[发明专利]基于数据分布的订单完工期预测模型构建方法及预测方法

说明书

本发明公开了一种基于数据分布的订单完工期预测模型构建方法及预测方法，通过历史订单构建训练样本集，获取训练样本标签及特征；基于订单类型，将训练样本集划分为多个子集，针对各子集绘制标签的概率密度曲线；构建两级级联随机树模型，由训练样本训练第一级联随机树模型，得到分类结果和概率值；基于训练样本订单类型对应子集的概率密度曲线，结合训练样本分类结果和概率值，得到增强特征；最终将训练样本的特征与其增强特征结合，得到训练样本的新特征；通过训练样本的新特征和标签对第二级联随机树模型进行训练。本发明基于两级级联随机树模型能够有效缓解离散装配车间订单数据特征少、特征表达能力弱的问题，提高了订单完工期预测的精度。

技术领域

本发明涉及离散制造业生产经营管理技术，特别涉及一种基于数据分布的订单完工期预测模型构建方法及预测方法。

背景技术

离散制造业在推动各国科技生产力和国民经济发展中发挥至关重要的作用。作为典型的离散制造业，装配制造是根据订单要求将多种零件组装成整体部件或装备产品的过程，其中准确预测订单完工期关系到制造企业能否有利于保证产品按客户要求准时交货，对提高装配制造企业竞争力具有重要意义。因此，准确地预测订单完工期是企业亟待解决的关键问题。

目前，传统的订单完工期预测方法主要有：

1)、案例推理法，通过在历史订单中寻找与当前订单案例相似的案例历史案例，将历史相似案例的解决经验或结果重新应用到当前案例订单中，进而得到预测的订单完工期。这种方法需要十分了解车间的加工流程以及相关的专家经验，学习成本太高。

2)、数学仿真法，通过建立车间加工过程的仿真模型，并且加入随机因素来模拟真实车间可能存在的不确定因素，进而预测得到订单完工期的范围。这种方法简化了订单加工的过程，不能有效的反映真实情况。

3)、机器学习法，搭建单一的订单完工期预测模型，利用历史数据训练模型，再用训练好的模型预测新订单的订单完工期。但是单一的模型不能很好的处理具有数据量少、特征表达能力低、存在记录误差等特点的数据，从而使得模型的预测准确率不高。

由于离散装配车间的生产加工环境较为复杂，存在诸多不确定因素，包括零件库存不足、外包加工延期、产品检测不合格返工重新生产、生产调度计划临时变动等，这些不确定因素会影响到订单的生产流程，但又不会显性的在数据中呈现；同时离散装配车间采集的订单数据具有量级小、特征表达能力低、存在人工记录误差的特点，因此传统的订单完工期预测方法不能满足离散装配车间实际生产的需求。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于数据分布的级联随机树订单完工期预测模型构建方法，该方法构建的预测模型能够有效提高订单完工期的预测精度，并且有效缓解了离散装配车间订单数据特征少、特征表达能力弱的问题。

本发明的第二目的在于提供一种订单完工期预测方法。

本发明的第三目的在于提供一种存储介质。

本发明的第四目的在于提供一种计算设备。

本发明的第一目的通过下述技术方案实现：一种基于数据分布的订单完工期预测模型构建方法，步骤包括：

获取离散装配车间中已完成的历史订单，构建得到训练样本集，并且获取各训练样本的订单完工期，作为标签；

基于历史订单数据提取训练样本的候选特征，对候选特征进行预处理，得到预处理后的特征；

根据订单类型，将训练样本集划分为多个子集，根据各子集中训练样本对应的标签，针对各子集分别绘制标签的概率密度曲线；其中一种订单类型对应一个子集；

构建两级级联随机树模型，分别为第一级联随机树模型和第二级联随机树模型，进行以下训练，得到订单完工期预测模型：