[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

说明书

本发明公开了一种基于残差思想的钢卷仓储吞吐时间序列预测方法及系统，属于时间序列预测领域，本发明要解决的技术问题为如何防止分解出的余项即残差项类似于噪声具有较强的随机性，来提升对未来钢卷吞吐量预测的准确性，采用的技术方案为：①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；S2、分解时间序列；S3、拟合多项式；S4、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。②一种基于残差思想的钢卷仓储吞吐时间序列预测系统，该系统包括，钢卷出入库的时间序列数据库建立单元、时间序列分解单元、多项式拟合单元、残差项拟合单元及数据预测单元。

技术领域

本发明涉及时间序列预测领域，具体地说是一种基于残差思想的钢卷仓储吞吐时间序列预测方法及系统。

背景技术

目前所常用的单一时间序列预测方法，对数据质量要求较高且预测精度不高，通常要求数据具有较严格的周期性和平稳性。现在最简单且常用的时间序列预测方法是基于STL(Seasonal-Trend decomposition procedure based on Loess)的时间序列分解方法，利用此方法可以将时间序列分解成为周期，趋势和余项三部分。因此，对于未来的时间序列预测可以通过分别拟合分解后三部分，然后将拟合后得到的三部分预测数据相加重构出预测的时间序列数据。然而此方法的不足与难点是分解出的余项即残差项类似于噪声具有较强的随机性，因此难以通过简单的方法被有效的拟合出。

在人工智能的发展浪潮中，利用人工智能算法分析历史数据，对未来生产进行指导，提高产业效益已经变得越来越重要。钢卷仓储吞吐是指钢卷由商家订购运输到产业园仓库储存再由商家卖出运输出产业园的这一过程。而各种类型的钢卷产品可以分为两大类：热卷和冷卷。因此对钢卷仓储吞吐量的预测可以分为四种情况：未来一段时间中热卷的入库、出库重量、未来一段时间中冷卷的入库以及出库重量，这些也是商家最为关心的信息。传统的时间序列预测方法利用单一预测模型存在以下弊端：1)对数据质量要求过高，一般要求数据要有较严格的周期性与平稳性；2)不同的时间序列预测方法对数据的侧重点不同，单一的模型难以精确的拟合并刻划出完整的时间序列走势。故如何防止分解出的余项即残差项类似于噪声具有较强的随机性，来提升对未来钢卷吞吐量预测的准确性是目前现有技术中急需解决的技术问题。

专利号为CN106056239A的专利文献公开了一种产品库存预测方法及装置，该方法包括：获取的预设时间段的库存时间序列数据，并对库存时间序列数据进行数据清洗；通过识别插值点，利用插值法对库存时间序列数据进行分解，以得到对应的IMF分量和残差；利用时间序列模型对这些IMF分量和残差进行预测得到对应的预测值，合并这些预测值得到初始库存量预测值；对初始库存量预测值进行修正处理得到最终库存量预测值。但是该技术方案不能防止分解出的余项即残差项类似于噪声具有较强的随机性，来提升对未来钢卷吞吐量预测的准确性。

专利号为CN104794112B的专利文献公开了一种时间序列处理方法及装置，所述方法包括分析第一时间序列，获取至少一个与所述第一时间序列相关的第二时间序列；对所述第二时间序列进行多元回归处理，获得以所述第二时间序列为因变量且拟合序列为自变量的第一函数；根据所述第一函数计算出对应于所述第一时间序列的拟合序列；检验所述拟合序列与所述第一时间序列的差异；所述拟合序列与所述第一时间序列的差异不大于阈值时，求取拟合序列与第一时间序列的残差序列；对所述残差序列进行平稳化处理，获取对应于所述残差序列的平稳序列对所述平稳序列进行自回归移动平均处理，获取关于平稳序列中前后两元素关系的第二函数；根据第一函数及第二函数，获取预测时间的预测结果。但是该技术方案不能防止分解出的余项即残差项类似于噪声具有较强的随机性，来提升对未来钢卷吞吐量预测的准确性。

发明内容

本发明的技术任务是提供一种基于残差思想的钢卷仓储吞吐时间序列预测方法及系统，来解决如何防止分解出的余项即残差项类似于噪声具有较强的随机性，来提升对未来钢卷吞吐量预测的准确性的问题。