[发明专利]一种汽车配件需求动态预测方法、系统和存储介质

说明书

本发明涉及一种汽车配件需求动态预测方法，解决了现有技术中存在的零备件预测不准确的问题，包括以下步骤：获取目标区域内机动车保有量历史数据，建立机动车保有量的泊松分布；获取目标区域内各个机动车的已行驶里程数以及各个已行驶里程数对应的目标零件发生故障的概率，建立基于机动车行驶已行驶里程数的目标零件故障率的威布尔分布；基于威布尔分布确定随机一辆机动车对目标零件的需求的期望值；基于机动车保有量的泊松分布和期望值确定单位时间内目标区域内目标零件的需求量。本发明的有益效果为：解决了由于配件故障率在使用周期内不同导致配件需求量的拟合不准确，可动态的根据零件使用情况对需求量进行预测，使零件需求量的预测更加准确。

技术领域

本发明属于汽车备件预测领域，具体涉及一种汽车配件需求动态预测方法、系统和存储介质。

背景技术

随着经济的飞速发展和汽车市场的繁荣，以及汽车配件作为车辆售后服务管理中的重要组成部分，为汽车产业链的中上游提供了发展的基础。汽车行业必须有强大的汽车配件的体系来支撑，能否实现备件有效、科学的管理会直接影响到汽车售后服务和汽车销售业务的服务绩效和经济效益。为了在激烈的市场竞争中取得胜利，汽车修理行业需要将汽车配件以最快的速度和最低的成本提供给顾客，以满足顾客的需求。但一方面维修厂如果尽快提供备件，条件是必须有足够的库存，以免丢失商机。另一方面库存过大容易占用资金造成资金不流畅，造成资源的浪费。因此如何对汽车备件的需求进行精准的预测是解决该矛盾的关键。

现有的汽车备件的预测包括：基于统计学习的配件需求预测方法(如SVM、神经网络、随机森林、深度学习)。这些模型运用的假设前提均是在数量的渐进无穷下，实际情况中的数据总是有限的，因此预测精度有限。尤其是神经网络方法容易产生局部最小值，预测产生误差。虽然SVM方法是在小样本方法下进行的，但是却无法解决由于一些稀有配件更换间隔时间过长导致的数据记录中产生大量的零数据，可能导致预测无效。

统计可靠性的配件需求预测方法是根据零备件故障率来预测其需求量的方法，而现有的统计可靠性预测方法都依赖于零件的历史故障率这一固定的统计数据进行预测，使其并不能精准的对备件数量进行预测。

发明内容

为了解决现有技术存在的汽车零件需求预测不准确的问题，本发明提供了一种汽车配件需求动态预测方法，其具有零备件预测更加准确、可靠等特点。

根据本发明的具体实施方式的一种汽车配件需求动态预测方法，包括：

获取目标区域内机动车保有量历史数据，建立机动车保有量的泊松分布；

获取目标区域内各个机动车的已行驶里程数以及各个已行驶里程数对应的目标零件发生故障的概率，建立基于机动车已行驶里程数的所述目标零件故障率的威布尔分布；

基于所述威布尔分布确定随机一辆机动车对所述目标零件的需求的期望值；

基于所述机动车保有量的泊松分布和所述期望值确定单位时间内所述目标区域内所述目标零件的需求量。

进一步的，所述期望值的确定过程包括：

基于所述威布尔分布确定随机一辆机动车在各个已行驶里程数出现的概率f(t)，以及所述目标零件在各个已行驶里程数下出现故障的概率p(t)；

基于各个已行驶里程数对f(t)*p(t)进行累加，得到所述目标区域内随机一辆机动车对所述目标零件的需求的期望值。

进一步的，所述确定单位时间内所述目标区域内所述目标零件的需求量的过程包括：

确定机动车保有量的泊松分布单位时间内的机动车的平均值λ，并将所述平均值λ与所述期望值做积得到单位时间内所述目标区域内所述目标零件的需求量。

进一步的，所述目标区域包括：机动车维修服务站的覆盖区域和销售网点的覆盖区域。