[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

说明书

技术领域

本发明属于汽车备件销量预测技术领域，特别是涉及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。

背景技术

汽车市场是一个综合性的竞争市场，这里面不仅有产品质量的竞争，同样有客户服务质量的竞争，在产品的质量和性能相差不大的情况下，人们会更多的考虑其售后服务质量的好坏，并将其作为评价一个品牌的标准，面对这样的情况，越来越多的汽车生产厂家不但注重汽车的质量和性能，也注重提高自身的售后服务质量，提高自己的品牌在消费者心中的形象，并以此来留住老客户发展新客户。还有一个重要的因素就是汽车售后服务所获利润高达公司总利润的60％，这大大提高了汽车生产厂家对售后服务领域的重视。随着汽车市场整车利润的下降，越来越多的汽车厂商开始转向售后服务这一行业。我国售后服务有很大的利润空间，售后服务主要包括汽车维修和备件供应，对于汽车制造企业来说，备件销售将成为企业新的利润增长点。因此，汽车备件销量预测在汽车行业中起着重要的作用。

目前，关于汽车销量预测的研究成果，使用的方法主要有定性预测和定量预测两种。其中定性预测方法包括专家预测、主观概率预测等方法，定量预测方法主要有时间序列预测法、回归模型预测法、灰色系统模型预测法、BP神经网络预测法等，每种方法各有特点。在一定程度上，各类预测算法在对汽车备件销量中取得一定的效果。在典型的研究中，针对不同种类的备件开发了各种的预测方法。然而汽车备件种类繁多，同一种方法可能无法满足所有的汽车备件销量预测，致使预测精度不高，又或者，如何找出哪种方法适合于特殊的汽车零配件等等。因此，如何避免上述问题成为了一种待解决的问题。

遗传算法与蚁群算法这两种算法相结合的好处在于，能克服遗传算法在搜索到一定阶段时最优解搜索效率低下和蚁群算法初始信息素匾乏的不足的问题，又能发挥在寻优搜索中各自的优势，相互弥补劣势。因此，如何运用智能优化方法集成的方式对模型参数进行智能提取，以获得运行速度更快、预测精度更高的对汽车备件销量的预测模型具有很大的意义。

目前，有很少的文献对各种汽车备件销量进行全面预测。随着科技的发展，汽车的结构变得越来越复杂，各种汽车备件需求差异大，需求波动多样性。不同的备件需求有不同的销量趋势，例如，趋势没有明显变化，趋势是线性变化，非线性变化，或者有季节性特征，又或者波动较大且受不确定因素影响等。因此，如何能够无需事先分类汽车备件即可准确预测各种汽车备件需求成为本发明要解决的问题。

发明内容

为了克服现有预测方法的长期预测精度不高以及预测运行速度较慢等问题，本发明提供了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，其中，统一动态集成模型包含了多种并行的典型预测模型，通过典型预测模型分别对选取的汽车备件销量先进行初步的预测，并将各类方法的预测结果储存，从而形成统一动态集成模型。另外，元启发式算法不仅适合于大规模并行，而且可以在合理的时间限制内逼近优化问题的较好可行解。另外，将遗传算法与蚁群算法这两种元启发式算法进行集成，到达优势互补。先根据遗传算法得到最优解，再对蚁群算法的初始信息素进行赋值，多目标函数都比较少的路径上信息素必然会出现重合，从而信息素浓度大，可以促使在蚁群算法过程中迅速找到最优解，以此加大寻找到系统的最优解决方案的可能性。

本发明的技术方案：

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，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，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，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预测；

所述的预测数据储存模块与多种并行的典型预测模型模块连接，对多种并行的典型预测模型模块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。