[发明专利]一种预测备件故障率的方法、装置及预测备件需求量的方法

说明书

本发明实施例提供一种预测备件故障率的方法，所述方法包括，获得待预测备件的故障率的历史数据；使用第一神经网络，基于所述历史数据，得到编码数据；使用第二神经网络，基于所述编码数据，得到预测解码数据；基于所述编码数据和所述预测解码数据，对所述备件的历史故障趋势和备件的预测故障趋势进行相似度分析，以得到备件的预测故障率。本发明提供的方法允许编码‑解码器结构对具有不同语义意义的变量进行综合建模；可以处理不稳定、非线性和高维数据，此外，本发明提供的方法通过将备件的历史故障趋势和备件的预测故障趋势进行比对提高了模型的可解释性和准确性。

技术领域

本发明属于备件需求量预测领域，具体涉及一种预测备件故障率的方法、装置及预测备件需求量的方法。

背景技术

准确的预测服务备件需求量是服务供应链管理的关键，它能够帮助链路决策者旨在保证服务水平不下降的前提下，更科学的制定采购计划，尽可能降低库存成本。现有技术中，基于手工特征的时间序列分析模型和传统的机器学习方法无法处理不稳定、非线性和高维数据。虽然深度学习模型可以解决上述问题，例如，研究人员可使用递归神经网络(RNN)来建模时间相关性。然而，这些深度学习模型得到的预测结果对于决策过程中广泛需要理由的决策者们来说是不可解释的。为了增加预测模型的可解释性，亟需一种新的预测备件需求量的方法。

发明内容

本发明提供了一种预测备件故障率的方法、装置及预测备件需求量的方法。

为了解决上述技术问题，本发明实施例提供了如下的技术方案：

本发明第一方面提供一种预测备件故障率的方法，所述方法包括，

获得待预测备件的故障率的历史数据；

使用第一神经网络，基于所述历史数据，得到编码数据；

使用第二神经网络，基于所述编码数据，得到预测解码数据；

基于所述编码数据和所述预测解码数据，对所述备件的历史故障趋势和备件的预测故障趋势进行相似度分析，以得到备件的预测故障率。

作为优选，所述获得待预测备件的故障率的历史数据，包括，

获得待预测备件的故障率的历史趋势数据。

作为优选，所述历史数据包括第一历史数据至第T历史数据；

所述编码数据包括第一编码数据至第T编码数据；

所述基于所述历史数据，得到编码数据，包括，

基于所述第一历史数据得到第一编码数据，基于第N历史数据和第N-1编码数据得到第N编码数据，N为大于等于2且小于等于T的整数。

作为优选，所述基于所述编码数据，得到预测解码数据，包括，

基于所述编码数据得到解码数据；

基于所述解码数据得到所述预测解码数据。

作为优选，所述解码数据包括第一解码数据至第T解码数据，所述基于所述编码数据得到解码数据，包括，

基于所述第T编码数据得到第一解码数据；

基于所述第一解码数据得到第一估值数据，所述第一估值数据与所述第一历史数据相对应；

基于所述第M解码数据和所述第M估值数据得到第M+1解码数据，M为大于等于2且小于T的整数；

基于所述第M+1解码数据得到第M+1估值数据，所述第M+1估值数据与所述第N历史数据相对应，所述M+1与N相等。

作为优选，所述预测解码数据包括第T+1解码数据至第T+V解码数据，所述基于所述解码数据得到所述预测解码数据，包括，