基于物資需求特性量化預(yù)測未來需求的方法

黃宏和，吳 臻，琚 軍，章 斌，王雪峰，潘永賀，鄭 輝，趙仲夏

（國網(wǎng)浙江省電力有限公司衢州供電公司，浙江 衢州 324000）

0 引言

隨著電力企業(yè)生產(chǎn)水平和信息化水平的不斷提升、業(yè)務(wù)數(shù)據(jù)的快速積累，電力企業(yè)已經(jīng)形成了海量的業(yè)務(wù)數(shù)據(jù)，步入大數(shù)據(jù)時代。 然而，現(xiàn)階段的問題在于單純的數(shù)據(jù)積累無法有效地實現(xiàn)數(shù)據(jù)價值轉(zhuǎn)換，傳統(tǒng)的經(jīng)驗決策模式難以適應(yīng)實際工作需求，難以指導(dǎo)電力企業(yè)做出正確決策。因此，需要進行大數(shù)據(jù)挖掘分析，為企業(yè)運營決策提供依據(jù)。

目前，電力企業(yè)對于物資需求預(yù)測管理停留于統(tǒng)計分析層面，沒有分析物資的需求特性，難以實現(xiàn)物資需求精準預(yù)測。 本文采用數(shù)據(jù)挖掘技術(shù)，提出實現(xiàn)物資高特征分類、剖析物資需求規(guī)律的方法，通過建立時間序列、灰色預(yù)測、指數(shù)平滑等預(yù)測模型，提高物資需求預(yù)測能力，輔助支撐物資部門物資采購相關(guān)工作。

1 算法理論

1.1 預(yù)測方法原理

預(yù)測是對未來尚未發(fā)生或者不明確的事物進行估算和推測，預(yù)測的依據(jù)主要是基于過去和現(xiàn)場的情況，采用一定的技術(shù)和方法去挖掘、解析、探索、模擬出復(fù)雜的中間過程，提取出較為明顯的規(guī)律特征，形成涵蓋知識性的結(jié)構(gòu)化方程或函數(shù)，通過輸入相應(yīng)的變量值實現(xiàn)對未來結(jié)果的推斷預(yù)測。

企業(yè)物資需求預(yù)測可從數(shù)量、資金等多個角度開展。 本文從物資管理實際情況出發(fā)，對物資歷史采購數(shù)據(jù)和消耗數(shù)據(jù)進行分析，結(jié)果表明：物資需求特性分為連續(xù)性需求特征和間斷性需求特征兩類時，需求特征較為顯著。 因此，預(yù)測方法分為連續(xù)性需求預(yù)測方法和間斷性需求預(yù)測方法。

1.2 連續(xù)性需求預(yù)測方法

連續(xù)性的物資需求一般具有規(guī)律性，是基于時間發(fā)生變化的，可通過對歷史數(shù)據(jù)進行挖掘分析，采用一些成熟的連續(xù)性預(yù)測方法進行物資需求預(yù)測，總結(jié)提取出其中的內(nèi)在規(guī)律和關(guān)聯(lián)關(guān)系，并結(jié)合實際情況對模型參數(shù)進行最優(yōu)調(diào)整，從而做出準確的預(yù)測。 一般來講，連續(xù)性預(yù)測的準確度與數(shù)據(jù)的數(shù)量和質(zhì)量密切相關(guān)。

1.2.1 時間序列預(yù)測法

時間序列是指將同一統(tǒng)計指標的數(shù)值按其發(fā)生的時間順序排列而成的序列，可以是月度、季度、年度等多種時間形式。 時間序列預(yù)測是基于某一個或一組分布于時間軸上的觀測數(shù)據(jù)，通過挖掘分析觀測數(shù)據(jù)自身的變化規(guī)律，形成符合變化的規(guī)律函數(shù)，繼而按照等間隔時間預(yù)測未來的變化趨勢，時間序列模型公式為：

等式左邊表示對第t+1 期的預(yù)測值，等式右邊表示由第1 期至第t 期時間段內(nèi)的序列構(gòu)成的規(guī)律函數(shù)。

由時間序列公式可以看到，只需輸入歷史數(shù)據(jù)即可輸出未來預(yù)測數(shù)據(jù)，因此該方法預(yù)測較為簡單、方便，適用于連續(xù)性的序列預(yù)測。 但該方法對于序列有平穩(wěn)性的要求，對于非平穩(wěn)的、間斷性的時間序列，該方法的預(yù)測可信度較低。

