买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：迈创企业管理服务股份有限公司

摘要：本发明涉及计算机应用技术领域，公开了一种基于生命周期的相互学习长期时序预测方法，包括步骤：（1）收集样本数据并处理数据，将所有样本利用聚类方法将样本分成若干大类，再通过趋势学习模型学习出不同大类的生命周期；（2）单一样本利用神经网络模型进行自身特征的学习，得到样本自身的变化趋势特征；（3）选取样本所属大类的生命周期，通过相互学习，用大类的生命周期指导样本的整体变化趋势，样本通过自身的特征进行调整，得出预测结果；（4）通过样本自身区间均值模型对样本的变化进行分析，构建修正模型对预测结果进行修正。本发明采用生命周期信息构建互学习框架，并结合样本自身区间均值模型来构建修正模型，提高预测准确率。

主权项：1.一种基于生命周期的相互学习长期时序预测方法，其特征在于，包括步骤：1收集样本数据并处理数据，将所有样本利用聚类方法将样本分成若干大类，再学习各个大类的生命周期；其中，所述样本数据包括多条数据，每条数据包含数据ID、配件型号SKU、SKU的上市时间以及每个ID时间序列数据，所述时间序列数据为以自然月为时间颗粒度的数据；2单一样本利用神经网络模型进行自身特征的学习，得到样本自身的变化趋势特征；3选取样本所属大类的生命周期，通过相互学习，用大类的生命周期指导样本的整体变化趋势，样本通过自身的特征进行调整，最终得出预测结果，包括：第一步，根据条件概率计算出在大类趋势方向发生的情况下，样本的趋势概率，如公式1所示， 其中，Bi表示生命周期第i个周期单个样本变化趋势，Ci表示生命周期第i个周期数据大类的变化趋势，PBi|Ci表示在大类趋势Ci发生的情况下，样本的趋势Bi发生的概率，PCi表示样本所属大类变化趋势为Ci的概率；PBiCi表示在同一周期内，样本趋势Bi和大类趋势Ci同时发生的概率；第二步，在子网络中，根据自身变化特征，学习未来第i个周期的变化趋势bi，将样本自身的变化与大类变化结合学习出最终样本下降或者上升变化趋势的概率，如公式2所示：PB＝w1*PBi|Ci+w2*Pbi2其中，PB表示样本最终的变化趋势概率，Pbi表示样本自身学习后的变化趋势概率，w1和w2表示相应地权重系数，是通过训练学习得到的最优值；第三步，确定样本变化趋势之后，变化的幅度则通过公式3确定：Δyi＝w1*yc+w2*Δyi-13其中，Δyi表示第i个周期样本变化量的预测值；yc代表大类在同一上市周期的变化量；参数w1和w2的取值为第二步训练的的最优值；初始值Δy1赋值为0；第四步，确定变化幅度之后，根据公式4对样本进行预测：yi＝yi-1+Δyi4其中，yi-1表示单个样本生命周期第i-1个周期的已知数值；yi表示生命周期第i个周期的预测值；4通过样本自身区间均值模型对样本的变化进行分析，构建修正模型对预测结果进行修正，进一步提高模型的准确性，最终完成对时序数据未来时间点的预测，所述预测是在供应链中预测需求和或库存水平，包括：设预测时间点为t，待预测的时间长度为N，t时刻之后的预测值为Yf＝{y1，y2，...，yN}，N个预测值的均值为计算预测时间点前每N个值的均值，得到均值序列其中，预测时间点t前N个值的均值用表示，计算方法见公式5： 其中，yt-i表示t-i时刻的数值；根据公式6计算出样本自然月的占比率rm＝{r1，r2，...，r12}， 其中，表示样本第i个自然月的均值，表示所有时间的样本均值；根据预测均值与前N个值的均值的差值，调整预测结果：如果根据公式7调整预测值； 如果根据公式8调整预测值 其中，yc代表大类在同一上市周期的变化量；和表示相应地权重系数，是通过训练学习得到的最优值；表示修正后的预测值。

全文数据：

权利要求：

百度查询： 迈创企业管理服务股份有限公司 一种基于生命周期的相互学习长期时序预测方法