[发明专利]基于混合模型的数字孪生供应链物流需求预测方法

权利要求书

1.基于混合模型的数字孪生供应链物流需求预测方法，其特征在于，包括如下步骤，

步骤S1.建立以当地产业结构为核心的影响因素指标体系，包括经济产业结构、经济发展水平、地理区位、物流因素、消费市场因素、可替代品因素、不可抗力因素；

步骤S2.构建YWP-Elman模型和FWOA-Elman模型并进行预测，并记录预测数据以及误差；

步骤S3.根据预测模型的贡献和预测结果的误差情况，建立了自适应权重的混合预测模型进行预测。

2.根据权利要求1所述的基于混合模型的数字孪生供应链物流需求预测方法，其特征在于，所述步骤S1中，经济发展水平的二级指标为所在地区GDP等级和社会消费品零售总额；地理区位的二级指标为地区仓储量和仓库距离；物流因素的二级指标为交通网络、货运量和货物周转量；消费市场因素的二级指标为常住人口、产品总产量、社交网络趋势和居民消费水平；可替代品因素的二级指标为缺货率和可替代品产量；不可抗力因素的二级指标为天气和自然灾害；经济产业结构的二级指标为第一产业产值、第二产业产值和第三产业产值。

3.根据权利要求2所述的基于混合模型的数字孪生供应链物流需求预测方法，其特征在于，对一级指标不可抗力因中的二级指标进行抽象化定义，从而抽象出在不同天气等影响下的不可抗力因素；

天气以及自然灾害对物流运输方式的影响定义为

公路运输中天气影响的定义为

铁路运输中天气影响的定义为

航空运输中天气影响的定义为

水路运输中天气影响的定义为

极端天气自然灾害影响交通运输的定义为

综上，在不同天气等影响下的不可抗力因素定义为：

4.根据权利要求2所述的基于混合模型的数字孪生供应链物流需求预测方法，其特征在于，利用分析历史数据方式确定产品属性权重，建立基于历史数据预测的产品属性值排序，来估计产品缺货替代率，具体为，

对产品属性值进行指标评价；

对数据进行归一化处理，获取归一化矩阵

计算属性权重，获取第j项的权重为

5.根据权利要求1所述的基于混合模型的数字孪生供应链物流需求预测方法，其特征在于，步骤S1中，社交网络趋势影响进行定义：

其中，q为产品的社交网络趋势影响因子，R为市场的边界长度，R³为市场的边界，K为扩散常量。

6.根据权利要求1所述的基于混合模型的数字孪生供应链物流需求预测方法，其特征在于，所述步骤S3中，通过自适应组合设置权重，结合预测模型的贡献和预测结果的误差情况，自适应改变权重，具体为，

根据单个模型对整体模型的所创造的边际利益，以其均值作为划分依据，

模型i从总体利益分到的利益为

其中，|S|为单个模型的个数，为组合中排除模型i，n为使用的预测模型总数。

第i种预测模型在预测过程中的绝对误差的均值：

其中，E_i为第i个模型在预测中的误差均，m为样本数量，e_ij为第i个预测模型在预测过程中第j个数据的预测误差；

因此，组合模型进行预测时误差的均值为

根据上述步骤计算结果可获取组合预测模型中的权数:

7.根据权利要求1所述的基于混合模型的数字孪生供应链物流需求预测方法，其特征在于，所述步骤S3中，建立自适应权重的混合预测模型，具体为，

组合模型为

为组合预测结果，α₁为YWP-Elman神经网络模型占比，α₂为FWOA-Elman神经网络预测模型占比，为YWP-Elman神经网络模型预测值；为FWOA-Elman神经网络模型预测值。