[发明专利]一种基于需求特性分析的需求预测模型选择方法

说明书

技术领域

本发明属于需求预测算法领域，特别涉及一种基于需求特性分析的需求预测模型选择方法。

背景技术

目前，产品需求预测算法一般为定量预测。定量预测是根据历史和现在的统计数据资料，选择或建立合适的数学模型，分析研究其发展变化的规律并对未来作出预测。

在现在的研究中，定量预测主要是基于少量实验选择预测模型，在选择过程中影响因素很多，即使采用实验方式选择合适的模型，由于无法估算影响因素，导致存在很大的误差，难以全面、准确地预测未来的产品需求，使得现有产品需求预测算法的可靠性较差。

发明内容

为了解决现有技术中存在的缺点和不足，本发明提供了一种基于需求特性分析的需求预测模型选择方法，解决实际需求预测普遍存在的预测偏差过大的问题，提高了预测的可靠性。

为了达到上述技术目的，本发明提供了一种基于需求特性分析的需求预测模型选择方法，包括：

分别获取物料数据和项目数据，对所述物料数据和所述项目数据进行数据清洗，获取清洗后的物料数据和清洗后的项目数据；

基于预设数据类型将所述清洗后的物料数据和所述清洗后的项目数据进行合并，得到合并后的月数据；

构建包括至少一种预测算法的预测模型，将所述合并后的月数据输入至所述预测模型中，根据所述合并后的月数据中的预测值和实际需求值对所述预测算法进行筛选，得到与每个预测算法对应的权重值；

根据所述权重值以及与所述权重值对应的预测算法，确定最终需求预测模型。

可选的，对所述物料数据和所述项目数据进行数据清洗包括：

对物料数据进行一对一冲销处理数据、单价异常的数据处理、物资编码匹配、异动需求数据处理、去除季节性后异常值处理；

对项目数据进行项目数据分类、项目数据筛选。

可选的，所述对物料数据进行一对一冲销处理数据、单价异常的数据处理、物资编码匹配、异动需求数据处理、去除季节性后异常值处理包括：

一对一冲销处理数据，包括选取一条需求数量为负的需求记录，从所述需求记录中提取物料编码和工厂编码，基于所述物料编码和所述工厂编码获取预设数量月份的需求记录，如果有所述匹配记录的数量超过两条，则选取距今最近的需求记录，将所述距今最近的需求记录以及所述需求数量为负的需求记录中的需求数量置零；

单价异常的数据处理，包括计算需求记录中的需求单价，根据物料编码的合理需求单价区间，如果所述需求单价不在所述合理需求单价区间内，则进行人工干预处理；

物资编码匹配，包括从新的协议库存匹配表中选取目标物料以及与所述目标物料对应的标准物料编码，在旧的协议库存匹配表中选取与所述目标物料对应的历史物料编码，将所述标准物料编码与所述历史物料编码进行匹配，建立存储匹配关系的物料对照表；

异动需求数据处理，包括获取历史近N年的月数据，将月数据总和的均值 +M倍标准差为阈值，筛选出大于阈值的数据并进行处理；

去除季节性后异常值处理，包括计算每年每个月的季节因子，获取历史近R 年的每月的需求量除以对应月份的季节因得到平均值，将去除季节因子值之后的月数据的均值+T倍标准差为阈值，筛选出大于阈值的数据并进行处理；

其中，N、M、R、T的取值为正整数。

可选的，所述每年每个月的季节因子的公式：

每年每个月的季节因子＝当月实际需求量/本年每月平均需求量。

可选的，所述对项目数据进行项目数据分类、项目数据筛选包括：

项目数据分类，分类项目包括项目编号、项目名称、公司名称、项目大类、项目小类、电压等级、建设属性；

项目数据筛选，包括剔除不属于配网范围内的项目，以及无效的项目数据，其中，所述建设属性为“取消”的数据为无效的项目数据。

可选的，所述基于预设数据类型将所述清洗后的物料数据和所述清洗后的项目数据进行合并，得到合并后的月数据包括：

将清洗后的物料数据和项目数据按协议库存匹配表进行匹配，根据标准物料编码以及需求数据所在的相同月份进行合并后生成月数据；

根据物资需求特性对合并后的月数据进行排序。

可选的，所述物资需求特性包括物资的重要性、平稳性、季节性、趋势性、连续性。

可选的，所述将合并后的月数据输入至所述预测模型中，根据所述合并后的月数据中的预测值和实际需求值对所述预测算法进行筛选，得到与每个预测算法对应的权重值，包括：