[发明专利]一种基于改进gru算法的柴油发动机销量预测方法、系统、装置以及存储介质

说明书

本发明公开了一种基于改进gru算法的柴油发动机销量预测方法、系统、装置和存储介质，所述销量预测算法结合ARIMA模型、扩散理论的改进GRU算法，其包括以下步骤：采集某一机型及其同系列机型的销量数据组成数据集；对数据集进行预处理；根据扩散理论建立正态分布模型估算销量的拐点，可以根据以往经验人为调整参数以影响扩散理论估算的拐点位置；运用ARIMA模型进行平均自回归趋势预测，并输出预测数据；将数据集输入GRU算法中进行训练；将先前的趋势数据输入GRU算法中，并在GRU算法中加入趋势拟合门以控制趋势拟合的快慢；最后将改进的GRU算法中输出的数据作为最终的销量预测结果。本发明可以有效的预测短期销量，并满足中期和长期对于销量趋势的预测需求。

技术领域

本发明属于数据预测技术领域，涉及一种发动机故障诊断方法，具体涉及一种基于改进的GRU算法的柴油发动机销量预测方法、系统、装置以及存储介质。

背景技术

柴油发动机作为一种常见的生产工具动力来源，是车辆、船只等重工业产业链中的一种重要的中游产品。销售作为生产终端变现的关键环节，销量数据中也蕴含的许多有价值的信息。将这些信息挖掘整理出来，根据长期的实践经验与相关的科学理论，预测出短期、中期和长期的销量。将这一反作用于生产环节，让生产更有规划。通过算法可以自动实现常规情况下的预测，减少反复操作，提高生产的效率。提高达到产销平衡的概率，降低资金周转和库存的压力。

扩散理论又名创新扩散理论，是研究传播效果的经典理论之一。由于下游厂家或终端消费者在购买和使用某种耐用品的过程中，会自发地向其身边的人宣传着该产品。这一理论常应用在研究耐用性好，市场潜力变化不大，更新迭代速度较慢且更新产品之间影响相对较小的这一类商品。柴油发动机作为传统产业的中游，它的高耐用性、常规情况下市场潜力变化不大、产品迭代周期长且互相影响小的特征，与这一理论的研究范畴相适应。

GRU算法是长短期记忆网络(LSTM，Long Short-Term Memory)的一个常见变种，可以解决常见一般的循环神经网络存在的长期依赖问题。它由LSTM算法经过优化计算后得到，是一种兼顾正确率和复杂度的变种算法。对于处理和预测非线性的数据，离散数据都有较好的正确率。

发明内容

针对上述存在的问题，本发明的目的是提供一种基于改进GRU算法的柴油发动机销量预测系统和方法，通过创新扩散理论，巴斯扩散公式和ARIMA模型，结合历史同类机型训练和预测当前机型销量变化趋势，并改进GRU算法，新增趋势拟合门，并对改进的模型调优，最终让其呈现短期以常规GRU算法进行预测，中长期预测结果逐步向ARIMA模型输出值收敛，以拟合长期趋势的效果，满足短期预测对精确度的要求，中长期预测对趋势的描绘，以满足对实际生产的指导需要，提高预测的正确率。

为了实现上述目的，本发明所采用的技术方案如下：

一种基于改进gru算法的柴油发动机销量预测方法，其特征在于，包括以下步骤：

步骤1：输入发动机销量数据集，将销售数据按机型、类别和销售量进行分类并将所有数据按月汇总，检查缺失值，进行缺失值补充，最终形成以月为单位不间断的数据集；

步骤2：基于分类后的数据集，根据扩散理论建立销量正态分布模型，利用销量正态分布模型估算总销量拐点，用于预测拐点后的销量，将其作为长期趋势预测结果；

步骤3：将数据集中的数据用ARIMA模型处理并得到平均自回归的趋势预测结果，用于预测从当前时刻至下一拐点发生时刻的这段时间内销量数据，作为中期的趋势预测结果，结合步骤2的趋势预测结果得到趋势分段函数；

步骤4：基于步骤3所得趋势分段函数，利用改进的GRU算法计算待预测数据集的销量预测值。

进一步地，步骤1所述的缺失值补充步骤包括：

步骤11：采用最小二乘法对缺失值所在年度求得销量的直线拟合方程；