偶换件数量预测方法和装置与流程

1.本发明涉及动车组检修技术领域，尤其涉及一种偶换件数量预测方法和装置。


背景技术：

2.偶换件是指根据动车组的实际工况，依据预设的标准来判定是否需要更换的动车组零部件，例如垫圈和螺堵等。由于偶换件是根据动车组的实际工况来确定是否更换，因此需要事先准备足够的各种偶换件进行库存，以满足动车组不定期的偶换件更换需求，于是，对偶换件数量的预测就非常重要。但现有的偶换件数量预测方法，往往是通过对历史偶换件数量中的多个数值取平均值来实现，现有的偶换件数量预测方法所预测的偶换件数量准确性较低，从而使得根据预测的偶换件数量准备的库存偶换件数量不足以满足更换需求或过量而导致额外消耗库存资源及成本的概率较大，不利于维护动车组正常运行。


技术实现要素：

3.本发明的一个目的在于提供一种偶换件数量预测方法，以解决现有的偶换件数量预测方法的准确性较低，从而导致根据预测的偶换件数量准备的库存偶换件数量不足以满足更换需求或过量而导致额外消耗库存资源及成本的概率较大，不利于维护动车组正常运行的问题。本发明的另一个目的在于提供一种偶换件数量预测装置。本发明的再一个目的在于提供一种计算机设备。本发明的还一个目的在于提供一种可读介质。
4.为了达到以上目的，本发明的一方面公开了一种偶换件数量预测方法，所述方法包括：
5.根据历史偶换件检修数据和预设的时间序列分析模型，得到预测偶换率；
6.根据历史偶换件检修数据、历史客运数据和训练好的向量机模型，得到预测检修量；
7.根据所述预测偶换率和所述预测检修量，得到预测的偶换件数量。
8.可选的，所述根据历史偶换件检修数据和预设的时间序列分析模型，得到预测偶换率，包括：
9.根据所述历史偶换件检修数据，得到历史偶换件检修量和历史偶换件检修不合格量；
10.根据所述历史偶换件检修量和历史偶换件检修不合格量，得到历史偶换率；
11.根据所述历史偶换率和所述预设的时间序列分析模型，得到预测偶换率。
12.可选的，所述根据所述历史偶换率和所述预设的时间序列分析模型，得到预测偶换率，包括：
13.对所述历史偶换率进行数据预处理，得到预处理后偶换率；
14.根据所述预处理后偶换率和所述预设的时间序列分析模型，得到预测偶换率。
15.可选的，进一步包括：
16.在所述根据所述历史偶换率和所述预设的时间序列分析模型，得到预测偶换率之
前，判断所述历史偶换率的平均值是否在预设的偶换率区间内，若否，将所述历史偶换率的平均值作为所述预测偶换率。
17.可选的，进一步包括：
18.在所述根据所述历史偶换率和所述预设的时间序列分析模型，得到预测偶换率之前，将所述历史偶换率输入到异常检测算法中，得到历史偶换率中的每个历史偶换率数值对应的异常度分值；
19.根据所述异常度分值和预设的异常分阈值，得到所述异常度分值中的异常分；
20.根据所述异常分得到历史偶换率中的异常历史偶换率数值；
21.根据所述异常历史偶换率数值对所述历史偶换率进行修正。
22.可选的，进一步包括：
23.在所述根据所述异常历史偶换率数值对所述历史偶换率进行修正之前，根据历史偶换率的平均值和历史偶换率的标准差，得到历史偶换率正常区间；
24.判断所述异常历史偶换率数值是否在所述历史偶换率正常区间内，若是，则不执行所述根据所述异常历史偶换率数值对所述历史偶换率进行修正的步骤。
25.可选的，进一步包括：
26.在所述根据所述历史偶换率和所述预设的时间序列分析模型，得到预测偶换率之前，将预设的临界参数和所述历史偶换率输入到平稳性检验算法中，得到所述历史偶换率的平稳性种类；
27.判断所述平稳性种类是否为平稳，若否，则根据所述平稳性种类对所述历史偶换率进行平稳化处理得到平稳偶换率；
28.根据所述平稳偶换率和所述预设的时间序列分析模型，得到预测偶换率。
29.可选的，所述则根据所述平稳性种类对所述历史偶换率进行平稳化处理得到平稳偶换率，包括：
30.判断所述平稳性种类是否为无截距项非平稳；
31.若是，对所述历史偶换率进行差分平稳处理得到平稳偶换率；
32.若否，对所述历史偶换率进行线性拟合去趋势平稳处理得到平稳偶换率。
33.可选的，进一步包括：
34.在所述根据所述历史偶换率和所述预设的时间序列分析模型，得到预测偶换率之前，根据所述历史偶换率从预设的自回归阶数集合和预设的移动平均阶数集合中选择时间序列分析模型的自回归阶数和移动平均阶数；
35.根据所述自回归阶数和移动平均阶数，构建所述时间序列分析模型。
36.可选的，所述根据所述历史偶换率从预设的自回归阶数集合和预设的移动平均阶数集合中选择时间序列分析模型的自回归阶数和移动平均阶数，包括：
37.将所述历史偶换率输入到预设的构建时间序列分析模型所需的参数估计函数中，得到估计值；
38.根据所述估计值，构建信息量函数；
39.对所述自回归阶数集合的自回归阶数元素和移动平均阶数集合中的移动平均阶数元素进行交叉配组，得到多个时间序列分析模型阶数组合；
40.将每个时间序列分析模型阶数组合输入到所述信息量函数中，得到多个对应的信
息量；
41.根据所述信息量中的最小信息量对应的时间序列分析模型阶数组合，得到所述自回归阶数和移动平均阶数。
42.可选的，进一步包括：
43.所述时间序列分析模型包括残差；
44.在所述根据所述历史偶换率和所述预设的时间序列分析模型，得到预测偶换率之前，判断所述时间序列分析模型的残差是否为白噪声，若否，重新构建所述时间序列分析模型。
45.可选的，在所述平稳性种类不为平稳时，所述根据所述历史偶换率和所述预设的时间序列分析模型，得到预测偶换率，包括：
46.将所述历史偶换率输入到所述时间序列分析模型，得到初始结果偶换率；
47.对所述初始结果偶换率进行与所述平稳化处理对应的逆向还原处理，得到所述预测偶换率。
48.可选的，进一步包括：
49.在所述根据所述历史偶换率和所述预设的时间序列分析模型，得到预测偶换率之后，将预设的置信水平和所述历史偶换率输入到所述时间序列分析模型中，得到偶换率置信区间；
50.判断当前偶换率是否在所述偶换率置信区间内，若否，向工作人员进行告警。
51.可选的，进一步包括：
52.在所述根据历史偶换件检修数据、历史客运数据和训练好的向量机模型，得到预测检修量之前，根据所述历史偶换件检修数据，得到历史偶换件检修量；
53.根据所述历史客运数据，得到历史客运周转量；
54.根据当前偶换件检修量、所述历史偶换件检修量和所述历史客运周转量，从预设的关键参数惩罚系数集合和预设的核函数系数集合中选择所述向量机模型的关键参数惩罚系数和核函数系数；
55.根据所述关键参数惩罚系数和核函数系数，构建所述向量机模型；
56.用当前偶换件检修量、所述历史偶换件检修量和所述历史客运周转量作为训练样本，训练所述向量机模型。
57.可选的，所述根据当前偶换件检修量、所述历史偶换件检修量和所述历史客运周转量，从预设的关键参数惩罚系数集合和预设的核函数系数集合中选择所述向量机模型的关键参数惩罚系数和核函数系数，包括：
58.对所述关键参数惩罚系数集合的关键参数惩罚系数元素和核函数系数集合中的核函数系数元素进行交叉配组，得到多个向量机模型参数组合；
59.根据每个向量机模型参数组合，构建对应的测试模型；
60.将所述历史偶换件检修量和所述历史客运周转量输入到每个所述测试模型中，得到对应的测试模型输出值；
61.根据所述测试模型输出值中的最接近所述当前偶换件检修量的输出值对应的向量机模型参数组合，得到所述关键参数惩罚系数和核函数系数。
62.可选的，所述根据所述预测偶换率和所述预测检修量，得到预测的偶换件数量，包
括：
63.将所述预测偶换率中的每个预测偶换率数值乘以所述预测检修量中的对应的预测检修量数值，得到多个对应的偶换件数量分量；
64.根据所述偶换件数量分量，得到所述预测的偶换件数量。
65.可选的，进一步包括：
66.在所述根据所述预测偶换率和所述预测检修量，得到预测的偶换件数量之后，根据所述预测的偶换件数量，得到偶换件数量最大分量和偶换件数量最小分量；
67.将所述偶换件数量最大分量乘以预设的置信水平，得到偶换件数量标准上限；
68.将所述偶换件数量最小分量乘以预设的置信水平，得到偶换件数量标准下限；
69.判断当前偶换件数量是否大于所述偶换件数量标准上限或小于所述偶换件数量标准下限，若是，向工作人员进行告警。
70.为了达到以上目的，本发明的另一方面公开了一种偶换件数量预测装置，包括：
71.偶换率预测模块，用于根据历史偶换件检修数据和预设的时间序列分析模型，得到预测偶换率；
72.检修量预测模块，用于根据历史偶换件检修数据、历史客运数据和训练好的向量机模型，得到预测检修量；
73.偶换件数量预测模块，用于根据所述预测偶换率和所述预测检修量，得到预测的偶换件数量。
74.本发明还公开了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述方法。
75.本发明还公开了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述方法。
76.本发明提供的偶换件数量预测方法和装置，通过根据历史偶换件检修数据和预设的时间序列分析模型，得到预测偶换率，能够基于适用于根据历史序列预测未来变量的时间序列分析模型对偶换率进行预测，从而提高所得到的预测偶换率的准确性，进而提高后续步骤中预测的偶换件数量的准确性。通过根据历史偶换件检修数据、历史客运数据和训练好的向量机模型，得到预测检修量，能够结合实际动车组客运负担对偶换件更换情况的影响以及历史的偶换件检修有关数据，用向量机模型对检修量进行预测，从而提高了所得到的预测检修量的准确性，进而提高后续步骤中预测的偶换件数量的准确性。通过根据所述预测偶换率和所述预测检修量，得到预测的偶换件数量，能够实现根据检修相关原理确定预测的偶换件数量，进一步提高预测的偶换件数量的准确性。综上所述，本发明能够提高预测的偶换件数量的准确性，从而能够根据预测的偶换件数量准确地确定库存偶换件数量，进而减少因库存偶换件数量不足而导致对动车进行检修时缺件或因库存偶换件数量过剩而导致额外消耗库存资源及成本的概率。
附图说明
77.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以
根据这些附图获得其他的附图。
78.图1示出了本发明实施例的一种偶换件数量预测方法的流程示意图；
79.图2示出了本发明实施例的一种可选的得到预测偶换率的步骤示意图；
80.图3示出了本发明实施例的另一种可选的得到预测偶换率的步骤示意图；
81.图4示出了本发明实施例的一种可选的确定关键参数惩罚系数和核函数系数的步骤示意图；
82.图5示出了本发明实施例的一种可选的得到预测的偶换件数量的步骤示意图；
83.图6示出了本发明实施例的一种偶换件数量预测装置的模块示意图；
84.图7示出适于用来实现本发明实施例的计算机设备的结构示意图。
具体实施方式
85.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
86.关于本文中所使用的“第一”、“第二”、
……
等，并非特别指称次序或顺位的意思，亦非用以限定本发明，其仅为了区别以相同技术用语描述的元件或操作。
87.关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。
88.关于本文中所使用的“及/或”，包括所述事物的任一或全部组合。
89.需要说明的是，本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
90.本发明实施例公开了一种偶换件数量预测方法，如图1所示，该方法具体包括如下步骤：
91.s101：根据历史偶换件检修数据和预设的时间序列分析模型，得到预测偶换率。
92.s102：根据历史偶换件检修数据、历史客运数据和训练好的向量机模型，得到预测检修量。
93.s103：根据所述预测偶换率和所述预测检修量，得到预测的偶换件数量。
94.本发明提供的偶换件数量预测方法和装置，通过根据历史偶换件检修数据和预设的时间序列分析模型，得到预测偶换率，能够基于适用于根据历史序列预测未来变量的时间序列分析模型对偶换率进行预测，从而提高所得到的预测偶换率的准确性，进而提高后续步骤中预测的偶换件数量的准确性。通过根据历史偶换件检修数据、历史客运数据和训练好的向量机模型，得到预测检修量，能够结合实际动车组客运负担对偶换件更换情况的影响以及历史的偶换件检修有关数据，用向量机模型对检修量进行预测，从而提高了所得到的预测检修量的准确性，进而提高后续步骤中预测的偶换件数量的准确性。通过根据所述预测偶换率和所述预测检修量，得到预测的偶换件数量，能够实现根据检修相关原理确定预测的偶换件数量，进一步提高预测的偶换件数量的准确性。综上所述，本发明能够提高预测的偶换件数量的准确性，从而能够根据预测的偶换件数量准确地确定库存偶换件数量，进而减少因库存偶换件数量不足而导致对动车进行检修时缺件或因库存偶换件数量过
剩而导致额外消耗库存资源及成本的概率。
95.在一个可选的实施方式中，如图2所示，所述根据历史偶换件检修数据和预设的时间序列分析模型，得到预测偶换率，包括如下步骤：
96.s201：根据所述历史偶换件检修数据，得到历史偶换件检修量和历史偶换件检修不合格量。
97.s202：根据所述历史偶换件检修量和历史偶换件检修不合格量，得到历史偶换率。
98.s203：根据所述历史偶换率和所述预设的时间序列分析模型，得到预测偶换率。
99.示例性的，所述历史偶换件检修数据，包括但不限于历史偶换件检修量、历史偶换件检修不合格量和历史偶换件检修时间等，所以能够直接根据所述历史偶换件检修数据，得到历史偶换件检修量和历史偶换件检修不合格量。
100.示例性的，所述历史偶换件检修量，包括但不限于历史中多个时间点或时间段的偶换件检修量数值。例如，所述历史偶换件检修量，可以为但不限于过去3个月中每个月的偶换件检修总量、过去5个月中每个月的偶换件检修总量或过去7个星期中每个星期的偶换件检修总量等。需要说明的是，对于所述历史偶换件检修量，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
101.示例性的，所述历史偶换件检修不合格量(即经检修后确定的需要更换的偶换件量)，包括但不限于历史中多个时间点或时间段的偶换件检修不合格量数值。例如，所述历史偶换件检修不合格量，可以为但不限于过去3个月中每个月的偶换件检修不合格总量、过去5个月中每个月的历史偶换件检修不合格量总量或过去7个星期中每个星期的历史偶换件检修不合格量总量等。需要说明的是，对于所述历史偶换件检修不合格量，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
102.示例性的，所述根据所述历史偶换件检修量和历史偶换件检修不合格量，得到历史偶换率，可以为但不限于将所述历史偶换件检修不合格量除以历史偶换件检修量得到历史偶换率。具体的，对于同一个时间点或时间段的历史偶换件检修量中的偶换件检修量数值和历史偶换件检修不合格量中的偶换件检修不合格量数值，将它们进行运算能够得到上述时间点或时间段的历史偶换率数值，例如，若2021年4月的偶换件检修量数值为60，2021年4月的历史偶换件检修不合格量数值为15，则能够得到2021年4月的偶换率数值为0.25。所述历史偶换率，具体为但不限于一个包括多个偶换率数值的序列，序列中的每个偶换率数值为历史中某个时间段或时间点的偶换率数值，例如，所述历史偶换率，有如下例子：
103.{2021年4月：0.25，2021年5月：0.45，2021年6月：0.1，2021年7月：0.2}或{0.25，0.45，0.1，0.2}等，其中假设2021年4月至2021年7月为过去的4个月。需要说明的是，对于所述历史偶换率的具体内容和格式，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
104.示例性的，所述根据所述历史偶换率和所述预设的时间序列分析模型，得到预测偶换率，包括但不限于将所述历史偶换率输入到所述时间序列分析模型，得到所述预测偶换率。其中所述预测偶换率可以为未来的某个时间点、时间段多个时间点或多个时间段的预测的偶换率数值的集合。需要说明的是，对于所述预测偶换率的具体内容和格式，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
105.通过上述步骤，能够以历史中实际的检修情况和检修相关的原理为基础确定历史
偶换率，从而提高所得到的历史偶换率的准确性，使历史偶换率更能够反映检修的实际情况，从而提高后续步骤中所得到的预测偶换率的准确性，进而提高后续步骤中预测的偶换件数量的准确性。
106.在一个可选的实施方式中，如图3所示，所述根据所述历史偶换率和所述预设的时间序列分析模型，得到预测偶换率，包括如下步骤：
107.s301：对所述历史偶换率进行数据预处理，得到预处理后偶换率。
108.s302：根据所述预处理后偶换率和所述预设的时间序列分析模型，得到预测偶换率。
109.示例性的，所述数据预处理，包括但不限于对历史偶换率的序列中的空缺数值采用线性插值法或样条插值法等进行补全。需要说明的是，对于所述数据预处理的具体实现方式，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
110.示例性的，所述根据所述预处理后偶换率和所述预设的时间序列分析模型，得到预测偶换率，包括但不限于将所述预处理后偶换率输入到所述时间序列分析模型，得到所述预测偶换率。其中所述预测偶换率可以为未来的某个时间点、时间段多个时间点或多个时间段的预测的偶换率数值的集合。需要说明的是，对于所述预测偶换率的具体内容和格式，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
111.通过上述步骤，能够以预处理的形式对历史偶换率中有问题的数据进行修复，从而减少后续步骤中出现错误的概率，并提高所得到的预测偶换率的准确性，从而提高所预测的偶换件数量的准确性。
112.在一个可选的实施方式中，进一步包括：
113.在所述根据所述历史偶换率和所述预设的时间序列分析模型，得到预测偶换率之前，判断所述历史偶换率的平均值是否在预设的偶换率区间内，若否，将所述历史偶换率的平均值作为所述预测偶换率。
114.示例性的，所述历史偶换率的平均值，可以为但不限于历史偶换率序列中的各个时间点或时间段的偶换率数值的平均值，例如，有如下历史偶换率：
115.{2021年9月：0.25，2021年10月：0.75，2021年11月：0.5}
116.则所述历史偶换率的平均值则为(0.25+0.75+0.5)/3＝0.5。
117.示例性的，所述预设的偶换率区间，可以为但不限于[0.05,0.95]。需要说明的是，对于所述预设的偶换率区间，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
[0118]
示例性的，所述将所述历史偶换率的平均值作为所述预测偶换率，有如下例子：
[0119]
若预测2020年6月和2020年7月的预测偶换率，而根据实际情况和需求，由本领域技术人员确定以被预测月份的前四个月的历史偶换率数值的集合作为计算上述平均值的历史偶换率，则所述预测偶换率包括2020年6月的预测偶换率数值和2020年7月的预测偶换率数值，其中，2020年6月的预测偶换率数值为2020年2月至2020年5月的偶换率数值的平均值，2020年7月的预测偶换率数值为2020年3月至2020年6月的偶换率数值的平均值，或者将所述2020年6月和2020年7月的预测偶换率数值均取2020年2月至2020年5月的偶换率数值的平均值。
[0120]
需要说明的是，对于将所述历史偶换率的平均值作为所述预测偶换率的具体实现
方式，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
[0121]
在所述历史偶换率的平均值不在预设的偶换率区间内，说明过去的偶换件检修情况属于比较极端的情况(偶换率过高或偶换率过低)，因此，在这种情况下无需再通过根据所述历史偶换率和所述预设的时间序列分析模型得到预测偶换率，直接以历史偶换率的平均值作为所述预测偶换率也能够使预测偶换率具有较高的准确性，并免去了后续步骤所确定预测偶换率需要额外耗费的资源和时间，提高了确定预测偶换率的速度，进而提高了得到预测的偶换件数量的速度。
[0122]
在一个可选的实施方式中，进一步包括：
[0123]
在所述根据所述历史偶换率和所述预设的时间序列分析模型，得到预测偶换率之前，将所述历史偶换率输入到异常检测算法中，得到历史偶换率中的每个历史偶换率数值对应的异常度分值；
[0124]
根据所述异常度分值和预设的异常分阈值，得到所述异常度分值中的异常分；
[0125]
根据所述异常分得到历史偶换率中的异常历史偶换率数值；
[0126]
根据所述异常历史偶换率数值对所述历史偶换率进行修正。
[0127]
示例性的，所述异常检测算法，可以为但不限于孤立森林算法。需要说明的是，对于所述异常检测算法的选取，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
[0128]
示例性的，所述异常分阈值，可以为但不限于0.95或0.92等。需要说明的是，对于所述异常分阈值，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
[0129]
示例性的，所述根据所述异常度分值和预设的异常分阈值，得到所述异常度分值中的异常分，可以为但不限于将所述异常度分值中大于所述异常分阈值的分值作为所述异常分。
[0130]
示例性的，根据所述异常分得到历史偶换率中的异常历史偶换率数值，可以为但不限于得到历史偶换率中所述异常分对应的异常历史偶换率数值。
[0131]
示例性的，所述根据所述异常历史偶换率数值对所述历史偶换率进行修正，可以为但不限于将所述历史偶换率的序列中的异常历史偶换率数值进行剔除或采用样条插值法等修复方法进行修复。
[0132]
通过上述步骤，能够减少历史偶换率中具有明显错误的数值或与历史检修情况偏差较大的数值的概率，从而提高历史偶换率的准确性，进而提高后续步骤中预测的偶换件数量的准确性。
[0133]
在一个优选的实施方式中，还包括将异常历史偶换率数值反馈给工作人员，以使工作人员根据所述异常历史偶换率数值着重对所述异常历史偶换率数值对应的时间内的偶换件进行检查分析，以确定该时间内偶换件故障率高的原因，从而根据所述原因对偶换件的生产、处理等方法进行改进，从而更有利于提高偶换件的质量。
[0134]
在一个可选的实施方式中，进一步包括：
[0135]
在所述根据所述异常历史偶换率数值对所述历史偶换率进行修正之前，根据历史偶换率的平均值和历史偶换率的标准差，得到历史偶换率正常区间；
[0136]
判断所述异常历史偶换率数值是否在所述历史偶换率正常区间内，若是，则不执
行所述根据所述异常历史偶换率数值对所述历史偶换率进行修正的步骤。
[0137]
示例性的，所述历史偶换率的标准差，可以为但不限于历史偶换率中的各个历史偶换率数值组成的数值序列的标准差。
[0138]
