一种基于神经网络的装甲维修器材备件预测方法及装置与流程

本发明涉及装甲，尤其是一种基于神经网络的装甲维修器材备件预测方法及装置。

背景技术：

1、装甲维修器材备件需求预测是进行装甲维修器材备件筹措、储存供应等装甲维修器材备件管理工作的基础,科学准确地预测装甲维修器材备件需求,可合理确定装甲维修器材备件储备的品种数量、满足供应保障需求、降低资源占用。装甲维修器材备件消耗同时存在随机性、多样性、时变性、信息不充分性,预测过程中很难精确地描述装甲维修器材备件消耗与影响因素之间的复杂关系。

2、以统计学，机器学习，深度学习，人工智能为代表的处理不确定性多元时间序列预测的各种方法和工具迅速发展，但现有技术中仍存在自注意机制缺乏更好的稀疏性策略，在小型数据集上算法表现欠佳问题。

技术实现思路

1、本发明提出一种基于神经网络的装甲维修器材备件预测方法及装置，能够解决装甲维修器材备件需求预测过程中的多种不确定性的技术问题。

2、在本发明各方法实施例中，一种基于神经网络的装甲维修器材备件预测方法，包括：

3、步骤s1：获取装甲维修器材备件的历史数据，从历史数据中提取历史消耗量或历史需求量作为第一输入，提取装甲维修任务的类型、维修地点、装甲维修器材备件的可获得性、环境因素作为条件；由对应的第一输入和条件组成训练样本，将训练样本作为输入数据输入装甲维修器材预测模型，得到训练完毕的装甲维修器材预测模型；

4、所述装甲维修器材预测模型包括依次相连的wavenet网络模型及informer网络模型；所述wavenet网络模型用于获取反映所述输入数据与装甲维修器材备件需求的依赖关系的时间序列；

5、所述informer网络模型的编码器接收所述时间序列，从所述时间序列捕获多头自注意信息，生成注意特征图，再基于注意特征图生成长序列编码信息；所述informer网络模型的解码器基于所述多头自注意信息对所述长序列编码信息进行解码，解析出未来的装甲维修器材备件需求量，作为所述装甲维修器材预测模型的输出；

6、步骤s2：获取当前及未来一段时间的维修任务的任务数据，所述任务数据包括任务类型、地点、环境因素；将所述任务数据以及所述装甲维修器材备件的历史消耗量或历史需求量的最新数据输入所述训练完毕的装甲维修器材预测模型，得到所述装甲维修器材备件需求量的预测结果。

7、可选地，所述wavenet网络模型包括依次相连的num个子块，其中：

8、第一子块包括两个并列的扩展卷积子块，第一扩展卷积子块包括依次相连的第一滤波器组、第一扩展卷积层、第一激活函数层，所述第一滤波器组用于接收第一输入并识别所述第一输入的局部依赖性；所述第一扩展卷积层用于执行扩展卷积，从而获取所述第一输入的时间依赖关系；所述第一激活函数层用于引入非线性；将所述第一激活函数层的输出与所述第一扩展卷积层的输入进行残差连接； 第二扩展卷积子块包括依次相连的第二滤波器组、第二扩展卷积层、第二激活函数层，所述第二滤波器组用于接收与第一输入对应的条件；所述第二扩展卷积层用于执行扩展卷积，从而获取条件中的相关性，所述第二激活函数层用于引入非线性；将所述第二激活函数层的输出与所述第二扩展卷积层的输入进行残差连接；将所述第一扩展卷积子块的输出、第一输入及第二扩展卷积子块的输出、与第一输入对应的条件融合，作为后续其他各个子块的输入；

9、第二子块至第num-1子块中的每个子块，均包括依次相连的滤波器组、扩展卷积层、激活函数层，第二子块至第num-1子块中的所述滤波器组用于接收其所归属的子块的各个输入并识别各个输入的局部依赖性，并得到其所归属的子块的融合输入；所述扩展卷积层用于执行扩展卷积，第二子块至第num-1子块中的所述激活函数层对经扩展卷积层输出的卷积结果进行激活，将激活结果与其所归属的子块的融合输入进行残差连接，得到的结果作为下一级子块的输入；

