一种航材备件预测方法及系统与流程

本发明涉及航材备件，具体涉及一种航材备件预测方法及系统。

背景技术：

1、航材备件预测通常采用时间序列预测法，现有时间序列预测法基于历史航材消耗数据，借助移动平均法、指数平滑法、季节性差分自回归、滑动平均模型、lstm等算法模型对航材未来使用量进行预测，这些算法可进行短、中、长期预测。

2、航材备件预测虽然可以构建成时间序列预测模型，但是航材的种类繁多，由于每一种航材的消耗量变化周期以及规律都是不一样的，使用单一时间序列预测模型很难适应所有航材种类的变化规律，预测精度低；为提高预测精度，为每一种航材备件预测单独建立一个时间序列预测模型，该方法忽略了航材之间的内在关联性，部分航材存在连续几个月历史航材消耗数据为0的正常情况，而时间序列预测模型将该情况的历史航材消耗数据判定为异常数据，被判定为异常数据后将不会纳入训练数据中，导致时间序列预测模型的训练效果差，难以做出备件为0的正确预测。

技术实现思路

1、本发明的目的在于提供一种航材备件预测方法及系统，所要解决的技术问题是如何提高备件预测精度。

2、本发明通过下述技术方案实现：

3、第一方面提供一种航材备件预测方法，包括以下步骤：

4、s100、接收到航材的预测请求后，获取历史维修消耗总数据以及该航材的历史消耗总数据，调用时间序列算法构建预测模型；

5、s200、上述历史维修消耗总数据作为第一训练集，将上述第一训练集输入预测模型进行训练，预测下一时段的维修消耗数据，得到预测维修消耗数据；

6、s300、从上述历史维修消耗总数据中获取当前时段的历史维修消耗数据，通过上述预测维修消耗数据和当前时段的历史维修消耗数据，确定下一时段维修消耗数据的增长因子；

7、s400、上述航材的历史消耗总数据作为第二训练集，将上述第二训练集输入预测模型进行训练，利用增长因子预测下一时段该航材的消耗数据，得到该航材的预测备件数据。

8、利用时间序列算法捕捉数据随时间变化的趋势和周期性。通过调用时间序列算法构建预测模型，在训练该预测模型时，不仅考虑了所有航材的历史维修消耗总数据，还考虑了特定航材的历史消耗总数据，通过两个不同维度的数据预测，全面反映维修和航材消耗的情况，初步提高备件的预测精度；通过预测维修消耗数据和当前时段的历史维修消耗数据，确定了下一时段维修消耗数据的增长因子，该增长因子基于实际数据和预测数据之间的差异，反映了维修消耗数据随时间变化的动态特性；通过增长因子来预测下一时段该航材的消耗数据，使航材之间形成关联，避免了将历史消耗数据为0的正常数据标记为异常，使得预测结果更贴近实际情况，进一步提高了该航材的备件预测精度。

9、进一步的，将上述第一训练集输入预测模型进行训练，预测下一时段的维修消耗数据，得到预测维修消耗数据，具体步骤如下：

10、s210、按照时间轴分割上述历史维修消耗总数据，得到n个时段的历史维修消耗数据；

11、s220、将n个时段的上述历史维修消耗数据依次输入预测模型，得到训练后的预测模型；

12、s230、将n时段的上述历史维修消耗数据输入训练后的预测模型，得到n+1时段的预测维修消耗数据。

13、将连续的历史维修消耗总数据按照时间顺序分割成多个时段的数据集，以便分析每个时段内的数据变化；将n个时段的历史维修消耗数据按照时间顺序依次输入到预测模型，预测模型会使用这些数据来学习和优化其内部参数，以便能够更准确地预测未来的维修消耗数据；经过训练后，预测模型能够更好地捕捉历史维修消耗数据中的趋势和周期性变化，为后续的预测提供更准确的支持；将n时段的历史维修消耗数据作为输入，输入到训练好的预测模型中，预测模型将根据n时段的历史维修消耗数据，结合其学习到的趋势和模式，预测出n+1时段的维修消耗数据。

14、进一步的，上述下一时段维修消耗数据的增长因子为预测维修消耗数据和当前时段的历史维修消耗数据的比值，公式如下：

15、

16、其中，表示n+1时段维修消耗数据的增长因子或下一时段维修消耗数据的增长因子，其中，每一时段有个月；表示n+1时段的预测维修消耗数据；表示n时段的历史维修消耗数据或当前时段的历史维修消耗数据。