示例性的，所述历史偶换率正常区间可以为但不限于[历史偶换率的平均值减去3倍历史偶换率的标准差，历史偶换率的平均值加上3倍历史偶换率的标准差]。需要说明的是，所述根据历史偶换率的平均值和历史偶换率的标准差，得到历史偶换率正常区间的具体实现方式，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
[0139]
在所述异常历史偶换率数值在所述历史偶换率正常区间内时，说明该异常历史偶换率数值几乎不会影响历史偶换率的准确性，从而几乎不会影响所得到的预测偶换率的准确性，此时若根据所述异常历史偶换率数值对所述历史偶换率进行修正反而可能会降低所述历史偶换率的准确性，因此，不执行所述根据所述异常历史偶换率数值对所述历史偶换率进行修正的步骤，能够间接提高历史偶换率的准确性，从而间接提高预测偶换率的准确性，进而间接提高预测的偶换件数量的准确性。
[0140]
在一个可选的实施方式中，进一步包括：
[0141]
在所述根据所述历史偶换率和所述预设的时间序列分析模型，得到预测偶换率之前，将预设的临界参数和所述历史偶换率输入到平稳性检验算法中，得到所述历史偶换率的平稳性种类；
[0142]
判断所述平稳性种类是否为平稳，若否，则根据所述平稳性种类对所述历史偶换率进行平稳化处理得到平稳偶换率；
[0143]
根据所述平稳偶换率和所述预设的时间序列分析模型，得到预测偶换率。
[0144]
示例性的，所述预设的临界参数与工作人员期望的预测的偶换件数量的序列的置信区间有关，例如，所述临界参数包括但不限于与所述工作人员期望的预测的偶换件数量的序列的置信区间对应的临界值或临界概率等，而所述临界值可通过查有关置信区间表获得。例如，若所述置信区间为95％，则所述临界值可以为2.33，若所述置信区间为99％，所述临界值可以为2.58。而所述临界概率也可通过查有关置信区间表获得。需要说明的是，对于所述临界参数，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
[0145]
示例性的，所述平稳性检验算法，可以为但不限于adf算法(单位根检验算法)。其中，所述adf算法以所述历史偶换率(序列)作为输入，在中间处理时输出adf统计量和adf检验值作为中间结果。之后，adf算法会判断所述adf统计量是否大于所述预设的临界参数中的临界值，以及所述adf检验值是否大于所述预设的临界参数中的临界概率。若所述adf统计量大于所述预设的临界参数中的临界值，或所述adf检验值大于所述预设的临界参数中的临界概率，则确定所述历史偶换率的平稳性种类为不平稳，否则为平稳。需要说明的是，对于所述平稳性检验算法的选取，可由本领域技术人员根据实际情况确定，而adf算法的运作机制为现有技术，上述说明仅为举例，对此并不构成限制。
[0146]
示例性的，根据所述平稳偶换率和所述预设的时间序列分析模型，得到预测偶换率，可以为但不限于将所述平稳偶换率输入到所述预设的时间序列分析模型中得到预测偶换率。
[0147]
通过上述步骤，能够检验历史偶换率的平稳性并在历史偶换率不平稳时对历史偶换率的序列进行平稳化处理，从而使得参与计算预测偶换率的历史偶换率是平稳的，由于所述时间序列分析模型对输入的平稳性有一定的要求，所以上述步骤能够减小根据所述平稳偶换率和所述预设的时间序列分析模型得到预测偶换率时出现错误的可能性，从而提高所得到的预测偶换率的准确性。
[0148]
在一个可选的实施方式中，所述则根据所述平稳性种类对所述历史偶换率进行平稳化处理得到平稳偶换率，包括：
[0149]
判断所述平稳性种类是否为无截距项非平稳；
[0150]
若是，对所述历史偶换率进行差分平稳处理得到平稳偶换率；
[0151]
若否，对所述历史偶换率进行线性拟合去趋势平稳处理得到平稳偶换率。
[0152]
示例性的，所述平稳性种类包括但不限于平稳、无截距项非平稳和有截距项非平稳，其中，所述平稳性种类由平稳性检验算法确定。
[0153]
示例性的，所述对所述历史偶换率进行差分平稳处理得到平稳偶换率，为本领域常规技术手段，这里不再赘述。其中，所述差分平稳处理可以为对所述历史偶换率的序列进行差分变换得到平稳偶换率的序列。
[0154]
示例性的，所述对所述历史偶换率进行线性拟合去趋势平稳处理得到平稳偶换率，为本领域常规技术手段，这里不再赘述。其中，所述线性拟合去趋势平稳处理可以为对所述历史偶换率的序列进行一阶线性拟合(例如可以采用但不限于最小二乘拟合法)得到趋势序列，再将所述历史偶换率的序列减去所述趋势序列得到平稳偶换率的序列。
[0155]
通过上述步骤，能够在历史偶换率的序列不平稳时，根据现有的数学原理对不同类型的不平稳的历史偶换率的序列进行不同的对应平稳化处理，从而提高所得到的平稳偶换率的序列的平稳性和准确性，从而提高后续步骤中得到的预测偶换率的准确性，进而提高的偶换件数量的准确性。
[0156]
在一个可选的实施方式中，进一步包括：
[0157]
在所述根据所述历史偶换率和所述预设的时间序列分析模型，得到预测偶换率之前，根据所述历史偶换率从预设的自回归阶数集合和预设的移动平均阶数集合中选择时间序列分析模型的自回归阶数和移动平均阶数；
[0158]
根据所述自回归阶数和移动平均阶数，构建所述时间序列分析模型。
[0159]
示例性的，所述时间序列分析模型，可以为但不限于arma模型(自回归滑动平均模型)或arima模型(差分整合移动平均自回归模型)等。需要说明的是，对于所述时间序列分析模型的选取，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
[0160]
示例性的，所述自回归阶数和移动平均阶数，是所述时间序列分析模型的关键参数，能够极大地影响所述时间序列分析模型的性质。而根据自回归阶数和移动平均阶数，构建时间序列分析模型，为本领域常规技术手段，这里不再赘述。
[0161]
通过上述步骤，能够使所确定的自回归阶数和移动平均阶数与所述历史偶换率相符，从而使所构建的时间序列分析模型更适合计算预测偶换率，进而提高计算预测偶换率的准确性和速度。
[0162]
在一个可选的实施方式中，所述根据所述历史偶换率从预设的自回归阶数集合和
预设的移动平均阶数集合中选择时间序列分析模型的自回归阶数和移动平均阶数，包括：
[0163]
将所述历史偶换率输入到预设的构建时间序列分析模型所需的参数估计函数中，得到估计值；
[0164]
根据所述估计值，构建信息量函数；
[0165]
对所述自回归阶数集合的自回归阶数元素和移动平均阶数集合中的移动平均阶数元素进行交叉配组，得到多个时间序列分析模型阶数组合；
[0166]
将每个时间序列分析模型阶数组合输入到所述信息量函数中，得到多个对应的信息量；
[0167]
根据所述信息量中的最小信息量对应的时间序列分析模型阶数组合，得到所述自回归阶数和移动平均阶数。
[0168]
示例性的，所述参数估计函数，可以为但不限于时间序列分析模型的框架中所自带的极大似然估计函数。
[0169]
示例性的，所述信息量函数可以为但不限于aic函数(赤池信息量函数)或bic函数(贝叶斯信息量函数)等。其中，所述估计值为所述信息量函数的组成参数。
[0170]
示例性的，所述aic函数可以为但不限于：
[0171]
aic＝-2ln(l)+2k
[0172]
所述bic函数可以为但不限于：
[0173]
bic＝-2ln(l)+k
·
ln(n)
[0174]
其中，aic和bic表示信息量，l表示估计值，k为所述自回归阶数和移动平均阶数的和(所述历史偶换率的序列含有截距项时)或自回归阶数和移动平均阶数的和加1后的值(所述历史偶换率的序列不含有截距项时)。n为根据估计值或历史偶换率的序列的元素个数得到的样本容量。
[0175]
示例性的，所述预设的自回归阶数集合，可以为但不限于{1，2，3}；所述预设的移动平均阶数集合，可以为但不限于{1，2，3}。需要说明的是，所述自回归阶数集合和所述移动平均阶数集合，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不会构成限制。
