• • 下一篇
FAN Lilin1,2, CAO Fukang1, WANG Wanting3, YANG Kai1, SONG Zhaoyu1
摘要: 大型制造企业售后配件的需求分布稀疏、波动性大,在需求频率和需求数量方面均具有不确定性高的特征,序列呈现出典型的间歇性特点。然而,在实际运维中,配件需求在频率和数量方面存在较大波动,从而产生变化多样的需求模式,而现有间歇性需求预测主要采用单一或静态组合的固定预测模型,难以充分挖掘不同需求模式下需求序列的演化规律,预测精度和稳定性均难以保证。为解决上述问题,提出一种需求模式自适应匹配的间歇性时间序列预测方法,通过动态识别和匹配需求模式以提升间歇性序列预测效果。该方法包括两个阶段,在模型训练阶段,首先,根据配件历史需求数据的间歇性特征,将它划分为需求量序列和间隔量序列,并对两类序列分别进行聚类,以捕获每类序列对应的不同需求和间隔模式;其次,建立包含统计学分析、浅层机器学习模型及深度学习模型的预测模型库,测试各模型对每种需求模式的预测效果,识别并标记每类需求模式的最优预测模型。在预测阶段,对待预测序列划分需求量序列和间隔量序列,确定需求模式并匹配最佳预测模型,进而将需求量和间隔量的预测值合并,形成最终预测结果。在美国汽车公司和英国空军的间歇性配件需求数据集上进行实验验证,实验结果表明,所提方法可适用于不同需求模式的配件历史数据,通过自适应匹配需求模式和最优预测模型,有效提升了预测精度,为大型制造企业后市场服务提供了一种具有适用性的需求预测解决方案。
中图分类号: