(19)中华 人民共和国 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 202111607731.9 (22)申请日 2021.12.20 (71)申请人 泰达预测 （北京） 软件 有限公司 地址 100000 北京市海淀区高梁桥 斜街28 号10号楼一层101室262 (72)发明人 娄峰　 (74)专利代理 机构 北京冠和权律师事务所 11399 代理人 时嘉鸿 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/08(2012.01) G06N 7/00(2006.01) G06K 9/62(2022.01) (54)发明名称 一种基于贝叶斯方法的供应链管理需求预 测方法 (57)摘要 本发明提供了一种基于贝叶斯方法的供应 链管理需求预测方法， 包括： S1： 将不满足预设数 据容量的零件 更换数据作为第一更换数据， 对所 述第一更换数据进行数据扩充， 获得第二更换数 据； S2： 分析获得每个零件对应的影响特征因子 和影响函数； S3： 基于所述影响特征因子和影响 函数， 构建出每种零件对应的多个贝叶斯假设模 型； S4： 基于多个贝叶斯假设模型获得对应同种 零件的多个假设需求预测结果； S5： 基于对应的 多个假设需求预测结果， 从同种零件的多个贝叶 斯假设模型筛选出最优预测模型， 并预测出对应 同种零件的备件需求； 用以在备件低需求和间歇 性需求时准确预测供应链需求， 可以根据实际情 况的变化 准确地估计库存需求。 权利要求书3页 说明书13页 附图3页 CN 114239993 A 2022.03.25 CN 114239993 A 1.一种基于贝叶斯方法的供应链管理需求预测方法， 其特 征在于， 包括： S1： 将不满足预设数据容量的零件更换数据作为第一更换数据， 对所述第一更换数据 进行数据扩充， 获得第二更 换数据； S2： 分析所述第二更换数据和满足预设数据容量的零件更换数据， 获得每个零件对应 的影响特 征因子和影响函数； S3： 基于所述影响特 征因子和影响函数， 构建出每种零件 对应的多个贝叶斯 假设模型； S4： 基于多个贝叶斯 假设模型获得对应同种零件的多个假设需求预测结果； S5： 基于对应的多个假设需求预测结果， 从同种零件的多个贝叶斯假设模型筛选出最 优预测模型， 并预测出对应同种零件的备件需求。 2.根据权利要求1所述的一种基于贝叶斯方法的供应链管理需求预测方法， 其特征在 于， S1： 将不满足预设数据容量的零件更换数据作为第一更换数据， 对 所述第一更换数据进 行数据扩充， 获得第二更 换数据， 包括： S101： 获取每个零件在预设周期内对应的零件更换数据， 删除所述零件更换数据中的 畸变数据， 获得第一 零件更换数据； S102： 将不满足预设数据容 量的第一 零件更换数据作为第一更 换数据； S103： 基于所述第一更换数据确定对应的零件编号， 判断在历史数据库中是否存在所 述零件编号对应的历史更换数据， 若存在， 则基于所述历史更换数据对所述第一更换数据 进行数据扩充， 若不存在， 则基于预设方法对所述第一更 换数据进行 数据扩充； S104： 基于扩充后的第一更 换数据， 获得第二更 换数据。 3.根据权利要求1所述的一种基于贝叶斯方法的供应链管理需求预测方法， 其特征在 于， S2： 分析所述第二更换数据和满足预设数据容量的零件 更换数据， 获得每个零件对应的 影响特征因子和影响函数， 包括： S201： 基于所述第二更换数据和满足预设数据容量的零件更换数据， 获得对应的第二 零件更换数据； S202： 将所述第二零件更换数据划分， 获得每个零件对应的的先验分布数据集和模型 验证数据集； S203： 从所述先验分布数据集中筛 选出每个零件对应的离群数据； S204： 将所述先验分布数据集中除所述离群数据以外的剩余数据作为子先验分布数据 集； S205： 对所述子先验分布数据集进行聚类分析， 获得每个零件对应的第一影响特征因 子和第一影响函数； S206： 分析所述离群数据， 获得每 个零件对应的第二影响特 征因子和第二影响函数； 其中， 所述影响特 征因子包括： 第一影响特 征因子、 第二影响特 征因子； 所述影响函数包括： 第一影响函数和第二影响函数。 