[0176]
示例性的，对应于上文的例子，所述对所述自回归阶数集合的自回归阶数元素和移动平均阶数集合中的移动平均阶数元素进行交叉配组，得到多个时间序列分析模型阶数组合，有如下例子：
[0177]
所述交叉配组具体为对于自回归阶数集合中的每个元素，使其分别与移动平均阶数集合中的每个元素进行组合，得到多个时间序列分析模型阶数组合。例如，对应于上文的例子，所得到的多个事件序列分析模型阶数组合包括{自回归阶数：1，移动平均阶数：1}、{自回归阶数：1，移动平均阶数：2}、{自回归阶数：1，移动平均阶数：3}、{自回归阶数：2，移动平均阶数：1}、{自回归阶数：2，移动平均阶数：2}、{自回归阶数：2，移动平均阶数：3}、{自回归阶数：3，移动平均阶数：1}、{自回归阶数：3，移动平均阶数：2}和{自回归阶数：3，移动平均阶数：3}。
[0178]
示例性的，若最小信息量对应的时间序列分析模型阶数组合为{自回归阶数：2，移动平均阶数：1}，则得到的所述自回归阶数为2，移动平均阶数为1。
[0179]
需要说明的是，对于所述对所述自回归阶数集合的自回归阶数元素和移动平均阶
数集合中的移动平均阶数元素进行交叉配组，得到多个时间序列分析模型阶数组合；将每个时间序列分析模型阶数组合输入到所述信息量函数中，得到多个对应的信息量；根据所述信息量中的最小信息量对应的时间序列分析模型阶数组合，得到所述自回归阶数和移动平均阶数的具体实现方式，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
[0180]
通过上述步骤，能够基于有关数学原理和计算机科学原理，提高所得到的自回归阶数和移动平均阶数的准确性，从而能够使所确定的自回归阶数和移动平均阶数与所述历史偶换率更相符，进一步使所构建的时间序列分析模型更适合计算预测偶换率，进而进一步提高计算预测偶换率的准确性和速度。
[0181]
在一个可选的实施方式中，进一步包括：
[0182]
所述时间序列分析模型包括残差；
[0183]
在所述根据所述历史偶换率和所述预设的时间序列分析模型，得到预测偶换率之前，判断所述时间序列分析模型的残差是否为白噪声，若否，重新构建所述时间序列分析模型。
[0184]
示例性的，所述残差为残差序列，所述残差序列为所述时间序列分析模型自带的参数。
[0185]
示例性的，所述判断所述时间序列分析模型的残差是否为白噪声，包括但不限于：
[0186]
将所述残差的残差序列进行标准化处理，得到标准残差序列；其中，所述标准化处理方法包括但不限于规范化方法、正规化方法和归一化方法。
[0187]
根据所述标准残差序列绘制qq图(正态分位数图)，通过但不限于人工方式判断所述qq图的分布是否近似于一条曲线，若是，说明所述残差序列符合正态分布，所述残差是非自相关的，则判断所述残差是白噪声。若否，说明所述残差序列不符合正态分布，所述时间序列分析模型的残差是自相关的，则判断所述残差不是白噪声。
[0188]
或者，将所述标准残差序列输入到lb检验算法(混成检验算法)中，得到lb检验值，若所述lb检验值大于预设的置信区间所对应的临界值，说明所述残差是自相关的，则判断所述残差不是白噪声。若所述lb检验值小于或等于预设的置信区间所对应的临界值，说明所述残差是非自相关的，则判断所述残差是白噪声。
[0189]
所述时间序列分析模型的残差不是白噪声时，说明所述时间序列分析模型并不符合时间序列分析模型的定义，在利用所述时间序列分析模型进行偶换率预测时，可能会导致所得到的预测偶换率并不准确。因此，通过上述步骤，能够使时间序列分析模型更符合规范，从而提高得到预测偶换率的准确性，进而提高预测的偶换件数量的准确性。
[0190]
在一个可选的实施方式中，在所述平稳性种类不为平稳时，所述根据所述历史偶换率和所述预设的时间序列分析模型，得到预测偶换率，包括：
[0191]
将所述历史偶换率输入到所述时间序列分析模型，得到初始结果偶换率；
[0192]
对所述初始结果偶换率进行与所述平稳化处理对应的逆向还原处理，得到所述预测偶换率。
[0193]
示例性的，若所述平稳化处理为线性拟合去趋势平稳处理，则所述逆向还原处理可以为但不限于将趋势序列叠加到所述初始结果偶换率的序列上得到所述预测偶换率的序列；若所述平稳化处理为差分平稳处理，则所述逆向还原处理可以为但不限于对所述初
始结果偶换率的序列进行逆向差分变换得到所述预测偶换率的序列。需要说明的是，所述对所述初始结果偶换率进行与所述平稳化处理对应的逆向还原处理，得到所述预测偶换率的具体实现方式，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
[0194]
考虑到现有的平稳化处理技术所可能导致的历史偶换率的失真，进而可能导致所得到的预测偶换率的失真，上述步骤通过逆向还原处理，起到了减少预测偶换率的失真的作用，提高了预测偶换率的准确性，进而提高了预测的偶换件数量的准确性。
[0195]
在一个可选的实施方式中，进一步包括：
[0196]
在所述根据所述历史偶换率和所述预设的时间序列分析模型，得到预测偶换率之后，将预设的置信水平和所述历史偶换率输入到所述时间序列分析模型中，得到偶换率置信区间；
[0197]
判断当前偶换率是否在所述偶换率置信区间内，若否，向工作人员进行告警。
[0198]
示例性的，所述置信水平可以为但不限于0.95、0.93或0.96等。需要说明的是，对于所述置信水平，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
[0199]
示例性的，所述偶换率置信区间，与所述置信水平和所述历史偶换率对应，例如，若置信水平为0.95，则所述偶换率置信区间为95％的置信区间，若置信水平为0.93，则所述偶换率置信区间为93％的置信区间。需要说明的是，所述将预设的置信水平和所述历史偶换率输入到所述时间序列分析模型中，得到偶换率置信区间的具体实现方式，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
[0200]
示例性的，所述向工作人员进行告警，可以为但不限于向工作人员发送有关告警信息，例如，所述告警信息可以为但不限于“本月偶换率存在异常，请重点关注偶换件质量或检修数据异常情况”。
[0201]
通过上述步骤，能够在当前偶换率不在所述偶换率置信区间内时，断定当前的检修情况或偶换件检修质量等存在异常，并向工作人员进行反映，从而使工作人员对异常情况进行处理，进而有利于使动车组正常运行。
[0202]
在一个可选的实施方式中，进一步包括：
[0203]
在所述根据历史偶换件检修数据、历史客运数据和训练好的向量机模型，得到预测检修量之前，根据所述历史偶换件检修数据，得到历史偶换件检修量；
[0204]
根据所述历史客运数据，得到历史客运周转量；
[0205]
根据当前偶换件检修量、所述历史偶换件检修量和所述历史客运周转量，从预设的关键参数惩罚系数集合和预设的核函数系数集合中选择所述向量机模型的关键参数惩罚系数和核函数系数；
[0206]
根据所述关键参数惩罚系数和核函数系数，构建所述向量机模型；
[0207]
用当前偶换件检修量、所述历史偶换件检修量和所述历史客运周转量作为训练样本，训练所述向量机模型。
[0208]
示例性的，所述历史偶换件检修数据包括但不限于历史偶换件检修量和历史偶换件检修时间等，所以能够直接根据所述历史偶换件检修数据，得到历史偶换件检修量。其中，所述历史偶换件检修量，包括但不限于历史中单个时间点或时间段或多个时间点或时
