[发明专利]基于CNN-GA-BP的组合模型备件需求预测方法和系统

权利要求书

1.一种基于CNN-GA-BP的组合模型备件需求预测方法，其特征在于，用于预测中长期电子装备备件的需求数量，在所述基于CNN-GA-BP的组合模型的训练过程中：

S1、获取并向量化电子装备备件的历史需求数据；

S2、根据历史需求数据向量，采用底层预测模型获取直接预测结果；

S3、拼接所述历史需求数据向量和直接预测结果，采用中层预测模型CNN网络获取卷积结果；

S4、拼接所述历史需求数据向量、直接预测结果、卷积结果，将拼接结果划分为训练集和测试集；并将所述训练集作为顶层预测模型GA-BP网络的输入，对输入数据进行训练；

S5、将所述测试集作为训练完毕的GA-BP网络的输入，获取备件需求预测结果。

2.如权利要求1所述的基于CNN-GA-BP的组合模型备件需求预测方法，其特征在于，所述S2中底层预测模型包括指数平滑法和差分自回归移动平均模型。

3.如权利要求2所述的基于CNN-GA-BP的组合模型备件需求预测方法，其特征在于，所述指数平滑法和差分自回归移动平均模型包括：

(1)指数平滑法

其中，y_t为第t期的实际值，该时间序列由备件的历史需求数据组成，1tT，T为总期数；α为平滑系数，0α1；为第t期i方法的预测值，其中i＝1,2分别代表了一次、二次指数平滑法；

设为i方法第T+1期的实际值，则两个指数平滑法模型变为：

其中，分别为一次、二次指数平滑法第T+1期的实际值；

(2)假设{X_t}为一组弱平稳时间序列，经过d阶差分：

则差分自回归移动平均模型表示为：

W_t＝α₁W_t-1+α₂W_t-2…+α_pW_t-p-θ₁β_t-1-θ₂β_t-2…-θ_pβ_t-p

其中，W_t为d阶差分处理后的序列；B为后移算子，且满足条件B_kX_t＝X_t-k；表示差分计算，且有X_t为第t时刻的时间序列值；β_t为均值为0且方差为σ_a的白噪声；α_t、θ_t为模型参数。

4.如权利要求1所述的基于CNN-GA-BP的组合模型备件需求预测方法，其特征在于，所述S3中在拼接所述历史需求数据向量和直接预测结果后，先进行零填充，再并采用CNN网络进行卷积。