基于CNN-GA-BP的组合模型备件需求预测方法和系统技术方案

本发明专利技术提供一种基于CNN

【技术实现步骤摘要】
基于CNN
‑
GA
‑
BP的组合模型备件需求预测方法和系统


[0001]本专利技术涉及电子装备备件预测
，具体涉及一种基于CNN
‑
GA
‑
BP的组合模型备件需求预测方法、系统、存储介质和电子设备。

技术介绍

[0002]21世纪以来，电子行业发展日新月异，中国电子制造业在市场中所占的比重也明显提升。由此，便涉及到电子相关的装备备件库存控制问题，备件库存控制的一个基本要素是精准的备件需求的预测，电子备件需求预测的优劣将会对装备备件维修保障费用和战备完好性产生显著影响。
[0003]电子装备的备件消耗的量化非常复杂，尤其是由于需求的非线性、灰色性特点。电子装备备件供应商通常根据经验确定备件需求；然而，这是一个随机的、盲目的过程，若消耗量低于预期以及关键备件短缺，可能导致大量备件积压。解决这一问题的关键是准确预测备件需求。
[0004]不同预测理论和方法的准确性往往直接受到其应用方式的影响。因此，当前的需求预测研究和应用经常遇到两大挑战：数据与实际需求不一致、以及预测方法应用的不准确。

技术实现思路

[0005](一)解决的技术问题
[0006]针对现有技术的不足，本专利技术提供了一种基于CNN
‑
GA
‑
BP的组合模型备件需求预测方法、系统、存储介质和电子设备，解决了无法准确预测备件需求的技术问题。
[0007](二)技术方案
[0008]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0009]一种基于CNN
‑
GA
‑
BP的组合模型备件需求预测方法，用于预测中长期装备备件的需求数量，在所述基于CNN
‑
GA
‑
BP的组合模型的训练过程中：
[0010]S1、获取并向量化电子装备备件的历史需求数据；
[0011]S2、根据历史需求数据向量，采用底层预测模型获取直接预测结果；
[0012]S3、拼接所述历史需求数据向量和直接预测结果，采用中层预测模型CNN网络获取卷积结果；
[0013]S4、拼接所述历史需求数据向量、直接预测结果、卷积结果，将拼接结果划分为训练集和测试集；并将所述训练集作为顶层预测模型GA
‑
BP网络的输入，对输入数据进行训练；
[0014]S5、将所述测试集作为训练完毕的GA
‑
BP网络的输入，获取备件需求预测结果。
[0015]优选的，所述S2中底层预测模型包括指数平滑法和差分自回归移动平均模型。
[0016]优选的，所述指数平滑法和差分自回归移动平均模型包括：
[0017](1)指数平滑法
[0018][0019]其中，y
t
为第t期的实际值，该时间序列由备件的历史需求数据组成，1<t<T，T为总期数；α为平滑系数，0<α<1；为第t期i方法的预测值，其中i＝1,2分别代表了一次、二次指数平滑法；
[0020]设为i方法第T+1期的实际值，则两个指数平滑法模型变为：
[0021][0022][0023]其中，分别为一次、二次指数平滑法第T+1期的实际值；
[0024](2)假设{X
t
}为一组弱平稳时间序列，经过d阶差分：
[0025][0026]则差分自回归移动平均模型表示为：
[0027]W
t
＝α1W
t
‑1+α2W
t
‑2…
+α
p
W
t
‑
p
‑
θ1β
t
‑1‑
θ2β
t
‑2…‑
θ
p
β
t
‑
p
[0028]其中，W
t
为d阶差分处理后的序列；B为后移算子，且满足条件B
k
X
t
＝X
t
‑
k
；表示差分计算，且有X
t
为第t时刻的时间序列值；β
t
为均值为0且方差为σ
a
的白噪声；α
t
、θ
t
为模型参数。
[0029]优选的，所述S3中在拼接所述历史需求数据向量和直接预测结果后，先进行零填充，再并采用CNN网络进行卷积。
[0030]优选的，所述S4中GA
‑
BP网络的训练过程包括：
[0031]S10、初始化BP神经网络的网络结构、学习参数；所述网络结构包括一个输入层、一个隐含层和一个输出层，采用GA算法执行学习参数寻优，获取优化后的权重和阈值；
[0032]S20、输入训练集中的样本，计算隐含层的输出；
[0033][0034]其中，H
j
为隐含层第j个节点的输出，f为激励函数，l为输入层的节点数，ω
ij
为输入层第i个节点与隐含层第j个节点之间的权值，x
i
为输入层第i个节点的输入值，a
j
为隐含层第j个节点的阈值；
[0035]S30、正向传播，计算输出层的输出O
k
；
[0036][0037]其中，O
k
为输出层第k个节点的输出，q为隐含层的节点数，ω
jk
为隐含层第j个节点与输出层第k个节点之间的权值，b
k
为输出层第k个节点的阈值；
[0038]S40、误差计算，通过训练集计算当前网络的实际输出，与网络的期望输出进行比较，
[0039]e
k
＝Y
k
‑
O
k
[0040]其中，e
k
为输出层第k个节点的输出误差，Y
k
为输出层第k个节点的期望输出；
[0041]S50、反向传播，根据误差，逐层修正神经网络的权重，
[0042][0043]其中，η为学习率，m为输出层的节点数；
[0044]S60、阈值的更新，根据误差，逐层修正阈值；
[0045][0046]S70、判断BP神经网络算法迭代是否结束，达到指定迭代次数或者相邻的两次误差之间的差值小于指定值，迭代结束输出预测值否则返回S20。
[0047]优选的，所述S100中采用GA算法执行学习参数寻优，具体包括：
[0048]S100、初始化种群；
[0049]S200、将所述BP神经网络的训练误差作为适应度函数；
[0050]S300、重复执行选择、交叉、变异操作；
[0051]S400、直至个体适应度满足条件或迭代次数达到指定次数，停止迭代，输出最优权重和阈值。...