1.2.2 LSTM 神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一種新興且有效的機器學(xué)習(xí)和深度學(xué)習(xí)算法。 人類并不是每時每刻都從頭開始思考，其思想具有持續(xù)性特點，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)不具備這一特性，而遞歸神經(jīng)網(wǎng)絡(luò)能夠有效解決這一問題。 遞歸神經(jīng)網(wǎng)絡(luò)中具備循環(huán)結(jié)構(gòu)，能夠使信息持續(xù)保存。 LSTM 神經(jīng)網(wǎng)絡(luò)即長短記憶型遞歸神經(jīng)網(wǎng)絡(luò)，其計算結(jié)果具備記憶之前幾次結(jié)果的特點，因此在時間序列數(shù)據(jù)預(yù)測方面具有很大優(yōu)勢，是深度學(xué)習(xí)算法在時間序列數(shù)據(jù)預(yù)測方面的突破。

LSTM 中第一步?jīng)Q定哪些信息需要從單元狀態(tài)中被拋棄；第二步?jīng)Q定在單元狀態(tài)中需要存儲哪些新信息；第三步?jīng)Q定需要輸出的結(jié)果是什么，這個輸出結(jié)果將會建立在單元狀態(tài)的基礎(chǔ)上，但該輸出結(jié)果是個過濾版本，只輸出了想要輸出的那部分。

1.3 間斷性需求預(yù)測方法

1.3.1 指數(shù)平滑法

指數(shù)平滑法本質(zhì)上是一種特殊加權(quán)的移動平均法，常見的指數(shù)平滑法有一次指數(shù)平滑法、二次指數(shù)平滑法等，核心思想都是以歷史全量數(shù)據(jù)信息為分析基礎(chǔ)，通過對不同時期的觀測值賦予不同的權(quán)重，實現(xiàn)對未來的預(yù)測。 該方法具備魯棒性強的特點，由于操作簡單、適應(yīng)性強，常用于間斷性的預(yù)測。

一次指數(shù)平滑法公式為：

二次指數(shù)平滑法公式為：

at和bt的計算公式為：

1.3.2 灰色預(yù)測法

對灰色系統(tǒng)建立的預(yù)測模型稱為灰色模型（簡稱“GM 模型”），是微分方程模型，可用于對描述對象作長期、連續(xù)、動態(tài)的反映，它揭示了系統(tǒng)內(nèi)部事物連續(xù)發(fā)展變化的過程。 灰色模型就是通過少量的、不完全的信息，建立灰色微分預(yù)測模型，對事物發(fā)展規(guī)律作出模糊性的長期描述。 灰色預(yù)測需要樣本量較小，運算方便，建模精度高。

2 實證研究

2.1 物資數(shù)據(jù)獲取

基于ERP（企業(yè)資源計劃）電力信息系統(tǒng)獲取某供電公司歷史項目的領(lǐng)料數(shù)據(jù)，按照領(lǐng)取時間的先后順序?qū)Ω黝愇镔Y進行統(tǒng)計排序，形成建模數(shù)據(jù)寬表，詳細表字段見表1。

表1 項目領(lǐng)料明細數(shù)據(jù)

2.2 物資數(shù)據(jù)分類

由于物資類型較多，且物資的需求特性不一，過多的細化分類會增大研究難度，并且極大降低可行性。 因此，通過隨機抽樣抽取架空絕緣導(dǎo)線、低壓電力電纜、10 kV 變壓器、聯(lián)結(jié)金具、錐形水泥桿等20 類物資數(shù)據(jù)開展分類特征提取，并選取兩種不同特性的物資作為代表，按時間順序形成物資時序圖，結(jié)果如圖1、圖2 所示。

圖1 連續(xù)性需求特征物資時序

由時序圖可以看出，物資較為顯著的分類特征為連續(xù)性和間斷性，因此可將物資分為連續(xù)性需求物資和間斷性需求物資，針對不同的需求特性選取合適的預(yù)測方法進行挖掘分析。

2.3 算法模型

根據(jù)物資展現(xiàn)出的需求特性選擇合適的挖掘算法預(yù)測分析物資的未來需求，經(jīng)過多種算法的篩選，最終選擇時間序列分析作為連續(xù)性物資需求預(yù)測方法，選擇指數(shù)平滑法與灰色預(yù)測法作為間斷性物資需求預(yù)測的方法。

選取物資“架空絕緣導(dǎo)線”與物資“高壓熔斷器”代表連續(xù)性物資與間斷性物資進行后續(xù)的建模預(yù)測，通過ERP 系統(tǒng)獲取2 種物資2016—2017年每個月的物資數(shù)據(jù)。

2.3.1 連續(xù)性物資需求預(yù)測分析

（1）時間序列法實現(xiàn)物資需求預(yù)測分析

基于時間序列分析，對物資“架空絕緣導(dǎo)線”未來需求進行預(yù)測。 首先對架空絕緣導(dǎo)線序列進行平穩(wěn)性檢驗。 檢驗結(jié)果見表2。

