[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

说明书

本发明提供一种基于CNN‑GA‑BP的组合模型备件需求预测方法、系统、存储介质和电子设备，涉及电子装备备件预测技术领域。本发明中，结合CNN网络和BP神经网络的组合预测模型，其中BP神经网络采用GA算法进行优化，建立了利用装备备件的历史需求数据预测其未来备件需求的回归模型。包括：首先将三种类型的个体直接预测模型进行预测，其次运用CNN网络对直接预测结果进行卷积，再基于GA算法优化反向传播BP神经网络，组成了一个三层组合预测模型，该模型优于个体组合模型和个体直接预测模型，最后利用电子装备备件的历史需求数据评估预测性能。预测结果证明了组合预测方法的优越性；该方法可以有效为中长期备件需求的预测提供新途径，从而优化企业内部库存管理。

技术领域

本发明涉及电子装备备件预测技术领域，具体涉及一种基于CNN-GA-BP的组合模型备件需求预测方法、系统、存储介质和电子设备。

背景技术

21世纪以来，电子行业发展日新月异，中国电子制造业在市场中所占的比重也明显提升。由此，便涉及到电子相关的装备备件库存控制问题，备件库存控制的一个基本要素是精准的备件需求的预测，电子备件需求预测的优劣将会对装备备件维修保障费用和战备完好性产生显著影响。

电子装备的备件消耗的量化非常复杂，尤其是由于需求的非线性、灰色性特点。电子装备备件供应商通常根据经验确定备件需求；然而，这是一个随机的、盲目的过程，若消耗量低于预期以及关键备件短缺，可能导致大量备件积压。解决这一问题的关键是准确预测备件需求。

不同预测理论和方法的准确性往往直接受到其应用方式的影响。因此，当前的需求预测研究和应用经常遇到两大挑战：数据与实际需求不一致、以及预测方法应用的不准确。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于CNN-GA-BP的组合模型备件需求预测方法、系统、存储介质和电子设备，解决了无法准确预测备件需求的技术问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种基于CNN-GA-BP的组合模型备件需求预测方法，用于预测中长期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。

优选的，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。

优选的，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；