稀疏时间序列的预测方法、设备、存储介质及应用

专利主权项内容

1.一种基于业务特征的稀疏时间序列的预测方法，其特征在于，包括步骤：(1)收集数据，数据包括多组产品数据，每组数据包含数据ID、配件型号SKU、仓库、SKU的上市时间以及每个ID历史耗用数据；(2)处理数据，包括：数据截取，根据待预测需求时间点，截取一定时间长度的历史耗用数据；数据聚合，在数据截取的基础上，按照时间颗粒度对耗用数据进行聚合；构造特征，在数据聚合的基础上构造以下特征：上市时长、耗用次数、最大耗用量、平均需求间隔、需求量变异系数的平方、最后一个时间间隔和最小间隔；所述上市时长为从上市时间到截取时间点的时间长度；所述耗用次数为非零耗用出现的次数；所述平均需求间隔为上市时长与耗用次数的比值；需求量变异系数的平方的计算公式如下：其中，表示需求量变异系数的平方，σ表示耗用的标准差，为耗用均值；CV2μ所述最后一个时间间隔为最后一次非零耗用到截取时间点的时间长度；所述最小间隔为每个ID历史耗用数据中，前后两次非零耗用时间间隔的最小值；(3)构建二阶段预测模型；第一阶段为集成分类模型，按照仓库、SKU维度预测未来是否发生耗用，分类结果有两类，一类为未来发生耗用，另一类为不发生耗用；所述集成分类模型包括构建LightGBM分类器、Boostrap&贝叶斯分类器、SKU&仓库分类器和加权平均分类器，分别预测是否发生耗用；综合分类器预测结果，当预测发生耗用的分类器数超过设置的阈值时，集成分类模型预测结果为发生耗用，否则预测结果为不发生耗用；第二阶段为时序预测模型，采用非对称损失函数训练TimesNet模型，预测未来的耗用量；在第一阶段分类预测结果为发生耗用的数据，进入第二阶段预测耗用量，第一阶段预测为不发生耗用的部分，预测值直接赋值为零。