表2 架空絕緣導(dǎo)線序列平穩(wěn)性檢驗

從表2 可知，架空絕緣導(dǎo)線序列的p 值為0.002 6，小于顯著性水平的p 值，因此序列通過了平穩(wěn)性檢驗，可以直接進行后續(xù)建模。 接著通過查看序列的ACF（自相關(guān)）圖、PACF（偏自相關(guān)）圖選擇合適的模型，圖3、圖4 分別為架空絕緣導(dǎo)線序列ACF 圖、PACF 圖。

ACF 圖顯示滯后1 階后ACF 值基本沒有超過邊界值，PACF 圖顯示序列在1 階時就已收斂于邊界內(nèi)。 因此，選擇AR（1）作為建立的ARMA模型。

根據(jù)建立的AR（1）模型對架空絕緣導(dǎo)線未來一個月的物資需求數(shù)量進行預(yù)測。 預(yù)測結(jié)果如圖5 所示。

圖3 架空絕緣導(dǎo)線序列ACF

圖4 架空絕緣導(dǎo)線序列PACF

圖5 時間序列實現(xiàn)未來物資需求預(yù)測

從圖5 可以看出，建立的AR（1）模型擬合程度較高，誤差波動小，預(yù)測的物資需求可信度高。通過時間序列分析對物資“架空絕緣導(dǎo)線”未來一個月需求進行預(yù)測，得到該物資在2018 年1 月的需求量可能為440.180 8 km。

（2）LSTM 神經(jīng)網(wǎng)絡(luò)實現(xiàn)物資需求預(yù)測分析

基于LSTM 神經(jīng)網(wǎng)絡(luò)算法，對物資“架空絕緣導(dǎo)線”未來需求進行預(yù)測。 首先，對LSTM 神經(jīng)網(wǎng)絡(luò)模型進行參數(shù)設(shè)置，需設(shè)置的參數(shù)見表3。

表3 LSTM 神經(jīng)網(wǎng)絡(luò)的參數(shù)

經(jīng)過多次預(yù)測試驗，LSTM 神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練次數(shù)推薦為50 次，少于50 次則模型的損失值不穩(wěn)定，易造成物資需求預(yù)測結(jié)果不穩(wěn)定，多于50 次會使得模型運行速度變慢；訓(xùn)練一次的樣本數(shù)量為選擇樣本期的歷史數(shù)據(jù)數(shù)量；用于評估LSTM 神經(jīng)網(wǎng)絡(luò)的測試序列長度推薦7 或是14，相當于建模的測試樣本集；模型要預(yù)測的序列長度為選擇預(yù)測期間的樣本數(shù)量。

接下來開展模型搭建工作。 用Sigmoid 函數(shù)作為激活函數(shù)，并采用keras 來搭建LSTM 模型。將物資“架空絕緣導(dǎo)線”的時序數(shù)據(jù)輸入到LSTM模型中進行訓(xùn)練，得到訓(xùn)練之后模型的參數(shù)，然后輸入一個樣本，用LSTM 模型中的predict_sequence_full 函數(shù)（完全序列預(yù)測函數(shù)）進行預(yù)測窗口的預(yù)測。 輸入樣本集和測試集對物資需求量進行預(yù)測，預(yù)測結(jié)果如圖6 所示。

圖6 神經(jīng)網(wǎng)絡(luò)實現(xiàn)未來物資需求預(yù)測

由圖6 可知，建立的LSTM 神經(jīng)網(wǎng)絡(luò)模型預(yù)測的誤差波動較小，模型擬合效果好，預(yù)測出的需求結(jié)果可信度高。 通過LSTM 神經(jīng)網(wǎng)絡(luò)模型對物資“架空絕緣導(dǎo)線”未來一個月需求進行預(yù)測，得到該物資在2018 年1 月的需求量可能為427.951 7 km。

2.3.2 間斷性物資需求預(yù)測分析

間斷性需求物資的特點為需求率低，通用性低，使用需求的時間間隔很長，物資消耗速度較慢，由于未發(fā)生物資領(lǐng)用，在需求數(shù)據(jù)中會產(chǎn)生大量0 值，數(shù)據(jù)存在明顯的波動性和隨機性，且間斷性物資的歷史需求數(shù)據(jù)相當有限。 因此，對于序列有平穩(wěn)性要求的時間序列分析法不適合開展間斷性物資需求預(yù)測分析。 鑒于間斷性物資的特點，選擇指數(shù)平滑法與灰色預(yù)測法對其未來需求進行預(yù)測分析。

（1）指數(shù)平滑法實現(xiàn)物資需求預(yù)測分析

對現(xiàn)有物資“高壓熔斷器”的數(shù)據(jù)先后應(yīng)用一次、二次指數(shù)平滑法，得到物資需求預(yù)測模型，從而預(yù)測出物資“高壓熔斷器”未來的需求。 首先對選取物資進行一次指數(shù)平滑法計算得到物資“高壓熔斷器”一次指數(shù)平滑值，預(yù)測結(jié)果如圖7所示。