10、第num子块包括依次相连的滤波器组、扩展卷积层、激活函数层，所述滤波器组用于接收该子块的各个输入并识别各个输入的局部依赖性，并得到该子块的融合输入；所述扩展卷积层用于执行扩展卷积，所述激活函数层对经扩展卷积层输出的卷积结果进行激活，将激活结果与该子块的融合输入进行残差连接，得到的结果进行d*1卷积，输出时间序列。

11、优选地，所述wavenet网络模型的网络权重、滤波器的参数调整是基于成本函数进行的，通过最小化成本函数对所述wavenet网络模型的网络权重、滤波器的参数进行调整，所述成本函数为：

12、

13、其中，表示使用xa0,…,xat对xat+1的预测，d为时间序列的维数，a表示时间序列的序号，，n为时间序列的长度，t表示时间点，t=0,1,…,n-1，xat+1为第a个时间序列的第t+1个时间点的变量真实值，γ为惩罚项的系数，l表示扩张卷积层的序号，l=0,1,…,l，l为扩张卷积的层数，h表示通道的序号，h=1,…,ml+1，ml+1为第l+1层通道数，为第l层第h个通道的滤波器，xa0,…,xat分别为第a个时间序列从时间点0到t的取值。

14、优选地，所述informer网络模型的编码器接收所述时间序列，从所述时间序列捕获多头自注意信息，生成注意特征图，再基于注意特征图生成长序列编码信息；所述informer网络模型的解码器基于所述多头自注意信息对所述长序列编码信息进行解码，解析出未来的装甲维修器材备件需求量，作为所述装甲维修器材预测模型的输出：

15、由第一多头自注意模块从所述时间序列中提取时间序列特征；所述第一多头自注意模块包括依次相连的第一多头自注意子模块及第二多头自注意子模块，所述第一多头自注意子模块解析所述时间序列，从所述时间序列中解析出非模型预测时间步或时间窗口的数据点、及模型预测的时间点或时间窗口的数据点；将所述非模型预测时间步或时间窗口的数据点作为键，将模型预测的时间点或时间窗口的数据点作为查询，将所述时间序列的数据点作为值；所述第二多头自注意子模块从键、查询、值中提取时间序列特征，生成注意特征图；再基于注意特征图生成长序列编码信息；

16、所述解码器接收编码信息以及所述编码信息经级联特征映射转换的上下文向量；将所述上下文向量输入第二多头自注意模块，所述第二多头自注意模块包括并列的第三多头自注意子模块及第四多头自注意子模块，所述第三多头自注意子模块及第四多头自注意子模块并发地计算所述编码信息与所述上下文向量中的自注意力，得到第三自注意力及第四自注意力；拼接所述第三自注意力及所述第四自注意力形成拼接后的自注意力；基于所述编码信息、所述编码信息经级联特征映射转换的上下文向量、拼接后的自注意力进行推理，基于推理过程生成推断，将推断结果作为所述装甲维修器材预测模型的输出。

17、在本发明上述各方法实施例中，一种基于神经网络的装甲维修器材备件预测装置，包括：模型训练模块：配置为获取装甲维修器材备件的历史数据，从历史数据中提取历史消耗量或历史需求量作为第一输入，提取装甲维修任务的类型、维修地点、装甲维修器材备件的可获得性、环境因素作为条件；由对应的第一输入和条件组成训练样本，将训练样本作为输入数据输入装甲维修器材预测模型，得到训练完毕的装甲维修器材预测模型；

18、所述装甲维修器材预测模型包括依次相连的wavenet网络模型及informer网络模型；所述wavenet网络模型用于获取反映所述输入数据与装甲维修器材备件需求的依赖关系的时间序列；

19、所述informer网络模型的编码器接收所述时间序列，从所述时间序列捕获多头自注意信息，生成注意特征图，再基于注意特征图生成长序列编码信息；所述informer网络模型的解码器基于所述多头自注意信息对所述长序列编码信息进行解码，解析出未来的装甲维修器材备件需求量，作为所述装甲维修器材预测模型的输出；

20、备件需求量预测模块：配置为获取当前及未来一段时间的维修的任务数据，所述任务数据包括任务类型、地点、环境因素；将所述任务数据以及所述装甲维修器材备件的历史消耗量或历史需求量的最新数据输入所述训练完毕的装甲维修器材预测模型，得到所述装甲维修器材备件需求量的预测结果。