间段的历史偶换件检修量数值，可以但不限于用序列进行表示。例如，所述历史偶换件检修量可以为但不限于{2019年1月：150，2019年2月：145，2019年3月：155，2019年4月：160，2019年5月：140}或{150，145，155，160，140}等。需要说明的是，对于所述历史偶换件检修量的内容和格式，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
[0209]
示例性的，所述历史客运数据包括历史客运周转量，所以能够直接根据所述历史客运数据，得到历史客运周转量。其中，所述历史客运数据可以从但不限于交通运输部官网等来源下载获取。其中，所述历史客运周转量，包括但不限于历史中单个时间点或时间段或多个时间点或时间段的历史客运周转量数值，可以但不限于用序列进行表示。
[0210]
示例性的，所述向量机模型，可以为但不限于svr模型(支持向量回归模型)等。需要说明的是，对于所述向量机模型的选取，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
[0211]
示例性的，所述关键参数惩罚系数和核函数系数，是所述向量机模型的关键参数，能够极大地影响所述向量机模型的性质。而根据关键参数惩罚系数和核函数系数，构建向量机模型，为本领域常规技术手段，这里不再赘述。
[0212]
在一个优选的实施方式中，所述用当前偶换件检修量、所述历史偶换件检修量和所述历史客运周转量作为训练样本，训练所述向量机模型，包括但不限于：
[0213]
以所述当前偶换件检修量作为标准输出，以所述历史偶换件检修量和所述历史客运周转量作为标准输入，训练所述向量机模型。
[0214]
示例性的，所述当前偶换件检修量可以为但不限于当前月份或当前星期的偶换件检修数量，也可以为但不限于一个选定月份或选定星期的偶换件检修量。
[0215]
其中，所述历史偶换件检修量对应的检修时间需早于当前偶换件检修量对应的检修时间，例如，若选定2021年4月的偶换件检修量数值作为当前偶换件检修量，则历史偶换件检修量的序列可以包括2021年3月的偶换件检修量数值、2021年2月的偶换件检修量数值等。需要说明的是，对于所述历史偶换件检修量和所述当前偶换件检修量，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
[0216]
示例性的，所述历史客运周转量的对应时间需早于当前偶换件检修量对应的检修时间。
[0217]
优选的，所述历史偶换件检修量的序列中的元素个数和所述历史客运周转量的序列中的元素个数的比例可以为但不限于5：1等。
[0218]
示例性的，所述训练样本可以包括多组当前偶换件检修量、所述历史偶换件检修量和所述历史客运周转量的组合。
[0219]
通过上述步骤，能够使所确定的关键参数惩罚系数和核函数系数与所述历史偶换件检修量和所述历史客运周转量相符，从而使所构建的向量机模型更适合计算预测检修量，进而提高计算预测检修量的准确性和速度。通过用当前偶换件检修量、所述历史偶换件检修量和所述历史客运周转量作为训练样本，训练所述向量机模型，能够进一步提高向量机模型计算预测检修量的准确性和速度。
[0220]
在一个可选的实施方式中，如图4所示，所述根据当前偶换件检修量、所述历史偶换件检修量和所述历史客运周转量，从预设的关键参数惩罚系数集合和预设的核函数系数
集合中选择所述向量机模型的关键参数惩罚系数和核函数系数，包括如下步骤：
[0221]
s401：对所述关键参数惩罚系数集合的关键参数惩罚系数元素和核函数系数集合中的核函数系数元素进行交叉配组，得到多个向量机模型参数组合。
[0222]
s402：根据每个向量机模型参数组合，构建对应的测试模型。
[0223]
s403：将所述历史偶换件检修量和所述历史客运周转量输入到每个所述测试模型中，得到对应的测试模型输出值。
[0224]
s404：根据所述测试模型输出值中的最接近所述当前偶换件检修量的输出值对应的向量机模型参数组合，得到所述关键参数惩罚系数和核函数系数。
[0225]
示例性的，所述预设的关键参数惩罚系数集合，其元素的范围可以为但不限于[2-10
，2
10
]，元素之间的步长可以为但不限于2
0.5
；所述预设的核函数系数集合，其元素的范围也可以为但不限于[2-10
，2
10
]，元素之间的步长可以为但不限于2
0.5
。需要说明的是，所述关键参数惩罚系数集合和所述核函数系数集合的数值范围和元素个数，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不会构成限制。
[0226]
示例性的，所述对所述关键参数惩罚系数集合的关键参数惩罚系数元素和核函数系数集合中的核函数系数元素进行交叉配组，得到多个向量机模型参数组合的原理，与本发明实施例中对所述自回归阶数集合的自回归阶数元素和移动平均阶数集合中的移动平均阶数元素进行交叉配组得到多个时间序列分析模型阶数组合的原理相似，这里不再赘述。
[0227]
示例性的，所述根据每个向量机模型参数组合，构建对应的测试模型，为本领域常规技术手段，这里不再赘述。其中，所述测试模型也为向量机模型。
[0228]
示例性的，若当前偶换件检修量的值为160，而测试模型a的输出值为60，测试模型b的输出值为100，测试模型c的输出值为200，测试模型d的输出值为161，则可以确定所述测试模型d的输出值是最接近当前偶换件检修量的，而测试模型d所对应的向量机模型参数组合(即所述测试模型输出值中的最接近所述当前偶换件检修量的输出值对应的向量机模型参数组合)为{关键参数惩罚系数：2√2，核函数系数：2√2}，则所述关键参数惩罚系数为2√2，核函数系数为2√2。
[0229]
示例性的，所述核函数，可以为但不限于高斯核函数(对应svr模型，被包括在svr模型的结构框架中)。
[0230]
通过上述步骤，能够基于有关数学原理和计算机科学原理，提高所得到的关键参数惩罚系数和核函数系数的准确性，从而能够使所确定的关键参数惩罚系数和核函数系数与所述历史偶换件检修量更相符，进一步使所构建的向量机模型更适合计算预测检修量，进而进一步提高计算预测检修量的准确性和速度。
[0231]
在一个优选的实施方式中，所述根据历史偶换件检修数据、历史客运数据和训练好的向量机模型，得到预测检修量，包括：
[0232]
将所述历史偶换件检修量和所述历史客运周转量输入到所述向量机模型中，得到所述预测检修量。
[0233]
优选的，所述历史偶换件检修量的序列中的元素个数和所述历史客运周转量中的元素个数的比例可以为但不限于5：1。其中，历史客运周转量所对应的时间点或时间段需要与所述历史偶换件检修量所对应的时间点或时间段相同，例如，若所述历史偶换件检修量
为{2021年1月：100，2021年2月：101，2021年3月：102，2021年4月：103，2021年5月：104}，对应的，所述历史客运周转量可以为{2021年5月：1000000}。需要说明的是，对于所述历史偶换件检修量和历史客运周转量的具体格式、内容以及对应关系，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
[0234]
示例性的，所述预测检修量，可以为但不限于包括一或多个预测检修量数值的序列。
[0235]
示例性的，若历史偶换件检修量为{2021年1月：100，2021年2月：101，2021年3月：102，2021年4月：103，2021年5月：104}，历史客运周转量为{2021年5月：1000000}，则可以得到2021年6月的预测检修量数值103；若历史偶换件检修量为{2021年2月：101，2021年3月：102，2021年4月：103，2021年5月：104，2021年6月：110}，历史客运周转量为{2021年6月：1000010}，则可以得到2021年7月的预测检修量数值108。则所述预测检修量可以为但不限于{2021年6月：103，2021年7月：108}、{2021年6月：103}或{2021年7月：108}等。需要说明的是，对于所述预测检修量的内容和格式，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
