[发明专利]基于统一动态集成模型和元启发式算法的汽车备件销量预测方法及系统

权利要求书

1.基于统一动态集成模型和元启发式算法的汽车备件销量预测系统，其特征在于，所述的汽车备件销量预测系统包括数据库、数据获取模块、多种并行的典型预测模型模块、预测数据储存模块、基于元启发式优化模块和汽车备件销量预测应用系统模块；

所述的数据库包括各种汽车备件销量数据，统称为预测变量，作为销量预测的基础；数据库中的所有原始数据分为年度、季度和月度数据；

所述的数据获取模块用于连接数据库与汽车备件销量预测系统，获取预测所需的原始预测变量；

所述的多种并行的典型预测模型模块，本发明目前包括权重移动平均预测模型、二次指数平滑预测模型、三次指数平滑预测模型、温特线性和季节性指数平滑预测模型以及灰色预测模型，将这多种预测模型分别与数据获取模块连接，对所获得的原始预测变量分别进行五种方法的预测；

所述的预测数据储存模块与多种并行的典型预测模块连接，对多种预测模型所获得的预测数据分别进行储存；

所述的基于元启发式优化模块与预测数据储存模块连接，用于优化模型储存模块里的预测模型系数，从而建立统一动态集成模型；

所述的汽车备件销量预测应用系统模块与元启发式优化模块连接，将统一动态集成模型储存在备件销量预测应用系统模块中。

2.基于统一动态集成模型和元启发式算法的汽车备件销量预测方法，其特征在于，步骤如下：

步骤一、根据预测要求，从数据库中选取所需年限的原始数据，统称为原始变量，分为年度变量、季度变量和月度变量；

对原始变量进行多种并行预测，首先是权重移动平均法，其对时间序列中离预测时间远近不同的历史需求数据赋予不同的权重，也即考虑了离预测时间远近不同的历史需求对当前预测期内需求的影响程度；

权重移动平均法如下：有时间序列x₁,x₂,x₃,......,x_t......，N为移动平均的期数，为固定跨越期限内的移动平均序列，即预测对象的时间序列中固定跨越期限内的一组历史数据的算术平均值，对每个序列值赋予不同的权重，则权重移动平均法中时间序列的加权平均值序列为：

X‾t=α0Xt+α1Xt-1+...+αN-1Xt-N-1N=ω0Xt+ω1Xt-1+...+ωN-1Xt-N-1---(1)]]>

式中：ω_i为加权因子，满足α_i为时间序列中各个时间序列被赋予的权重；权重平均移动预测法以作为下一期的预测值则

y_t+1＝ω₀X_t+ω₁X_t-1+...+ω_N-1X_t-N-1 (2)

其次是指数平滑法，包括一次指数平滑法、二次指数平滑法和三次指数平滑法，一次指数平滑法适用于历史需求无明显变化趋势的预测；二次指数平滑是在一次指数平滑的基础上再次平滑，适用于具有线性趋势变化的历史需求序列；三次指数平滑是对二次指数平滑的再平滑，适用于历史需求数据呈非线性分布趋势的产品预测；指数平滑法公式如下：

St(i)=αSt(i-1)+(1-α)St-1(i),0<α<1---(3)]]>

其中，i＝1,2,3分别代表一次指数平滑法、二次指数平滑法、三次指数平滑法；当是一次指数平滑法时，S_t(i-1)为t时期的观察值；当是二次指数平滑法时，S_t(i-1)为t时期的一次指数平滑值；当是三次指数平滑法时，S_t(i-1)为t时期的二次指数平滑值；α是平滑系数；S_t(i)为第i种方法在t时期的指数平滑值；

设置Y_t+1⁽ⁱ⁾为T+1年的第i方法的需求数据，三种指数平滑模型分别如下：

YT+1(1)=αT(1)---(4)]]>

YT+1(2)=αT(2)+bT(2)---(5)]]>

YT+1(3)=αT(3)+bT(3)+cT(3)---(6)]]>

在公式(4)～(6)，

αT(3)=3ST(1)-3ST(2)+ST(3),bT(3)=α2(1-α)2[(6-5α)ST(1)-2(5-4α)ST(2)+(4-3α)ST(3)],]]>

