合预测模型的表达式对通信设备修理备件的消耗量进行预测。
[0112]
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0113]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的通信设备修理备件消耗量的组
合预测方法，包括：
[0114]
获取通信设备修理备件的历史消耗数据并确定所述修理备件消耗的主要影响因素；
[0115]
基于所述历史消耗数据和所述主要影响因素，确定多个预测模型，分别对单个预测模型进行显著性检验，并分别计算通过显著性检验的选定预测模型的预测精度；
[0116]
对每个所述选定预测模型，计算每一时刻的预测精度和预测值，并将每个预测精度和对应的预测值构成多个二维数组，基于多个所述二维数组构建iowa诱导有序数列；
[0117]
对每个所述选定预测模型，计算每一时刻的预测误差，并生成误差信息矩阵；计算每一时刻下，每个选定预测模型的预测值与实际消耗值的误差平方和，令所述误差信息矩阵的值最小，计算获得每个选定预测模型在组合预测模型中的加权系数，获得组合预测模型的表达式，通过所述组合预测模型的表达式对通信设备修理备件的消耗量进行预测。
[0118]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的通信设备修理备件消耗量的组合预测方法，包括：
[0119]
获取通信设备修理备件的历史消耗数据并确定所述修理备件消耗的主要影响因素；
[0120]
基于所述历史消耗数据和所述主要影响因素，确定多个预测模型，分别对单个预测模型进行显著性检验，并分别计算通过显著性检验的选定预测模型的预测精度；
[0121]
对每个所述选定预测模型，计算每一时刻的预测精度和预测值，并将每个预测精度和对应的预测值构成多个二维数组，基于多个所述二维数组构建iowa诱导有序数列；
[0122]
对每个所述选定预测模型，计算每一时刻的预测误差，并生成误差信息矩阵；计算每一时刻下，每个选定预测模型的预测值与实际消耗值的误差平方和，令所述误差信息矩阵的值最小，计算获得每个选定预测模型在组合预测模型中的加权系数，获得组合预测模型的表达式，通过所述组合预测模型的表达式对通信设备修理备件的消耗量进行预测。
[0123]
以上所描述的装置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的劳动的情况下，即可以理解并实施。
[0124]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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计算机可读存储介质中，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)执行各个实施例或者实施例的某些部分所述的方法。
[0125]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和
范围。