(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111577391.X (22)申请日 2021.12.2 2 (71)申请人 中国电子科技 集团公司第十五研究 所 地址 100083 北京市海淀区北四环中路21 1 号 (72)发明人 李成杰　李为为　 (74)专利代理 机构 北京理工大 学专利中心 11120 专利代理师 代丽 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 10/08(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于人工神经网络时间序列预测的物 资消耗预测方法 (57)摘要 本发明公开了一种基于人工神经网络时间 序列预测的物资消耗预测方法。 本发 明首先将仓 库历史物资消耗数据进行数据归一化处理， 提升 模型的收敛速度并提高模型精度； 基于LSTM网络 模型进行预测， 解决了其他算法的过拟合问题； 同时， 根据物资的历史消耗速率 设置不同的输入 步长， 能够更好地提高收敛速度； 模型训练时采 用自定义损失函数， 该损失函数更接近于物资消 耗的特点， 能够获得更好的收敛速度。 根据训练 好的LSTM网络模型， 可直接进行预测， 获得预测 结果。 权利要求书1页 说明书3页 附图1页 CN 114462668 A 2022.05.10 CN 114462668 A 1.一种基于人工神经网络时间序列预测的物资消耗预测方法， 其特 征在于， 包括： 步骤1， 对物资的仓库历史消耗数据进行 标准化处理， 映射到 0～1的范围内； 步骤2， 将物资按其消耗速率进行分类， 分别构建对应的LSTM网络； 其中， LSTM网络的激 活函数采用tanh； 隐藏层设有4个神经元； 输出层为 1个神经元； 输入为标准化处理后的仓库 历史消耗数据， 输入步长的大小与物资消耗速率反相关； 步骤3， 以步骤1处理后的仓库历史物资消耗数据为训练集， 对构建的LSTM网络进行训 练， 得到训练好的LSTM网络模型； 其中， 训练损失函数为： 其中， y为正确数据， y ′为预测值； s为输入步长； n为总数据量加1， n ‑s为单批次训练的 数据遍历次数； 步骤4， 针对待预测的物资， 从仓库历史物资消耗数据中提取对应步长的数据输入对应 的训练好的LSTM网络模型中， 得到预测值。 2.如权利要求1所述的基于人工神经网络时间序列预测的物资消耗预测方法， 其特征 在于， 所述 步骤1中， 采用Mi nMaxScaler方法进行 标准化处理。 3.如权利要求1所述的基于人工神经网络时间序列预测的物资消耗预测方法， 其特征 在于， 快销品的输入步长设为3～5个单位时间长度。 4.如权利要求1～3任意一项所述的基于人工神经网络时间序列预测的物资消耗预测 方法， 其特 征在于， 所述 步骤3， 采用Adam优化 算法进行训练。 5.如权利要求1～3任意一项所述的基于人工神经网络时间序列预测的物资消耗预测 方法， 其特征在于， 将仓库历史消耗数据进行划分， 4份作为训练集， 1份作为测试集； 所述步 骤3中， 基于训练集对LSTM网络进行训练， 基于测试集对训练好的LSTM网络进行测试。权　利　要　求　书 1/1 页 2 CN 114462668 A 2一种基于人工神经 网络时间序列预测的物资消耗预测方 法 技术领域 [0001]本发明涉及物 资消耗预测技术领域， 具体涉及一种基于人工神经网络时间序列预 测的物资消耗预测方法。 背景技术 [0002]在物资消耗预测方法中， 传统方法一般采用时序建模的方式进行， 如移动 平均法、 指数平均法、 AR、 MA、 ARMA、 ARMIA等。 其中， 移动平均 法、 指数平均 法目前一般多用在统计分 析上； AR、 MA、 ARMA和ARMIA相对比较实用与小规模， 属单变量的预测。 其中， AR/MA/ARMA一般 用于分析平稳时间序列， ARIMA通过差分可以用于处理非平稳时间序列。 ARIMA模 型， 即差分 整合移动平均自回归模型， 又称整合移动平均自回归模型(移动也可称作滑动)， 是时间序 列预测分析方法之一。 ARIMA(p,d,q)中， AR是 “自回归”， p为自回归项数； MA为 “滑动平均 ”， q 为滑动平均项数， d为使之成为平稳序列所做的差分次数(阶数)。 但是ARIMA模型要求时序 数据是稳定的， 或者是通过差分化后是稳定的， 本质上只能捕捉线性关系， 而不能捕捉 非线 性关系。 [0003]随着机器学习、 深度学习模型的发展， xgboost、 随机森林、 SVM等机器学习模型， 循 环神经网络RNN等深度学习模型也被应用到物资消耗预测中。 机器学习主要是通过数据挖 掘， 获得特征工程， 对于物资消耗预测这类具有时间特征的数据挖掘， 时间序列的特征工程 会使用滑动窗口， 即计算滑动窗口内的数据指标， 如最小值、 最大值、 均值、 方差等来作为新 的特征。 然而， 机器学习的方式适合小数量样本数据， 当训练数据存在噪声时， 会出现过拟 合现象， 由于算法复杂性， 需要 更多时间成本进 行训练； 深度学习的方式构建 网络的过程复 杂、 需要调参， 且可解释性较差， 不能给 人可靠的感觉， 需要大量数据。 发明内容 [0004]有鉴于此， 本发明提供了一种基于人工神经网络时间序列预测的物资消耗预测方 法， 直接利用仓库历史消耗数据进 行预测， 对时间序列数据的性质没有 过多要求， 同时避免 了过拟合问题。 [0005]本发明的基于人工神经网络时间序列预测的物资消耗预测方法， 包括： [0006]步骤1， 对物资的仓库历史消耗数据进行 标准化处理， 映射到 0～1的范围内； [0007]步骤2， 将物资按其消耗速率进行分类， 分别构建对应的LSTM网络； 其中， LSTM网络 的激活函数采用tanh； 隐藏层设有4个神经元； 输出层为1个神经元； 输入为标准化处理后的 仓库历史消耗数据， 输入步长的大小与物资消耗速率反相关， 即消耗速率越大， 输入步长越 小； [0008]步骤3， 以步骤1处理后的仓库历史物资消耗数据为训练集， 对构建的LSTM网络进 行训练， 得到训练好的LSTM网络模型； 其中， 训练损失函数为：说　明　书 1/3 页 3 CN 114462668 A 3