【技术实现步骤摘要】
本专利技术涉及时间序列数据分析，具体涉及基于时间卷积网络的核电物资采购需求预测方法及系统。
技术介绍
1、在现代供应链管理中，物资采购需求预测是确保供应链效率和降低运营成本的关键环节。传统的需求预测方法主要包括时间序列分析、回归分析和机器学习模型。这些方法在实际应用中虽然取得了一定成效，但仍存在诸多局限性和问题。
2、首先，传统时间序列方法如移动平均、指数平滑和自回归积分滑动平均模型(autoregressive integrated movingaverage,arima)在处理简单的季节性和趋势时表现较好，但在面对复杂的非线性时序数据时，其预测精度较低。此外，这些方法对数据的假设较为严格，难以应对实际数据中的异常值和缺失值问题。其次，回归分析方法依赖于线性关系的假设，当需求数据中存在非线性关系时，回归模型的预测能力会显著下降。同时，回归模型对特征工程的依赖较大，特征选择不当会导致模型性能不佳。对于高维度数据，回归模型的计算复杂度也会显著增加，影响其在大数据环境下的应用。第三，机器学习方法如支持向量机、随机森林和梯度提升树等在需求预测中取得了一定成功，但这些方法在处理时序数据时，通常需要对数据进行拆分和重构，增加了模型设计的复杂性。此外，传统机器学习方法在捕捉长时间依赖关系方面表现不足，难以充分利用数据的时间特性。
3、在处理时序数据时，循环神经网络(rnn)是一种常用的深度学习算法，尤其是长短期记忆网络(lstm)和门控循环单元(gru)在一定程度上解决了梯度消失和梯度爆炸问题。然而，rnn的训练时间
4、基于上述现有技术的局限性，时间卷积网络(tcn)作为一种新兴的时序预测方法，展现出了较大的应用潜力。tcn通过卷积和扩展卷积操作，能够有效捕捉长时间依赖关系，并具备并行计算的优势，显著提高了模型的训练速度和预测性能。tcn在处理大规模复杂时序数据时，表现出了更高的稳定性和准确性，逐渐成为时序预测领域的重要工具。
5、尽管tcn在时序预测中展现出优异性能，但其在物资采购需求预测中的应用研究仍较为有限。因此，进一步探索基于tcn的物资采购需求预测方法，旨在解决传统方法在处理复杂时序数据中的不足，提升需求预测的准确性和稳定性，为供应链管理提供更加科学和高效的决策支持。
技术实现思路
1、鉴于上述现有存在的问题，本专利技术提供了基于时间卷积网络的核电物资采购需求预测方法及系统，用以解决现有技术中在处理复杂时序数据中准确性和稳定性差的问题。
2、为解决上述技术问题，提出了基于时间卷积网络的核电物资采购需求预测方法，包括，
3、收集数据集，并对数据集进行预处理，并对数据集进行分类，设定输入数据集的表示方式；构建时间卷积神经网络模型，将数据集进行划分，利用划分后的数据集进行模型训练；将时序数据输入利用训练后的模型中，经过多层卷积、残差连接和全连接层的处理，输出物资采购需求预测值。
4、作为本专利技术所述的基于时间卷积网络的核电物资采购需求预测方法的一种优选方案，其中：所述预处理包括，收集数据集，并对数据集进行预处理。
5、所述数据集包括时间戳、历史销售数据、历史库存水平、历史采购数据、市场价格和经济指标。
6、所述预处理包括缺失值填补、异常值处理和数据归一化；所述缺失值填补包括利用数据集中观测值的均值填补缺失值；所述异常值处理包括利用三倍标准法识别数据集中的异常值，当一个观测值与平均值的偏离超过三倍的标准差，判定观测值为异常值。
7、作为本专利技术所述的基于时间卷积网络的核电物资采购需求预测方法的一种优选方案，其中：所述对数据集进行分类包括，收集数据集，并对数据集进行预处理，并将收集到的数据集划分为训练集、验证集和测试集，设定输入数据集的表示方式。
8、所述设定输入数据集的表示方式包括设定输入数据表示方式为时间窗口滑动法，将时间序列数据转换为输入矩阵和目标向量。
9、作为本专利技术所述的基于时间卷积网络的核电物资采购需求预测方法的一种优选方案，其中：所述时间卷积神经网络模型包括，设计多层时间卷积层的网络架构，对每个卷积层采用扩展卷积，并进行残差连接，设置网络参数，并进行网络层卷积。
10、所述网络架构包括输入层、卷积层、激活函数、残差连接和全连接；所述输入层包括创建滑动窗口，并从原始数据中提取出固定长度的序列，将每个滑动窗口内的数据转换成特征矩阵，将特征矩阵调整成模型规定的输入格式。
11、所述卷积层包括在扩展卷积层中，采用逐层增加卷积核的感受野，公式表示为：
12、
13、其中，hl为第l层的输出，为第l层的卷积核权重，hl-1为第l-1层的输出，bl为第l层的偏置，dl为扩展因子，σ为激活函数。
14、作为本专利技术所述的基于时间卷积网络的核电物资采购需求预测方法的一种优选方案，其中：所述残差连接包括，在每一卷积层的输出后，将输入特征与卷积层的输出特征进行相加操作，并设置网络参数。
