[发明专利]基于多时间尺度注意力网络的废旧家电回收量预测方法

说明书

本发明涉及一种基于多时间尺度注意力网络的废旧家电回收量预测方法，包括以下步骤：从历史回收量数据集中划分出近邻、周期和趋势三种窗口作为模型输入，计算并使用相应的时序嵌入模块对三个窗口的时间序列数据分别进行平滑时序嵌入，且一同嵌入代表四种时间位置的特征；然后使用三个窗口的嵌入输出序列由RNN编码模块进行编码得到对应窗口的编码序列；接着应用注意力机制来融合三个RNN输出的编码序列；最后由一个多层神经网络将所得的融合编码解码为对未来回收量的预测。使用本发明方法可以对预测起始点之前的数据进行更深层次的数据处理分析，这样可以对预测起始点以后未来的废旧家电回收量的预测值更准确。

技术领域

本发明涉及废旧家电回收量预测领域，特别涉及一种基于多时间尺度注意力网络的废旧家电回收量预测方法。

背景技术

现有随着电子设备的广泛普及，数量和种类越来越多的废旧家电所带来的环境问题也越来越严重，建立完整、有效的废旧家电设备逆向物流(RL)管理变得至关重要。通过产品退货、回收、再制造等物流活动，以实现价值恢复和处置合理化为目的的有效的废旧家电逆向物流管理不仅有助于企业利用回收的废旧家电减少资源投入并增加利润，而且更有助于减少资源浪费和重金属污染，促进资源合理利用，形成良好的生态和社会效益。

由于运输安排、劳动力和材料调度、生产计划等多方面的考虑，准确预测未来预期的废旧家电产品的回收量将大大提升废旧家电逆向物流管理的效率。然而，受各种因素的影响，长期以来，逆向物流中回收量的不确定性一直阻碍着准确的预测。产品的种类、质量、寿命以及使用的时间和环境等因素直接影响着废弃物的数量。在外部因素方面，人口密度、GDP水平、政策、时期、消费意向等也影响着回收量。这些复杂多样的因素导致了废旧家电回收量在不同季节和不同时期的上的巨大差异。

废旧家电逆向物流(RL)在减少重金属污染和缓解资源短缺等环境保护方面发挥着重要作用。对废旧家电设备回收量的准确预测可以大大提升废旧家电设备逆向物流管理的效率。为避免对各种产品进行耗时的分析和泛化推广的困难，数据驱动的机器学习预测方法成为一个值得探索的方向。然而，大多数基于机器学习的前沿时间序列预测方法由于两个原因而表现欠佳：a)它们很少考虑数据在不同时间尺度上呈现的特征；b)它们不能很好地处理具有高噪声和对时间依赖高度敏感的数据。

发明内容

针对现有技术存在的上述问题，本发明要解决的技术问题是：因多种因素影响的对废旧家电设备回收量预测不准确的问题。

为解决上述技术问题，本发明采用如下技术方案：

一种基于多时间尺度注意力网络的废旧家电回收量预测方法，包括如下步骤：

S100：选用废旧家电回收订单数据集，将数据集以天为时间间隔的回收量形成时间序列数据X，表达式如下：

X＝{x₀，x₁，…，x_t，…，x_N-1}

其中，x_t表示第t天的回收量真实值；

S200：初始化MULAN网络模型，并从X中随机选取一天作为预测起始时间点s_i，i＝1，2，...，N，每个s_i对应一个真实回收量定义预测起始时间点s_i之前回收量数据的近邻窗口长度c_len、周期窗口长度p_len、趋势窗口长度t_len和预测窗口长度f_len，定义四种窗口的表达式如下：

近邻窗口：cw＝[s_i-c_len，s_i)；

周期窗口：