[发明专利]一种钢铁企业大宗原燃料汽车取样组批方法和系统

权利要求书

1.一种钢铁企业大宗原燃料汽车取样组批方法，其特征在于，在设定的组批时刻，执行以下步骤：

步骤S1：根据车辆到达时刻或预计到达日期获取组批对象；

步骤S2：在设定的组批时刻，根据订单号对组批对象进行分组；

步骤S3：选择当前订单，执行当前订单的取样组批流程，生成当前订单的组批结果；

步骤S4：选择下一订单，以下一订单为当前订单，循环执行S3，直至所有订单处理完毕；

所述步骤S1具体包括：

步骤S11：获取在设定组批时刻前已经到达的并且尚未完成组批的第一车辆列表；

步骤S12：获取预计到达日期为当日的第二车辆列表；

步骤S13：根据第二车辆列表按供应商进行分组预测，得到预计到达时刻在当日指定时刻前的第三车辆列表，并得到车辆的预计到达时刻；

步骤S14：记组批对象为第一车辆列表和第三车辆列表的集合。

2.如权利要求1所述的钢铁企业大宗原燃料汽车取样组批方法，其特征在于：所述步骤S13具体包括：

根据路程时间历史数据采用自适应滤波法分别对各个供应商的车辆的路程时间进行预测；

然后根据车辆的发车时刻加上路程时间，得到车辆的预计到达时刻；

根据车辆预计到达时刻，得到预计到达时刻在当日指定时刻前的第三车辆列表；

所述自适应滤波法使用路程时间历史数据来寻求最佳的权系数。

3.如权利要求2所述的钢铁企业大宗原燃料汽车取样组批方法，其特征在于，所述自适应滤波法的预测过程，具体包括：

按供应商进行分组预测；所述分组预测包括：

将该供应商的路程时间历史数据按照发车时刻分为s个子集，每一个子集对应一个时段，并对应一个自适应滤波模型；

获取该供应商在各个子集时段内有发车记录的最近M天的所有车辆历史数据，计算各个子集的车辆最近M天平均路程时间，表示为：

其中，表示第s个子集的车辆最近M天的平均路程时间，N为当前日，上述集合中元素按照时间先后进行排列；

以第s个子集中的最近M天的平均路程时间作为训练样本，记为t_sample，再选取一个权值的个数A，需要满足M＞A；当前日的第s子集的预测平均路程时间为

t_pre(N)＝ω₁t_sample(N-1)+ω₂t_sample(N-2)+……+ω_At_sample(N-A) (1)

式中，ω₁～ω_A为预测模型的权值，t_sample(N-1)～t_sample(N-A)表示最近A天的平均路程时间；

将t_sample中的前A天数据带入式(1)，得到第A+1天的预测路程时间t_pre(A+1)，与历史数据相减得到预测误差：

diff(A+1)＝t_sample(A+1)-t_pre(A+1)

根据该误差按式(2)更新这A个权值：

ω_i＝ω_i+2k·diff(A+1)·t_sample(i)1≤i≤A (2)

其中，k为学习率；

使用i～A+i-1的数据预测第A+i天的平均路程时间，完成一次权值的迭代；通过M-A次迭代即可使用完全部的历史数据，最终得到的权值为：

ω＝[ω₁ ω₂…ω_A]

使用最新的权值和集合中最后A天的历史数据即可得到当前日即第N天第s子集的预测路程时间，最终得到第s子集对应的时段内出发的车辆的预计到达时刻。