[发明专利]基于残差思想的钢卷仓储吞吐时间序列预测方法及系统

权利要求书

1.一种基于残差思想的钢卷仓储吞吐时间序列预测方法，其特征在于，该方法的具体步骤如下：

S1、建立钢卷出入库的时间序列数据库：以天为单位，分别对冷卷与热卷两种类型的产品每天的出货由进货重量进行统计与整理，建立以天为单位的至少过去三年的时间序列数据库；

S2、分解时间序列：利用python函数对时间序列进行分解，将时间序列分解为趋势数据、周期数据和残差数据；

S3、拟合多项式：利用pyhton函数对分解出的趋势数据进行拟合；

S4、拟合残差项：搜集外部数据作为训练集，利用回归模型和训练集来拟合残差项；

S5、预测数据：对趋势数据、周期数据和残差数据进行相加复原出要预测时间段内的时间序列。

2.根据权利要求1所述基于残差思想的钢卷仓储吞吐时间序列预测方法，其特征在于，所述步骤S2中时间序列分解是采用LOESS的时间序列分解技术，通过LOESS的时间序列分解技术将任一时刻的数据Y_v分解为趋势分量、周期分量和余项分量：

Y_v＝T_v+S_v+R_v；其中，v＝1，...，N。

3.根据权利要求1或2所述的基于残差思想的钢卷仓储吞吐时间序列预测方法，其特征在于，所述步骤S2中分解时间序列是利用python中statsmodel s.tsa.seasonal包下的seasonal_decompose函数实现时间序列分解。

4.根据权利要求3所述的基于残差思想的钢卷仓储吞吐时间序列预测方法，其特征在于，所述步骤S2中分解时间序列的具体步骤如下：

S201、将钢卷的出入库数据整理为至少过去三年的时间序列数据命名为ts，并将时间粒度设为以天为单位；

S202、将seasonal_decompose函数倒入：from statsmodels.tsa.seasonal importseasonal_decompose；

S203、分解后数据decomposed_data＝seasonal_decompose(ts,modle＝‘additive’,freq＝365)；周期设置为365，确保数据为以天为时间粒度的历年数据；

S204、得到周期数据、趋势数据以及余项数据分别为：

Seasonal＝decomposed_data.seasonal；

Trend＝decomposed_data.trend；

Residue＝decomposed_data.residue。

5.根据权利要求1所述的基于残差思想的钢卷仓储吞吐时间序列预测方法，其特征在于，所述步骤S3中拟合多项式是利用pyhton中numpy包下的polyfit函数实现多项式拟合。

6.根据权利要求1或5所述的基于残差思想的钢卷仓储吞吐时间序列预测方法，其特征在于，所述步骤S3中拟合多项式的具体步骤如下：

S301、将polyfit函数导入：form numpy import polyfit；

S302、利用polyfit函数拟合趋势数据：polyfit(trend,deg＝1)，其中deg指的是拟合阶数。

7.根据权利要求1所述的基于残差思想的钢卷仓储吞吐时间序列预测方法，其特征在于，所述步骤S4中拟合残差项是利用GradientBoostingRegressor借助外部数据实现残差项拟合；其中，残差项则利用机器学习中回归模型进行建模预测具体如下：

S401、基于钢卷数据的特点，选取了八组外部数据，分别是钢铁指数、煤炭指数、铁矿指数、水泥指数、焦炭指数、钢材成本指数、钢坯价格走势以及废钢价格走势，将这八组数据作为训练集；

S402、将钢卷出入库数据分解后的残差项作为标签进行建模得到残差项的预测模型；

S403、在对未来时间预测时，先计算出未来的趋势数据、周期数据和残差数据，再通过相加复原出未来的要预测时间段的数据。