本發明專利技術公開了基于鋼結構生產的可視化倉儲跟蹤管理系統，包括，原始數據獲取模塊，用于獲取當前時間點的若干原始物料需求數據；特征處理模塊，用于將當前時間點的若干原始物料需求數據進行特征處理，得到當前時間點的物料需求向量；向量輸入模塊，用于將當前時間點的物料需求向量輸入至預訓練的ARIMA父模型；需求輸出模塊，用于ARIMA父模型通過內部子模型分別去除時間序列中的長期趨勢性波動和短期隨機擾動，輸出基于當前時間點用戶定義的時間窗口內的原始物料需求預測值；本發明專利技術能夠準確鋼結構生產原料需求數據中時間序列的滯后結構與殘差影響，結合用戶定義的時間窗口和滑動計算方式，顯著提升了鋼結構生產原料需求的預測的準確性。
【技術實現步驟摘要】
本專利技術涉及倉儲管理，具體為基于鋼結構生產的可視化倉儲跟蹤管理系統。
技術介紹
1、在鋼結構生產的過程中，物料的種類、需求量以及配送需求具有較大的動態性和復雜性，尤其在生產高峰期，準確管理物料庫存與分配顯得尤為重要。專利公開號為cn116228092a的專利文獻公開了一種基于裝配式鋼結構工廠mes的原料智能管理方法，通過軟硬件協同配合，有效幫助企業實現原料精細化管理；而上述專利技術以及鋼結構倉儲領域的現有技術，其倉儲管理方法仍然還是大量依賴于靜態數據或簡單規則對物料需求進行估計，難以實時響應生產節奏的變化，可能導致物料短缺或過剩，進而影響生產效率。更重要的是，對于鋼結構生產原料的需求預測，其方法對時間序列數據的長期波動和短期擾動的特征分析不足，未能充分利用趨勢性和周期性信息，導致預測精度不夠。
技術實現思路
1、針對現有技術的不足，本專利技術提供了基于鋼結構生產的可視化倉儲跟蹤管理系統，通過構建可捕捉長期趨勢和短期波動的arima父模型解決
技術介紹
中提出的技術問題。
2、為實現以上目的，本專利技術通過以下技術方案予以實現：
3、基于鋼結構生產的可視化倉儲跟蹤管理系統，包括：
4、原始數據獲取模塊，用于獲取當前時間點的若干原始物料需求數據；
5、特征處理模塊，用于將當前時間點的若干原始物料需求數據進行特征處理，得到當前時間點的物料需求向量；
6、向量輸入模塊，用于將當前時間點的物料需求向量輸入至預訓練的arima父模型；</p>7、需求輸出模塊，用于arima父模型通過內部子模型分別去除時間序列中的長期趨勢性波動和短期隨機擾動，輸出基于當前時間點用戶定義的時間窗口內的原始物料需求預測值。
8、在其中的一些實施例中，所述arima父模型的建模步驟包括：
9、s1、在時間軸上，按照連續的時間序列獲取n個歷史時刻的若干原始物料需求數據，并基于用戶定義的時間窗口調整原始物料需求數據的數據長度；
10、s2、對于每個歷史時刻，將若干原始物料需求數據進行特征處理，得到n個歷史時刻的物料需求向量；其中，物料需求向量包含數值特征以及非數值特征
11、s3、對用戶定義的時間窗口內n個歷史時刻的物料需求向量的數值特征進行d次差分處理，直至生成n-d個數據平穩的差分向量；
12、s4、對所述數據平穩的差分向量進行自相關分析和偏自相關分析，分別生成自相關函數圖和偏自相關函數圖；
13、s5、根據所生成的自相關函數圖和偏自相關函數圖，定義其截尾位置的滯后期數分別為自回歸階數p和滑動平均階數q；
14、s6、根據差分次數d，自回歸階數p和滑動平均階數q配置arima模型的參數，構建初始化模型；
15、其中，所述初始化模型由自回歸子模型和滑動平均子模型組成；
16、s7、將n-d個數據平穩的差分向量按照用戶定義的時間窗口長度w劃分為多個時間窗口，并將每個時間窗口作為輸入，依次滑動輸入至初始化模型，逐點預測第一輪次中每個歷史時刻的聯合預測向量；
17、s8、根據第一輪次中每個時間窗口內的歷史時刻聯合預測向量和真實的差分向量，逐點計算時間窗口內的殘差；計算完成后，滑動時間窗口，更新至下一批歷史時刻，繼續計算殘差；
18、s9、將第一輪次的殘差，代入參數優化函數，以迭代更新第二輪次的模型參數；
19、參數優化函數為：；
20、其中，表示參數優化函數；
21、為自回歸子模型的自回歸系數，表示時間序列中滯后差分向量對當前時刻的自回歸預測向量的影響；
22、為滑動平均子模型的滑動平均系數，表示滯后殘差對當前時刻的滑動平均預測向量的影響；
23、為常數項，表示滑動平均子模型的對于物料需求向量的預測基準值；
24、為殘差的全局方差，表示殘差服從正態分布；
25、為殘差，表示真實的差分向量和聯合預測向量之間的預測誤差；
26、s10、使用第二輪次的模型參數，滾動用戶定義的時間窗口內物料需求向量，重新計算每個歷史時刻直至第n-d歷史時刻的聯合預測向量；
27、s11、迭代優化后續輪次的模型參數，直至模型參數的更新幅度小于設定變化閾值。
28、在其中的一些實施例中，對所述數據平穩的差分向量進行自相關分析和偏自相關分析，分別生成自相關函數圖和偏自相關函數圖，包括：