CT(3)=α2(1-α)2[ST(1)-2ST(2)+ST(3)];]]>

在本方法中，一次指数平滑法和权重移动平均适合的备件需求特点相似，因此，指数平滑法中选取二次指数平滑法和三次指数平滑法进行预测；

第四种是温特线性和季节性指数平滑预测，设有时间序列x₁,x₂,x₃,......,x_t；温特季节指数平滑模型由三个基本平滑方程构成，分别模拟时间序列的三个组成因素：线性趋势、季节变动、不规则变动，三个基本方程为：

μt=α1×XtSt-L+(1-α1)×(μt-1+βt-1)---(7)]]>

β_t＝α₂(μ_t-μ_t-1)+(1-α₂)β_t-1(8)

St=α3×Xtμt+(1-α3)St-L---(9)]]>

式中：L为季节周期；μ_t为趋势分量，除去季节变化影响的时间序列指数平滑平均数，包含趋势变化但不包含季节变化的影响；β_t为趋势直线的斜率，用来平滑时间序列的变化趋势；S_t为季节指数，季节因子的指数平滑均数；α₁、α₂、α₃为平滑常数，0<α₁、α₂、α₃<1；

基于温特指数平滑模型的预测如下：

y_t+m＝(μ_t+mβ_t)×S_t-L+m (10)

其中，m为要预测的时间段距离当前时间t的时间间隔数；

第五种预测方法是灰色模型，设置灰色模型的原始序列名称为X⁽⁰⁾，每个预测变量的原始表达为x⁽⁰⁾，则具体表示为X⁽⁰⁾＝[x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(n)]，接着对该序列进行累加为：

X⁽¹⁾为在X⁽⁰⁾序列上第一次操作的序列，同理，x⁽¹⁾为在x⁽⁰⁾变量上第一次操作的变量，新的序列为:X⁽¹⁾＝[x⁽¹⁾(1),x⁽¹⁾(2),...,x⁽¹⁾(n)]，得到规律性较强的生成数列；因此，它满足灰色预测的微分方程，其线性微分形式为：

dx(1)dt+ax(1)=b---(11)]]>

其中：a为发展系数，b为灰色作用量，作为灰色系统和灰箱两种观点的重要区分标志，通常情况下被用来区别灰色建模和传统的输入输出建模；

为了估计参数a,b，将上述公式离散得到以下线性模型：

Y＝BA (12)

其中，A和B均为矩阵，具体表示为：

B=-12[x1(1)+x1(2)]1-12[x1(2)+x1(3)]1......-12[x1(n-1)+x1(n)]1,Y=x0(2)x0(3)...x0(n),A=ab;]]>

则灰色模型的参数列的最小二乘法估计为：

A＝(B^TB)^-1B^TY (13)

将获得的参数代入白化方程中，然后求解微分方程，则预测模型表示为GM(1,1)，灰色模型用Grey Model表示，简称GM；GM(1,1)括号内的两个1分别是一阶方程和一个变量的代表，具体表示为：

x^(1)(K+1)=[x(0)(1)-ba]e-ak+ba,k=1,2,...,n---(14)]]>

其中，K为变量顺序参数，为x的估计值；对进行减法操作，所以原始序列的灰色模型如下：

x^0(K+1)=x^1(K+1)-x^1(K)=[x^0(1)-ba][1-ea]e-ak,k=1,2,...,n---(15)]]>

步骤二、分别建立典型的预测模型，并将模型结果储存在预测数据储存模块，得到统一动态集成模型，如下；

S＝ω_D1S₁+ω_D2S₂+ω_D3S₃+ω_D4S₄+ω_D5S₅ (16)

其中：S是汽车备件的最终预测销量；S₁,S₂,S₃,S₄,S₅分别为加权移动平均法、二次指数平滑法、三次指数平滑法、温特线性和季节性指数平滑预测以及灰色模型的销量预测结果；ω_D1,ω_D2,ω_D3,ω_D4,ω_D5分别为这多预测模型的权重系数，并且

步骤三、采用遗传算法和蚁群算法结合优化统一动态集成模型，本方法对混合算法进行改进，在遗传算法时，分别根据多个优化目标确定适应度函数(本发明中选取三个优化目标)，进行三次遗传算法求得三组不同的最优解；根据三组不同的最优解，对蚁群算法的初始信息素进行赋值，三个优化目标都比较小的路径上信息素必然会出现重合，从而信息素浓度大，促使蚁群算法迅速找到最优解；

