[发明专利]一种基于贝叶斯方法的供应链管理需求预测方法

权利要求书

1.一种基于贝叶斯方法的供应链管理需求预测方法，其特征在于，包括：

S1：将不满足预设数据容量的零件更换数据作为第一更换数据，对所述第一更换数据进行数据扩充，获得第二更换数据；

S2：分析所述第二更换数据和满足预设数据容量的零件更换数据，获得每个零件对应的影响特征因子和影响函数；

S3：基于所述影响特征因子和影响函数，构建出每种零件对应的多个贝叶斯假设模型；

S4：基于多个贝叶斯假设模型获得对应同种零件的多个假设需求预测结果；

S5：基于对应的多个假设需求预测结果，从同种零件的多个贝叶斯假设模型筛选出最优预测模型，并预测出对应同种零件的备件需求。

2.根据权利要求1所述的一种基于贝叶斯方法的供应链管理需求预测方法，其特征在于，S1：将不满足预设数据容量的零件更换数据作为第一更换数据，对所述第一更换数据进行数据扩充，获得第二更换数据，包括：

S101：获取每个零件在预设周期内对应的零件更换数据，删除所述零件更换数据中的畸变数据，获得第一零件更换数据；

S102：将不满足预设数据容量的第一零件更换数据作为第一更换数据；

S103：基于所述第一更换数据确定对应的零件编号，判断在历史数据库中是否存在所述零件编号对应的历史更换数据，若存在，则基于所述历史更换数据对所述第一更换数据进行数据扩充，若不存在，则基于预设方法对所述第一更换数据进行数据扩充；

S104：基于扩充后的第一更换数据，获得第二更换数据。

3.根据权利要求1所述的一种基于贝叶斯方法的供应链管理需求预测方法，其特征在于，S2：分析所述第二更换数据和满足预设数据容量的零件更换数据，获得每个零件对应的影响特征因子和影响函数，包括：

S201：基于所述第二更换数据和满足预设数据容量的零件更换数据，获得对应的第二零件更换数据；

S202：将所述第二零件更换数据划分，获得每个零件对应的的先验分布数据集和模型验证数据集；

S203：从所述先验分布数据集中筛选出每个零件对应的离群数据；

S204：将所述先验分布数据集中除所述离群数据以外的剩余数据作为子先验分布数据集；

S205：对所述子先验分布数据集进行聚类分析，获得每个零件对应的第一影响特征因子和第一影响函数；

S206：分析所述离群数据，获得每个零件对应的第二影响特征因子和第二影响函数；

其中，所述影响特征因子包括：第一影响特征因子、第二影响特征因子；

所述影响函数包括：第一影响函数和第二影响函数。

4.根据权利要求3所述的一种基于贝叶斯方法的供应链管理需求预测方法，其特征在于，S205：对所述子先验分布数据集进行聚类分析，获得每个零件对应的第一影响特征因子和第一影响函数，包括：

基于预设的置信度列表和对应的数据扩充方式，确定所述子先验分布数据集中每个零件更换数据对应的置信度；

根据所述子先验分布数据集中每个零件更换数据对应的生成时间，确定每个更换数据的置信影响因子；

基于所述置信度和每个更换数据对应的置信影响因子，生成每个零件对应的置信集合；

基于每个零件对应的第二零件更换数据，构成每个零件对应的更换数据集合；

基于所述置信集合和所述更换数据集合，构建每个零件对应的先验分布交互集合；

对所述先验分布交互集合进行主成分分析，获得每个零件对应的第一影响特征因子；

对所有先验分布交互集合进行聚类分析，获得同种零件的先验分布交互集合构成的先验分布交互矩阵；

对所述先验分布交互矩阵进行奇异值分解和降维取秩，获得矩阵秩；

获取所述矩阵秩的高斯分布特征，基于所述高斯分布特征以及预设关系获得每个零件的交互特征函数，将所述交互特征函数作为每个零件对应的第一影响函数。