[发明专利]一种基于多模型联合的备件数量预测方法和系统

摘要

本发明公开了一种基于多模型联合的备件数量预测方法和系统，该方法包括：构建备件历史使用数量数据库，选择训练集，对每个训练样本构建时序特征，对训练集分别训练GPR模型、GMR模型、RBFN模型，根据样本预测偏差对训练样本进行最优模型标签标定，对标定后的数据集分别进行GMM模型训练，将待测样本的时序特征输入到不同GMM模型中，得到三个概率值，比较概率值选择最优模型标签，将待测样本的时序特征输入到对应的最优模型进行再训练，使用再训练的最优模型预测待测样本下个月的使用数量。本发明通过时序特征提高数据鲁棒性，并提出基于GMR模型、RBFN模型的备件预测方法，其实现简单，通过从多个模型中选出最优预测模型，能够有效的提高预测精度。

主权项

1.一种基于多模型联合的备件数量预测方法，其特征在于，该方法包括以下步骤：(1)构建备件历史使用数量数据库，该数据库包括多种备件的历史使用数量，每种备件对应一个样本；(2)按照备件种类从所述数据库中选择训练样本，构成训练集；(3)对所述训练集中的每个训练样本，基于所述训练样本除最后一个月的所有历史使用数量构建时序特征，构成训练集的时序特征数据集；(4)对训练集的时序特征数据集，分别训练预测模型高斯过程回归GPR模型、混合高斯回归GMR模型、径向基神经网络回归RBFN模型；(5)对所述训练集中的每个训练样本，用训练好的三个预测模型分别预测所述训练样本最后一个月的使用数量，并根据样本预测偏差对所述训练样本进行最优模型标签标定，得到三个标定后的数据集，其中，每个标定后的数据集中的样本的最优模标签相同；(6)对标定后的三个数据集分别进行GMM模型训练，得到三个不同的GMM模型；(7)对待测样本，基于所述待测样本的所有历史使用数量构建时序特征，将该时序特征输入到三个不同的GMM模型中，得到三个概率值，其反映了所述待测样本使用该GMM对应的预测模型预测效果最佳的概率；(8)比较三个概率值选择最优模型标签，将所述待测样本的时序特征输入到对应的最优模型进行再训练拟合，得到再训练的最优模型；(9)使用再训练的最优模型预测所述待测样本下个月的使用数量。