[0236]
需要说明的是，所述将所述历史偶换件检修量和所述历史客运周转量输入到所述向量机模型中，得到所述预测检修量的具体实现方式，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
[0237]
将所述历史偶换件检修量和所述历史客运周转量输入到所述向量机模型中，得到所述预测检修量，是利用向量机模型计算预测检修量所需的步骤。
[0238]
在一个可选的实施方式中，如图5所示，所述根据所述预测偶换率和所述预测检修量，得到预测的偶换件数量，包括如下步骤：
[0239]
s501：将所述预测偶换率中的每个预测偶换率数值乘以所述预测检修量中的对应的预测检修量数值，得到多个对应的偶换件数量分量。
[0240]
s502：根据所述偶换件数量分量，得到所述预测的偶换件数量。
[0241]
示例性的，若预测偶换率的序列为{2022年5月：0.5，2022年6月：0.6，2022年7月：0.7}，而预测检修量的序列为{2022年5月：100，2022年6月：200，2022年7月：300}。则可以得到如下多个偶换件数量分量：
[0242]
{2022年5月：50}、{2022年6月：120}、{2022年7月：210}。
[0243]
其中，所述对应的预测检修量数值和对应的偶换件数量分量中的“对应”，是指预测检修量数值的时间、预测偶换率数值的时间和偶换件数量分量的时间需相同，例如，上述时间均为2022年5月。
[0244]
需要说明的是，对于预测偶换率和预测检修量的格式和内容，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
[0245]
示例性的，所述根据所述偶换件数量分量，得到所述预测的偶换件数量，可以为但不限于对所有所述偶换件数量分量进行聚合，得到一个序列，所述序列即为所述预测的偶换件数量。对应上述例子，所述偶换件数量可以为{2022年5月：50，2022年6月：120，2022年7月：210}。
[0246]
需要说明的是，对于预测的偶换件数量的格式和内容，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
[0247]
需要说明的是，对于步骤s501和步骤s502的具体实现方式，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
[0248]
通过上述步骤，能够基于有关数学原理，进一步提高预测的偶换件数量的准确性。
[0249]
在一个可选的实施方式中，进一步包括：
[0250]
在所述根据所述预测偶换率和所述预测检修量，得到预测的偶换件数量之后，根据所述预测的偶换件数量，得到偶换件数量最大分量和偶换件数量最小分量；
[0251]
将所述偶换件数量最大分量乘以预设的置信水平，得到偶换件数量标准上限；
[0252]
将所述偶换件数量最小分量乘以预设的置信水平，得到偶换件数量标准下限；
[0253]
判断当前偶换件数量是否大于所述偶换件数量标准上限或小于所述偶换件数量标准下限，若是，向工作人员进行告警。
[0254]
示例性的，若偶换件数量为{2022年5月：50，2022年6月：120，2022年7月：210}，则所述偶换件数量最大分量为210，偶换件数量最小分量为50。
[0255]
示例性的，所述预设的置信水平，可以为但不限于0.95、0.93或0.97等。需要说明的是，对于所述置信水平的值，可由本领域技术人员根据实际情况确定，上述说明仅为举例，对此并不构成限制。
[0256]
在当前偶换件数量大于所述偶换件数量标准上限或小于所述偶换件数量标准下限时，说明存在偶换件质量问题或偶换件数量误报等问题，因此，通过上述步骤，能够在当前偶换件数量大于所述偶换件数量标准上限或小于所述偶换件数量标准下限时，及时通知工作人员，让工作人员进行有关的修复处理，从而更有利于使动车组正常运行。
[0257]
基于相同原理，本发明实施例公开了一种偶换件数量预测装置600，如图6所示，该偶换件数量预测装置600包括：
[0258]
偶换率预测模块601，用于根据历史偶换件检修数据和预设的时间序列分析模型，得到预测偶换率。
[0259]
检修量预测模块602，用于根据历史偶换件检修数据、历史客运数据和训练好的向量机模型，得到预测检修量。
[0260]
偶换件数量预测模块603，用于根据所述预测偶换率和所述预测检修量，得到预测的偶换件数量。
[0261]
在一个可选的实施方式中，所述偶换率预测模块601，用于：
[0262]
根据所述历史偶换件检修数据，得到历史偶换件检修量和历史偶换件检修不合格量；
[0263]
根据所述历史偶换件检修量和历史偶换件检修不合格量，得到历史偶换率；
[0264]
根据所述历史偶换率和所述预设的时间序列分析模型，得到预测偶换率。
[0265]
在一个可选的实施方式中，所述偶换率预测模块601，用于：
[0266]
对所述历史偶换率进行数据预处理，得到预处理后偶换率；
[0267]
根据所述预处理后偶换率和所述预设的时间序列分析模型，得到预测偶换率。
[0268]
在一个可选的实施方式中，还包括次级偶换率预测模块，用于：
[0269]
在所述根据所述历史偶换率和所述预设的时间序列分析模型，得到预测偶换率之前，判断所述历史偶换率的平均值是否在预设的偶换率区间内，若否，将所述历史偶换率的平均值作为所述预测偶换率。
[0270]
在一个可选的实施方式中，还包括历史偶换率修正模块，用于：
[0271]
在所述根据所述历史偶换率和所述预设的时间序列分析模型，得到预测偶换率之前，将所述历史偶换率输入到异常检测算法中，得到历史偶换率中的每个历史偶换率数值对应的异常度分值；
[0272]
根据所述异常度分值和预设的异常分阈值，得到所述异常度分值中的异常分；
[0273]
根据所述异常分得到历史偶换率中的异常历史偶换率数值；
[0274]
根据所述异常历史偶换率数值对所述历史偶换率进行修正。
[0275]
在一个可选的实施方式中，还包括历史偶换率修正校验模块，用于：
[0276]
在所述根据所述异常历史偶换率数值对所述历史偶换率进行修正之前，根据历史偶换率的平均值和历史偶换率的标准差，得到历史偶换率正常区间；
[0277]
判断所述异常历史偶换率数值是否在所述历史偶换率正常区间内，若是，则不执行所述根据所述异常历史偶换率数值对所述历史偶换率进行修正的步骤。
[0278]
在一个可选的实施方式中，还包括平稳化处理模块，用于：
[0279]
在所述根据所述历史偶换率和所述预设的时间序列分析模型，得到预测偶换率之前，将预设的临界参数和所述历史偶换率输入到平稳性检验算法中，得到所述历史偶换率的平稳性种类；
[0280]
判断所述平稳性种类是否为平稳，若否，则根据所述平稳性种类对所述历史偶换率进行平稳化处理得到平稳偶换率；
[0281]
根据所述平稳偶换率和所述预设的时间序列分析模型，得到预测偶换率。
[0282]
在一个可选的实施方式中，所述平稳化处理模块，用于：
[0283]
判断所述平稳性种类是否为无截距项非平稳；
[0284]
若是，对所述历史偶换率进行差分平稳处理得到平稳偶换率；
[0285]
若否，对所述历史偶换率进行线性拟合去趋势平稳处理得到平稳偶换率。
[0286]
在一个可选的实施方式中，还包括时间序列分析模型定阶模块，用于：
[0287]