4.根据权利要求3所述的一种基于贝叶斯方法的供应链管理需求预测方法， 其特征在 于， S205： 对 所述子先验分布数据集进行聚类 分析， 获得每个零件对应的第一影响特征 因子 和第一影响函数， 包括： 基于预设的置信度列表和对应的数据扩充方式， 确定所述子先验分布数据集中每个零 件更换数据对应的置信度；权　利　要　求　书 1/3 页 2 CN 114239993 A 2根据所述子先验分布数据集中每个零件更换数据对应的生成时间， 确定每个更换数据 的置信影响因子； 基于所述置信度和每个更换数据对应的置信影响因子， 生成每个零件对应的置信集 合； 基于每个零件对应的第二 零件更换数据， 构成每 个零件对应的更 换数据集合； 基于所述置信集 合和所述更 换数据集合， 构建每 个零件对应的先验分布交 互集合； 对所述先验分布交 互集合进行主成分 分析， 获得每 个零件对应的第一影响特 征因子； 对所有先验分布 交互集合进行聚类分析， 获得同种零件的先验分布 交互集合构 成的先 验分布交 互矩阵； 对所述先验分布交 互矩阵进行奇异值分解和降维取秩， 获得矩阵秩； 获取所述矩阵秩的高斯分布特征， 基于所述高斯分布特征以及预设关系获得每个零件 的交互特征函数， 将所述交 互特征函数作为每 个零件对应的第一影响函数。 5.根据权利要求3所述的一种基于贝叶斯方法的供应链管理需求预测方法， 其特征在 于， S206： 分析所述离群数据， 获得每个零件对应的第二影响特征因子和第二影响函数， 包 括： 基于所述离群数据和对应零件的第 二零件更换数据， 计算出每个离群数据对应的离群 因子； 将每个零件中包 含的所有离群因子进行线性拟合， 获得对应的变化趋势曲线； 对所述变化趋势曲线 进行主成分 分析， 获得对应的第二影响特 征因子； 对所述变化趋势曲线 进行小波分析， 获得每 个零件对应的第二影响函数。 6.根据权利要求3所述的一种基于贝叶斯方法的供应链管理需求预测方法， 其特征在 于， S3： 基于所述影响特 征因子和影响函数， 构建出每种零件 对应的贝叶斯 假设模型， 包括： 对所述影响特 征因子进行 粒子寻优， 确定每 个影响特征因子对应的影响权 重； 基于所述影响特征因子和对应的影响权重以及所述影响函数， 构建出每种零件对应的 多个贝叶斯 假设模型。 7.根据权利要求6所述的一种基于贝叶斯方法的供应链管理需求预测方法， 其特征在 于， 对所述影响特 征因子进行 粒子寻优， 确定每 个影响特征因子对应的影响权 重， 包括： 基于粒子群优化算法对所述影响特征因子进行搜索， 获得每个粒子的适应值和当前位 置； 基于预设神经网络对每个粒子进行迭代， 获得最新适应值和最新位置， 当所述最适应 值超过所述适应值时， 将对应粒子的当前位置更新至所述最新位置， 直至所述适应值达到 最优值要求时， 基于对应粒子的当前位置在预设神经网络中的所处层数， 确定出所述影响 特征因子对应的影响权 重。 8.根据权利要求5所述的一种基于贝叶斯方法的供应链管理需求预测方法， 其特征在 于， 基于所述影响特征因子和对应的影响权重以及所述影响函数， 构建出每种零件对应的 多个贝叶斯 假设模型， 包括： 基于所述影响特 征因子和对应的影响权 重， 确定影响参数； 基于所述第一影响函数、 第二影响函数和所述影响参数以及预设的贝叶斯模型公式， 构建出每种零件 对应的多个贝叶斯 假设模型。权　利　要　求　书 2/3 页 3 CN 114239993 A 3