[发明专利]一种基于深度学习的生产物流预测方法

说明书

本发明涉及一种基于深度学习的生产物流预测方法，首先对生产线生产加工过程中与生产物流相关的各项时序数据进行统计和预处理；然后对时序数据进行加权处理，分析前几个时刻数据对当前结果的影响程度，确定每个时刻影响因子即每个时刻的权重，得到深度信念网络模型的输入数据，建立基于深度信念网络的生产线预测模型；针对预测模型的参数进行实验确定，并结合AMM(Adam with Momentum)算法对模型进行预训练及调优，得到最终的生产物流预测模型；最终基于该模型预测生产物流的性能状况。

技术领域

本发明涉及生产物流的预测领域，特别涉及基于深度学习的生产物流时序数据的预测方法。

背景技术

生产物流系统是将生产目标完成和生产顺利进行所必需的物料、设备、部件、动力、加工件等整合为同一物流系统，并能使生产物流总体趋于合理化的综合体，因而生产系统的性能的优劣是和生产物流息息相关的。因此，针对生产物流系统性能问题的研究很有必要。

对于生产线物流预测国内外研究人员分别从稳定性、可靠性等方面对生产物流进行了建模仿真研究，如根据裕度计算讨论生产物流的稳定性和扰动分析；运用模型分析生产物流的可靠性；通过建模分析对生产物流进行仿真和评价。在这些研究中，均提到了生产效率、生产周期和在制品库存等基本性能参数，而利特尔法则是反映这三个参数内在关系的重要理论，并已得到广泛应用，如基于利特尔法则提出的带回流生产线的生产调度方法，根据利特尔法则对生产物流变动性的评估等。虽然目前有生产效率、生产周期和在制品库存等参数对生产物流进行性能状态判断和比较的研究，而这些传统的生产物流性能预测的方法往往用到的是整体数据的平均值来评估其性能，而并非应用到生产加工的每个阶段的信息，造成生产信息的缺失或者是重大误差。

对于生产物流的性能预测，采用了深度学习算法中的深度信念网络，由于传统的深度信念网络应用优化算法进行参数更新的时候均采用的随机梯度下降的算法，而该算法存在着其必然的缺点，由于其在优化过程中学习率是固定不变的，可能会出现由于学习率过小引起的收敛太慢的问题及学习率过大引起的震荡而无法收敛到最优解的问题。

发明内容

要解决的技术问题

为了克服现有技术的不足，本发明提供了基于AMM(Adam with Momentum)优化算法的深度信念网络时序数据生产物流性能预测方法。

技术方案

一种基于深度学习的生产物流预测方法，其特征在于步骤如下：

步骤1：采用将最近距离填补法与均值法相结合的方式，即利用当前时刻之前的3个时刻的数据均值对生产物流相关数据进行数据填补，再利用前两批的数据的均值填补某组数据中某一属性的缺失；

步骤2：利用聚类的方法进行多个属性异常值的探测，最后对探测的异常值进行分析，以该异常值对预测指标的影响程度做出删除、校正还是保留的决定；

步骤3：采用z-score标准化的规范化处理方法对数据进行归一化处理：

其中，Y_i表示第i个原始数据，为N个原始数据的平均值，σ为原始数据的标准差，N为原始数据的总个数；

步骤4：确定输入层由多少个时刻的数据的加权所得，即采用实验的方法对数据量进行确定，根据实际情况采用结合2、3、4个不同数量的时刻数据，通过综合预测结果及训练预测时间来确定最佳时刻数；

步骤5：确定每个时刻数据的加权值，具体步骤如下：

步骤a：首先先假设当前时刻的数据的影响是最大的，随着时间刻度距离越大影响将会减弱，分别对不同时刻的值给定一个权重，根据给定权重的不同分5组，通过训练预测计算出其准确度；