21、在本发明上述各方法实施例中，一种计算机可读存储介质，所述存储介质中存储有多条指令，所述多条指令用于由处理器加载并执行如前所述方法。

22、在本发明上述各方法实施例中，一种电子设备，所述电子设备，包括：处理器，用于执行多条指令；存储器，用于存储多条指令；其中，所述多条指令用于由所述存储器存储，并由所述处理器加载并执行如前所述方法。

23、在本发明上述各方法实施例中，一种计算机程序产品，所述计算机程序产品在由处理器运行时，使得所述处理器执行如前所述方法。

24、本发明具有以下优点：

25、1、本发明能够解决装甲维修器材备件需求预测过程中的多种不确定性问题,本发明构建了装甲维修器材预测模型，是基于wavenet-cnn-mtsf-aliformer神经网络的装甲维修器材预测模型，能够进行装甲维修器材备件预测，为装甲维修器材备件管理提供参考。

26、2、本发明提高装甲装备器材需求预测的科学性，本发明的装甲维修器材预测模型首先明确基于wavenet-cnn-mtsf-aliformer神经网络装甲维修器材备件预测模型的构建流程与具体步骤，引入wavenet-cnn进行条件时间序列预测，所提出的网络包含扩展卷积堆栈，使其能够在预测时访问广泛的历史记录，通过将多个卷积滤波器并行应用到单独的时间序列来执行 relu 激活函数和调节，从而可以快速处理数据和利用多元时间序列之间的相关结构。卷积网络非常适合装甲装备器材需求预测问题，并且能够有效地学习序列内和序列之间的依赖关系，而不需要较长的历史时间序列，是一种省时且易于实现的循环类型替代方案网络。其次优化基于动态图神经网络的多元时间序列预测方法，基于图神经网络(gnn)的方法提供最先进的预测性能使用可以捕获时间序列之间历史相关性的关系图。由于装甲维修器材备件预测时间序列之间的相关性会随着时间的推移而演变，从而产生动态关系图，其中未来的相关性可能与历史的相关性不同。为了解决这个问题，使用具有动态图建模(mtsf-dg)的多个时间序列预测，学习历史关系图并预测未来的关系图以捕获动态相关性。还使用一个因果gnn来有效地从这两种关系图中提取特征。构造一个推理网络，以明确学习从历史时间戳到未来时间戳的变体影响以进行预测。基于wavenet-cnn-mtsf-aliformer神经网络装甲维修器材备件预测模型不仅能够提高局部装甲维修器材备件需求预测的准确性，而且能够提升整体预测过程的稳定性。

27、3、本发明装甲维修器材预测模型中的wavenet模型能够捕捉多元时间序列的非线性而不需要预先指定模型形式。

28、4、本发明利用条件作用的概念来开发多变量预测，以减少短期序列中的噪声。使用多个装甲器材备件时间序列作为输入，从而根据一个时间序列自身的历史以及多个其他时间序列的历史来预测该时间序列。在多个装甲器材备件序列上训练模型允许网络利用这些序列之间的相关性结构，以便网络可以在较短的数据序列中学习装甲器材备件时间序列动态。使用多个条件时间序列作为输入可以通过学习序列之间的长期时间依赖性来提高模型的稳健性和预测质量。

29、5、本发明使用卷积架构进行装甲器材备件时间序列预测，学习代表序列中某些重复模式的过滤器，并使用这些过滤器来预测未来值。由于cnn的分层结构，通过在每个后续层中丢弃噪声并仅提取有意义的模式，可以在有噪声的序列上工作良好，以这种方式与使用小波变换时间序列（即高频和低频分量的分离）作为输入的神经网络具有相似性。

30、6、本发明对超参数进行网格搜索，informer在编码器中包含多个多层堆栈以及一个多层解码器。本发明提出的方法使用adam优化器进行优化，每个数据集的输入设置为零均值归一化。层堆叠的组合是自我注意提取的补充，越长的堆栈对输入越敏感，部分原因是接收更多的长期信息。本发明设计probsparse自关注机制和提取操作来处理二次时间复杂度和二次内存使用的挑战。此外，本发明设计生成解码器减轻传统编码器-解码器架构的限制。

31、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。