圖7 高壓熔斷器一次指數(shù)平滑預(yù)測

從圖7 可知，運用一次指數(shù)平滑法進行預(yù)測，預(yù)測結(jié)果具有滯后作用，因此進一步運用二次指數(shù)平滑法對物資未來需求進行預(yù)測，提高模型預(yù)測的精度。

二次指數(shù)平滑法在一次指數(shù)平滑值的基礎(chǔ)上再次進行指數(shù)平滑，通過與一次指數(shù)平滑值配合，共同建立預(yù)測數(shù)學(xué)模型，并通過模型對物資需求進行預(yù)測。 根據(jù)第1.3.1 節(jié)的二次指數(shù)平滑公式計算出物資預(yù)測結(jié)果，如圖8 所示。

圖8 高壓熔斷器二次指數(shù)平滑預(yù)測

從圖8 可看出，運用二次指數(shù)平滑法擬合出的趨勢線能夠很好地體現(xiàn)原時間序列在不同時間段的變化趨勢，模型預(yù)測的精準度高，根據(jù)預(yù)測模型得到物資“高壓熔斷器”在2018 年1 月的需求量可能為789 只。

（2）灰色預(yù)測法實現(xiàn)物資需求預(yù)測分析

灰色預(yù)測是一套針對間斷性物資預(yù)測的方法，能夠很好地解決間斷性物資歷史需求數(shù)據(jù)較少的不足，并通過輸入數(shù)據(jù)變化的特征值對趨勢進行推演，實現(xiàn)間斷性物資未來需求的精準預(yù)測。

運用灰色預(yù)測法對物資“高壓熔斷器”未來需求進行預(yù)測，將其2016—2017 年間斷物資數(shù)據(jù)作為原始數(shù)據(jù)進行建模。 預(yù)測效果如圖9 所示。

圖9 高壓熔斷器灰色預(yù)測法預(yù)測

從圖9 可以看出，運用灰色預(yù)測法對物資“高壓熔斷器”進行預(yù)測，其擬合出的趨勢能夠很好地體現(xiàn)出原時間序列在不同時間段的變化趨勢，模型預(yù)測的精準度較高，根據(jù)灰色預(yù)測模型得到物資“高壓熔斷器”在2018 年1 月的需求量為465 只。

2.3.3 模型擇優(yōu)

（1）連續(xù)性物資預(yù)測模型擇優(yōu)

前文分別通過時間序列分析與LSTM 神經(jīng)網(wǎng)絡(luò)分析對特征為連續(xù)性的物資進行需求預(yù)測，通過兩者建立的模型均能有效實現(xiàn)對物資需求的預(yù)測，通過對比兩者的模型平均預(yù)測誤差率，選取預(yù)測誤差更小的作為連續(xù)性物資的需求預(yù)測模型。

通過計算，時間序列分析的模型預(yù)測誤差率為9.61%，LSTM 神經(jīng)網(wǎng)絡(luò)算法的模型預(yù)測誤差率為6.88%。 因此，選取LSTM 神經(jīng)網(wǎng)絡(luò)算法作為預(yù)測連續(xù)性物資未來需求的算法。

（2）間斷性物資預(yù)測模型擇優(yōu)

運用指數(shù)平滑法與灰色預(yù)測法均能有效、精準地對間斷性物資未來需求進行預(yù)測，通過對比兩種方法的預(yù)測誤差率，選取預(yù)測精準度更高的作為間斷性物資的預(yù)測模型。

通過計算，指數(shù)平滑法的模型平均誤差率為16.62%，灰色預(yù)測法的模型平均誤差率為25.88%。因此，選取指數(shù)平滑法作為預(yù)測間斷性物資未來需求的算法。

3 應(yīng)用價值

通過運用LSTM 神經(jīng)網(wǎng)絡(luò)、指數(shù)平滑法分別對連續(xù)性物資、間斷性物資的未來需求進行精準預(yù)測，能夠有效輔助客戶決策各類電力需求物資的正確庫存，改善管理人員在物資管理方面的盲目性與片面性，提升電力公司對物資需求的快速精準響應(yīng)，提高電力企業(yè)的物資管理水平。

4 結(jié)語

本文通過對當前物資管理的現(xiàn)狀進行調(diào)研分析，結(jié)合企業(yè)實際工作需要，針對電力物資管理過程中的問題制定了相應(yīng)的解決策略。 采用時間序列分析與LSTM 神經(jīng)網(wǎng)絡(luò)算法對連續(xù)性物資未來需求進行預(yù)測，采用指數(shù)平滑法與灰色預(yù)測法實現(xiàn)對間斷性物資未來需求的預(yù)測，有效地提高了物資管理人員的物資需求預(yù)測能力，極大地節(jié)約了企業(yè)采購成本，提升了企業(yè)綜合競爭力。