17、进一步的，将上述第二训练集输入预测模型进行训练，利用增长因子预测下一时段该航材的消耗数据，得到该航材的预测备件数据，具体步骤如下：

18、s410、按照分割上述历史维修消耗总数据的时段对历史消耗总数据进行分割，得到m个时段的历史消耗数据；

19、s420、按照时间序列将上述历史消耗数据和历史维修消耗数据一一对应；

20、s430、通过增长因子以及对应的上述历史消耗数据和历史维修消耗数据，利用以下公式，确定未来1个月该航材的预测备件数据；

21、

22、其中，表示未来1个月航材p的预测备件数据；表示权重,；表示m时段航材p的个月的历史消耗数据；表示高斯密度函数；z表示预测的月份数；表示高斯密度函数的方差；

23、s440、通过上述=1时该航材的预测备件数据，确定未来z个月该航材的预测备件数据，公式如下：

24、

25、其中，表示未来z个月航材p的预测备件数据。

26、上述历史消耗数据和历史维修消耗数据的时段相等，确保航材的历史消耗数据与历史维修消耗数据在时间上保持一致；将航材的历史消耗数据与历史维修消耗数据按照时间顺序一一对应，确保每个时段的历史消耗数据与历史维修消耗数据都是匹配的，便于更好地理解维修时所有航材的维修消耗数据与特定航材消耗数据之间的直接关系；利用之前确定的增长因子，结合该航材的历史消耗数据，先预测出未来1个月该航材的预测结果，再基于未来1个月的预测结果，递推计算未来更长一段时间（例如未来z个月）的航材预测备件数据；以上方法不仅考虑了航材消耗与维修任务之间的关联性，还通过增长因子来反映航材消耗的动态变化，从而提高了备件预测的准确性和可靠性。

27、第二方面提供一种航材备件预测系统，该预测系统采用上述的预测方法；

28、该预测系统包括用户模块、建模预测模块、航材管理数据库模块和时间序列算法库模块，上述用户模块、航材管理数据库模块和时间序列算法库模块均与建模预测模块通讯连接；

29、上述用户模块用于发起航材的预测请求；

30、上述航材管理数据库模块用于储存历史维修消耗总数据以及各航材的历史消耗总数据；

31、上述时间序列算法库模块用于储存时间序列算法；

32、上述建模预测模块执行以下操作：

33、s100、接收到航材的预测请求后，从航材管理数据库模块中获取历史维修消耗总数据以及该航材的历史消耗总数据，从时间序列算法库模块中调用时间序列算法构建预测模型；

34、s200、上述历史维修消耗总数据作为第一训练集，将上述第一训练集输入预测模型进行训练，预测下一时段的维修消耗数据，得到预测维修消耗数据；

35、s300、从上述历史维修消耗总数据中获取当前时段的历史维修消耗数据，通过上述预测维修消耗数据和当前时段的历史维修消耗数据，确定下一时段维修消耗数据的增长因子；

36、s400、上述航材的历史消耗总数据作为第二训练集，将上述第二训练集输入预测模型进行训练，利用增长因子预测下一时段该航材的消耗数据，得到该航材的预测备件数据。

37、进一步的，上述建模预测模块用于将第一训练集输入预测模型进行训练，预测下一时段的维修消耗数据，得到预测维修消耗数据，具体步骤如下：

38、s210、按照时间轴分割上述历史维修消耗总数据，得到n个时段的历史维修消耗数据；

39、s220、将n个时段的上述历史维修消耗数据依次输入预测模型，得到训练后的预测模型；

40、s230、将n时段的上述历史维修消耗数据输入训练后的预测模型，得到n+1时段的预测维修消耗数据。

41、进一步的，上述建模预测模块用于计算下一时段维修消耗数据的增长因子，下一时段维修消耗数据的增长因子为预测维修消耗数据和当前时段的历史维修消耗数据的比值，公式如下：

42、

43、其中，表示n+1时段维修消耗数据的增长因子或下一时段维修消耗数据的增长因子，其中，每一时段有个月；表示n+1时段的预测维修消耗数据；表示n时段的历史维修消耗数据或当前时段的历史维修消耗数据。

44、进一步的，上述建模预测模块用于将第二训练集输入预测模型进行训练，利用增长因子预测下一时段该航材的消耗数据，得到该航材的预测备件数据，具体步骤如下：

45、s410、按照分割上述历史维修消耗总数据的时段对历史消耗总数据进行分割，得到m个时段的历史消耗数据；

46、s420、按照时间序列将上述历史消耗数据和历史维修消耗数据一一对应；

47、s430、通过增长因子以及对应的上述历史消耗数据和历史维修消耗数据，利用以下公式，确定未来1个月该航材的预测备件数据；

48、

49、其中，表示未来1个月航材p的预测备件数据；表示权重,；表示m时段航材p的个月的历史消耗数据；表示高斯密度函数；z表示预测的月份数；表示高斯密度函数的方差；

50、s440、通过上述=1时该航材的预测备件数据，确定未来z个月该航材的预测备件数据，公式如下：

51、

52、其中，表示未来z个月航材p的预测备件数据。

53、本发明与现有技术相比，具有如下的优点和有益效果：

54、利用时间序列算法捕捉数据随时间变化的趋势和周期性。通过调用时间序列算法构建预测模型，在训练该预测模型时，不仅考虑了所有航材的历史维修消耗总数据，还考虑了特定航材的历史消耗总数据，通过两个不同维度的数据预测，全面反映维修和航材消耗的情况，初步提高备件的预测精度；通过预测维修消耗数据和当前时段的历史维修消耗数据，确定了下一时段维修消耗数据的增长因子，该增长因子基于实际数据和预测数据之间的差异，反映了维修消耗数据随时间变化的动态特性；通过增长因子来预测下一时段该航材的消耗数据，使航材之间形成关联，避免了将历史消耗数据为0的正常数据标记为异常，使得预测结果更贴近实际情况，进一步提高了该航材的备件预测精度。