15、所述残差连接公式表示为：
16、
17、其中，为残差连接后的输出，hl为第l层的输出，hl-1为第l-1层的输出。
18、所述设置网络参数包括设定卷积层数、卷积核大小、扩展因子以及激活函数；所述扩展因子表示为：
19、dl＝2l-1
20、其中，dl为扩展因子，l为网络架构层数。
21、所述激活函数表示为：
22、σ＝max(0,conv(x))
23、其中，σ为激活函数，conv(x)为卷积层的输出。
24、作为本专利技术所述的基于时间卷积网络的核电物资采购需求预测方法的一种优选方案，其中：所述全连接包括，将经过多层卷积后的特征图展平成一维向量，并通过全连接层进行映射，最终输出预测的物资需求量。
25、所述输出物资需求量公式表示为：
26、
27、其中，y为全连接层输出的物资需求量，为全连接层的权重，为全连接层的偏置，为三层卷积后的输出。
28、作为本专利技术所述的基于时间卷积网络的核电物资采购需求预测方法的一种优选方案，其中：所述模型训练包括，利用训练集数据通过反向传播算法和adam优化器进行模型训练，并最小化均方误差损失函数。
29、所述反向传播算法公式为：
30、
31、其中，l为卷积层数，z(l)为第l层卷积层的输入，a(l)为第l层卷积层经过激活函数后的输出，z(l+1)为第l+1层卷积层的输入。
32、所述adam优化器公式表示为：
33、
34、其中，θt+1为第t+1轮迭代更新后的参数，θt为第t轮迭代更新后的参数，η为学习率，为梯度的一阶矩估计，为梯度的二阶矩估计，∈为超参数。...
【技术保护点】
1.基于时间卷积网络的核电物资采购需求预测方法，其特征在于：包括，
2.如权利要求1所述的基于时间卷积网络的核电物资采购需求预测方法，其特征在于：所述预处理包括，收集数据集，并对数据集进行预处理；
3.如权利要求2所述的基于时间卷积网络的核电物资采购需求预测方法，其特征在于：所述对数据集进行分类包括，收集数据集，并对数据集进行预处理，并将收集到的数据集划分为训练集、验证集和测试集，设定输入数据集的表示方式；
4.如权利要求3所述的基于时间卷积网络的核电物资采购需求预测方法，其特征在于：所述时间卷积神经网络模型包括，设计多层时间卷积层的网络架构，对每个卷积层采用扩展卷积，并进行残差连接，设置网络参数，并进行网络层卷积；
5.如权利要求4所述的基于时间卷积网络的核电物资采购需求预测方法，其特征在于：所述残差连接包括，在每一卷积层的输出后，将输入特征与卷积层的输出特征进行相加操作，并设置网络参数；
6.如权利要求5所述的基于时间卷积网络的核电物资采购需求预测方法，其特征在于：所述全连接包括，将经过多层卷积后的特征图展平成一维向
7.如权利要求6所述的基于时间卷积网络的核电物资采购需求预测方法，其特征在于：所述模型训练包括，利用训练集数据通过反向传播算法和Adam优化器进行模型训练，并最小化均方误差损失函数；
8.一种采用如权利要求1～7任一所述的基于时间卷积网络的核电物资采购需求预测方法的系统，其特征在于：包括数据预处理模块、时间卷积神经网络模型构建模块、残差连接模块以及模型训练模块；
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于时间卷积网络的核电物资采购需求预测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于时间卷积网络的核电物资采购需求预测方法的步骤。
...【技术特征摘要】
1.基于时间卷积网络的核电物资采购需求预测方法，其特征在于：包括，
2.如权利要求1所述的基于时间卷积网络的核电物资采购需求预测方法，其特征在于：所述预处理包括，收集数据集，并对数据集进行预处理；
3.如权利要求2所述的基于时间卷积网络的核电物资采购需求预测方法，其特征在于：所述对数据集进行分类包括，收集数据集，并对数据集进行预处理，并将收集到的数据集划分为训练集、验证集和测试集，设定输入数据集的表示方式；
4.如权利要求3所述的基于时间卷积网络的核电物资采购需求预测方法，其特征在于：所述时间卷积神经网络模型包括，设计多层时间卷积层的网络架构，对每个卷积层采用扩展卷积，并进行残差连接，设置网络参数，并进行网络层卷积；
5.如权利要求4所述的基于时间卷积网络的核电物资采购需求预测方法，其特征在于：所述残差连接包括，在每一卷积层的输出后，将输入特征与卷积层的输出特征进行相加操作，并设置网络参数；
6.如权利要求5所述的基于时间卷积网络的核电物资采购...
【专利技术属性】
技术研发人员：周洁，林永华，温士超，曲良鹏，
申请(专利权)人：华能霞浦核电有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。