在所述根据所述历史偶换率和所述预设的时间序列分析模型，得到预测偶换率之前，根据所述历史偶换率从预设的自回归阶数集合和预设的移动平均阶数集合中选择时间序列分析模型的自回归阶数和移动平均阶数；
[0288]
根据所述自回归阶数和移动平均阶数，构建所述时间序列分析模型。
[0289]
在一个可选的实施方式中，所述时间序列分析模型定阶模块，用于：
[0290]
将所述历史偶换率输入到预设的构建时间序列分析模型所需的参数估计函数中，得到估计值；
[0291]
根据所述估计值，构建信息量函数；
[0292]
对所述自回归阶数集合的自回归阶数元素和移动平均阶数集合中的移动平均阶数元素进行交叉配组，得到多个时间序列分析模型阶数组合；
[0293]
将每个时间序列分析模型阶数组合输入到所述信息量函数中，得到多个对应的信息量；
[0294]
根据所述信息量中的最小信息量对应的时间序列分析模型阶数组合，得到所述自回归阶数和移动平均阶数。
[0295]
在一个可选的实施方式中，还包括时间序列分析模型残差校验模块，用于：
[0296]
所述时间序列分析模型包括残差；
[0297]
在所述根据所述历史偶换率和所述预设的时间序列分析模型，得到预测偶换率之前，判断所述时间序列分析模型的残差是否为白噪声，若否，重新构建所述时间序列分析模型。
[0298]
在一个可选的实施方式中，还包括平稳化还原模块，用于：
[0299]
将所述历史偶换率输入到所述时间序列分析模型，得到初始结果偶换率；
[0300]
对所述初始结果偶换率进行与所述平稳化处理对应的逆向还原处理，得到所述预测偶换率。
[0301]
在一个可选的实施方式中，还包括当前偶换率置信校验模块，用于：
[0302]
在所述根据所述历史偶换率和所述预设的时间序列分析模型，得到预测偶换率之后，将预设的置信水平和所述历史偶换率输入到所述时间序列分析模型中，得到偶换率置信区间；
[0303]
判断当前偶换率是否在所述偶换率置信区间内，若否，向工作人员进行告警。
[0304]
在一个可选的实施方式中，还包括向量机模型构建模块，用于：
[0305]
在所述根据历史偶换件检修数据、历史客运数据和训练好的向量机模型，得到预测检修量之前，根据所述历史偶换件检修数据，得到历史偶换件检修量；
[0306]
根据所述历史客运数据，得到历史客运周转量；
[0307]
根据当前偶换件检修量、所述历史偶换件检修量和所述历史客运周转量，从预设的关键参数惩罚系数集合和预设的核函数系数集合中选择所述向量机模型的关键参数惩罚系数和核函数系数；
[0308]
根据所述关键参数惩罚系数和核函数系数，构建所述向量机模型；
[0309]
用当前偶换件检修量、所述历史偶换件检修量和所述历史客运周转量作为训练样本，训练所述向量机模型。
[0310]
在一个可选的实施方式中，所述向量机模型构建模块，用于：
[0311]
对所述关键参数惩罚系数集合的关键参数惩罚系数元素和核函数系数集合中的核函数系数元素进行交叉配组，得到多个向量机模型参数组合；
[0312]
根据每个向量机模型参数组合，构建对应的测试模型；
[0313]
将所述历史偶换件检修量和所述历史客运周转量输入到每个所述测试模型中，得到对应的测试模型输出值；
[0314]
根据所述测试模型输出值中的最接近所述当前偶换件检修量的输出值对应的向量机模型参数组合，得到所述关键参数惩罚系数和核函数系数。
[0315]
在一个可选的实施方式中，所述偶换件数量预测模块603，用于：
[0316]
将所述预测偶换率中的每个预测偶换率数值乘以所述预测检修量中的对应的预测检修量数值，得到多个对应的偶换件数量分量；
[0317]
根据所述偶换件数量分量，得到所述预测的偶换件数量。
[0318]
在一个可选的实施方式中，还包括偶换件数量校验模块，用于：
[0319]
在所述根据所述预测偶换率和所述预测检修量，得到预测的偶换件数量之后，根据所述预测的偶换件数量，得到偶换件数量最大分量和偶换件数量最小分量；
[0320]
将所述偶换件数量最大分量乘以预设的置信水平，得到偶换件数量标准上限；
[0321]
将所述偶换件数量最小分量乘以预设的置信水平，得到偶换件数量标准下限；
[0322]
判断当前偶换件数量是否大于所述偶换件数量标准上限或小于所述偶换件数量标准下限，若是，向工作人员进行告警。
[0323]
由于该偶换件数量预测装置600解决问题的原理与以上方法类似，因此本偶换件数量预测装置600的实施可以参见以上的方法的实施，在此不再赘述。
[0324]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机设备，具体的，计算机设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0325]
在一个典型的实例中计算机设备具体包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述方法。
[0326]
下面参考图7，其示出了适于用来实现本技术实施例的计算机设备700的结构示意图。
[0327]
如图7所示，计算机设备700包括中央处理单元(cpu)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram))703中的程序而执行各种适当的工作和处理。在ram703中，还存储有系统700操作所需的各种程序和数据。cpu701、rom702、以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
[0328]
以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶反馈器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡，调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装如存储部分708。
[0329]
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包括用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。
[0330]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0331]
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本
申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
[0332]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0333]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0334]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0335]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0336]
本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0337]
本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0338]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0339]
以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。