3.1在混合算法的前阶段，利用遗传算法求解得到可行解：

遗传算法先随机的产生种群，种群里面的每个个体或染色体都代表一组节点的排列，其质量高低用一个适应函数来评价；每个个体或染色体根据适应度，按照一定的概率被选择进行交叉、变异，产生新的下一代种群；适应度高的个体更有机会来繁殖下一代；随着连续的繁殖，种群趋于收敛于高适应度的那些种群，从而找到最优解；

1)编码：根据实际情况的具体问题，将实际情况的具体问题的参数通过编码转换为遗传算法的编码组，采用二进制编码形式；

2)随机产生初始种群，并确定参数的初始值；根据编码机制，初始化原始种群；随机生成一定数目的个体，个体数量是群体规模的两倍，然后从中挑出较好的个体构成初始种群；这个过程是一个不断迭代的过程，直到初始种群中个体数量达到了预先确定的规模结束；同时，对种群规模、种群进化代数、适应度参数、遗传优化的次数、交叉概率的参数、变异概率的参数进行初始化；其中，群体大小为M，即群体中所含个体的数量取为20～100；

3)确定适应度函数，进行适应度计算：适应度函数是用来评价个体适应度的函数，多目标优化问题存在多个优化目标，分别根据多个优化目标确定多个适应度函数，单独进行遗传算法；适应度函数值必须是非负的；为了保证遗传算法中对各个个体适应度的比较排序，从而确定选择概率，必须将目标函数转化为求最大值形式且函数值为非负的适应度函数；本方法采用界限构造适应度函数：

min f(x)s.t.X∈SS⊆R---(17)]]>

其中：X＝[x₁,x₂,...,x_n]^T取一组整数，或取某一范围内的实数值或记号，称为遗传基因，其所在的位置称为基因座；x_i的所有可能取值称为等位基因；对一个染色体，其长度n是固定或变化的；在遗传算法中，问题的搜索空间是由所有的染色体组成的；

4)选择操作：根据适应度函数计算种群每个个体的适应度，通过改进的轮盘赌选择方法选择出优良的个体；

5)交叉操作：将父代中剩余的染色体搭配成对，一对经过配对的染色体以交叉概率P_c进行交叉重组产生子代个体，交叉方法采用双点交叉的改进方法，交叉概率P_c的表达式为：

P_c＝M_c/M(18)

其中，M为群体中个体的数目，M_c为群体中被交换个体的数目，P_c取为0.4～0.99；

6)变异操作：种群以变异概率P_m进行变异，采用互换变异的方法；变异概率P_m的表达式为：

P_m＝B/(M*λ)(19)

其中，B为每代中变异的基因数目，M为每代中群体拥有的个体数目，λ为个体中基因串长度，变异概率取值为0.0001～0.1；

7)循环操作：判断迭代次数是否达到设定的迭代代数，遗传算法的终止进化代数T，取为100～500；若达到，则停止进化，选择最优适应度值对应的染色体所对应的路径输出作为求解问题的解；若没有达到，则将迭代次数加1进入下一个循环中；

8)输出解集：符合终止条件，跳出循环，记录当前进化种群；根据不同的适应度函数，最终得到三组不同的解集；

3.2根据遗传算法求得的最优解，对初始信息素进行赋值：

对于蚁群：确定向量，k＝1,2,...,m，通过使用目标函数评估每个蚂蚁的位置；

利用(20)-(22)对蚁群的速度和位置进行更新

Xi+1k=Xigbest±∂X,(t=1,2,3,...I)---(20)]]>

式中：i是迭代数量，I是迭代总数，X^gbest是最优位置，是从[-α,α]中随机产生的向量，用来确定允许产生的变异；在次迭代末这变化的长度由以下公式确定：

α_i+1＝0.1×α_i(21)

Eq.(20)中的正负号决定了方向的变化，通过使用以下方程来决定:

X‾best=Xgbest+(Xgbest×0.01)---(22)]]>

如果否则为-；

其中，X^gbest为蚁群全局最优解；

每个位置蚂蚁的信息素浓度计算公式为下式：

τ_i＝0.1×τ_i-1(23)

τ_i＝τ_i-1+(0.01×f(X^gbest)) (24)

式中，公式(23)模拟了信息素的蒸发，公式(24)模拟了最优值周围信息素的增加；

步骤九、最终将优化后的备件销量预测模型储存在备件销量预测应用系统，输入将要预测所需的相应年度、季度或月度的汽车备件销量，之后在判断不缺少相关数据的情况下，选择相适应的备件销量预测模型，即得出相应的预测结果，即销量值。