29、s4-1、接收數據平穩的差分向量，定義當前期數及其滯后期數；
30、s4-2、對于每個滯后期數k，使用自相關函數計算差分向量在當前時間點與滯后k個時間點之間的自相關系數；
31、s4-3、對于每個滯后期數k，使用偏自相關函數計算偏自相關系數；
32、s4-4、根據計算得到的滯后期數k對應的自相關系數和偏自相關系數，分別繪制柱狀圖，以生活所述自相關函數圖和偏自相關函數圖；其中，橫軸表示滯后期數k，縱軸分別表示自相關系數和偏自相關系數。
33、在其中的一些實施例中，根據所生成的自相關函數圖和偏自相關函數圖，定義其截尾位置的滯后期數分別為自回歸階數p和滑動平均階數q，包括：
34、s5-1、在自相關函數圖中，找到自相關系數從顯著性值迅速降至零的滯后期數，確定為滑動平均階數q；
35、s5-2、在偏自相關函數圖中，找到偏自相關系數從顯著性值迅速降至零的滯后期數，確定為自回歸階數p。
36、在其中的一些實施例中，所述自相關函數的計算表達式為：
37、；
38、其中，表示滯后期數為k時的自相關系數，表示第t歷史時刻的差分向量，表示差分向量的均值。
39、在其中的一些實施例中，所述偏自相關函數的計算表達式為：
40、；
41、其中，表示滯后期數為k時的偏自相關系數，表示滯后期數為j時的自相關系數。
42、在其中的一些實施例中，逐點預測第一輪次中每個歷史時刻的聯合預測向量，包括：
43、s7-1、選取從第t-w+1歷史時刻至第t歷史時刻的時間窗口，計算該時間窗口內w個差分向量的聯合預測向量；
44、s7-2、每次預測完成后，時間窗口向前滑動一單位時間，移除最早的差分向量，并加入當前差分向量，形成新的輸入窗口，輸出若干聯合預測向量；
45、s7-3、重復以上步驟，直至預測出從第一歷史時刻至第n-d歷史時刻的聯合預測向量。
46、在其中的一些實施例中，計算該時間窗口內w個差分向量的聯合預測向量，包括：
47、s7-1-1、定義第一歷史時刻的初始滯后差分向量以及初始滯后殘差；
48、s7-1-2、將第一歷史時刻的初始滯后差分向量作為自回歸子模型的輸入，得到第一歷史時刻的自回歸預測向量；
49、第一歷史時刻的自回歸預測向量的表達式為：
50、；
5本文檔來自技高網
...
【技術保護點】
1.基于鋼結構生產的可視化倉儲跟蹤管理系統，其特征在于，包括：
2.根據權利要求1所述的基于鋼結構生產的可視化倉儲跟蹤管理系統，所述ARIMA父模型的建模步驟包括：
3.根據權利要求2所述的基于鋼結構生產的可視化倉儲跟蹤管理系統，其特征在于，對所述數據平穩的差分向量進行自相關分析和偏自相關分析，分別生成自相關函數圖和偏自相關函數圖，包括：
4.根據權利要求2所述的基于鋼結構生產的可視化倉儲跟蹤管理系統，其特征在于，根據所生成的自相關函數圖和偏自相關函數圖，定義其截尾位置的滯后期數分別為自回歸階數p和滑動平均階數q，包括：
5.根據權利要求2所述的基于鋼結構生產的可視化倉儲跟蹤管理系統，其特征在于，所述自相關函數的計算表達式為：
6.根據權利要求2所述的基于鋼結構生產的可視化倉儲跟蹤管理系統，其特征在于，所述偏自相關函數的計算表達式為：
7.根據權利要求1所述的基于鋼結構生產的可視化倉儲跟蹤管理系統，其特征在于，逐點預測第一輪次中每個歷史時刻的聯合預測向量，包括：
8.根據權利要求3所述的基于鋼結構生產的可視化倉儲跟蹤管理系統，其特征在于，計算該時間窗口內w個差分向量的聯合預測向量，包括：
9.根據權利要求1所述的基于鋼結構生產的可視化倉儲跟蹤管理系統，其特征在于，將第一輪次的殘差，代入參數優化函數，以迭代更新第二輪次的模型參數，包括：
10.根據權利要求1所述的基于鋼結構生產的可視化倉儲跟蹤管理系統，其特征在于，所述原始物料需求預測值的輸出，包括：
...
【技術特征摘要】
1.基于鋼結構生產的可視化倉儲跟蹤管理系統，其特征在于，包括：
2.根據權利要求1所述的基于鋼結構生產的可視化倉儲跟蹤管理系統，所述arima父模型的建模步驟包括：
3.根據權利要求2所述的基于鋼結構生產的可視化倉儲跟蹤管理系統，其特征在于，對所述數據平穩的差分向量進行自相關分析和偏自相關分析，分別生成自相關函數圖和偏自相關函數圖，包括：
4.根據權利要求2所述的基于鋼結構生產的可視化倉儲跟蹤管理系統，其特征在于，根據所生成的自相關函數圖和偏自相關函數圖，定義其截尾位置的滯后期數分別為自回歸階數p和滑動平均階數q，包括：
5.根據權利要求2所述的基于鋼結構生產的可視化倉儲跟蹤管理系統，其特征在于，所述自相關函數的計算表達式為：
【專利技術屬性】
技術研發人員：周觀根，朱煦鋒，周軍，陳國鋒，李國強，馬駿達，
申請(專利權)人：浙江東南綠建集成科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。