【技术保护点】

【技术特征摘要】
1.一种基于CNN
‑
GA
‑
BP的组合模型备件需求预测方法，其特征在于，用于预测中长期电子装备备件的需求数量，在所述基于CNN
‑
GA
‑
BP的组合模型的训练过程中：S1、获取并向量化电子装备备件的历史需求数据；S2、根据历史需求数据向量，采用底层预测模型获取直接预测结果；S3、拼接所述历史需求数据向量和直接预测结果，采用中层预测模型CNN网络获取卷积结果；S4、拼接所述历史需求数据向量、直接预测结果、卷积结果，将拼接结果划分为训练集和测试集；并将所述训练集作为顶层预测模型GA
‑
BP网络的输入，对输入数据进行训练；S5、将所述测试集作为训练完毕的GA
‑
BP网络的输入，获取备件需求预测结果。2.如权利要求1所述的基于CNN
‑
GA
‑
BP的组合模型备件需求预测方法，其特征在于，所述S2中底层预测模型包括指数平滑法和差分自回归移动平均模型。3.如权利要求2所述的基于CNN
‑
GA
‑
BP的组合模型备件需求预测方法，其特征在于，所述指数平滑法和差分自回归移动平均模型包括：(1)指数平滑法其中，y
t
为第t期的实际值，该时间序列由备件的历史需求数据组成，1<t<T，T为总期数；α为平滑系数，0<α<1；为第t期i方法的预测值，其中i＝1,2分别代表了一次、二次指数平滑法；设为i方法第T+1期的实际值，则两个指数平滑法模型变为：为i方法第T+1期的实际值，则两个指数平滑法模型变为：其中，分别为一次、二次指数平滑法第T+1期的实际值；(2)假设{X
t
}为一组弱平稳时间序列，经过d阶差分：则差分自回归移动平均模型表示为：W
t
＝α1W
t
‑1+α2W
t
‑2…
+α
p
W
t
‑
p
‑
θ1β
t
‑1‑
θ2β
t
‑2…‑
θ
p
β
t
‑
p
其中，W
t
为d阶差分处理后的序列；B为后移算子，且满足条件B
k
X
t
＝X
t
‑
k
；表示差分计算，且有X
t
为第t时刻的时间序列值；β
t
为均值为0且方差为σ
a
的白噪声；α
t
、θ
t
为模型参数。4.如权利要求1所述的基于CNN
‑
GA
‑
BP的组合模型备件需求预测方法，其特征在于，所述S3中在拼接所述历史需求数据向量和直接预测结果后，先进行零填充，再并采用CNN网络进行卷积。5.如权利要求1所述的基于CNN
‑
GA
‑
BP的组合模型备件需求预测方法，其特征在于，所述S4中GA
‑
BP网络的训练过程包括：S10、初始化BP神经网络的网络结构、学习参数；所述网络结构包括一个输入层、一个隐
含层和一个输出层，采用GA算法执行学习参数寻优，获取优化后的权重和阈值；S20、输入训练集中的样本，计算隐含层的输出；其中，H
j
为隐含层第j个节点的输出，f为激励函数，l为输入层的节点数，ω
ij...

【专利技术属性】
技术研发人员：张红旗，曹锐，黄国兴，曹先怀，
申请(专利权)人：中国电子科技集团公司第三十八研究所，
类型：发明
国别省市：