基于统一动态集成模型和元启发式算法的汽车备件销量预测方法及系统与流程

本发明属于汽车备件销量预测技术领域，特别是涉及基于统一动态集成模型和元启发式算法的汽车备件销量预测方法及系统。

背景技术：

汽车市场是一个综合性的竞争市场，这里面不仅有产品质量的竞争，同样有客户服务质量的竞争，在产品的质量和性能相差不大的情况下，人们会更多的考虑其售后服务质量的好坏，并将其作为评价一个品牌的标准，面对这样的情况，越来越多的汽车生产厂家不但注重汽车的质量和性能，也注重提高自身的售后服务质量，提高自己的品牌在消费者心中的形象，并以此来留住老客户发展新客户。还有一个重要的因素就是汽车售后服务所获利润高达公司总利润的60％，这大大提高了汽车生产厂家对售后服务领域的重视。随着汽车市场整车利润的下降，越来越多的汽车厂商开始转向售后服务这一行业。我国售后服务有很大的利润空间，售后服务主要包括汽车维修和备件供应，对于汽车制造企业来说，备件销售将成为企业新的利润增长点。因此，汽车备件销量预测在汽车行业中起着重要的作用。

目前，关于汽车销量预测的研究成果，使用的方法主要有定性预测和定量预测两种。其中定性预测方法包括专家预测、主观概率预测等方法，定量预测方法主要有时间序列预测法、回归模型预测法、灰色系统模型预测法、bp神经网络预测法等，每种方法各有特点。在一定程度上，各类预测算法在对汽车备件销量中取得一定的效果。在典型的研究中，针对不同种类的备件开发了各种的预测方法。然而汽车备件种类繁多，同一种方法可能无法满足所有的汽车备件销量预测，致使预测精度不高，又或者，如何找出哪种方法适合于特殊的汽车零配件等等。因此，如何避免上述问题成为了一种待解决的问题。

遗传算法与蚁群算法这两种算法相结合的好处在于，能克服遗传算法在搜索到一定阶段时最优解搜索效率低下和蚁群算法初始信息素匾乏的不足的问题，又能发挥在寻优搜索中各自的优势，相互弥补劣势。因此，如何运用智能优化方法集成的方式对模型参数进行智能提取，以获得运行速度更快、预测精度更高的对汽车备件销量的预测模型具有很大的意义。

目前，有很少的文献对各种汽车备件销量进行全面预测。随着科技的发展，汽车的结构变得越来越复杂，各种汽车备件需求差异大，需求波动多样性。不同的备件需求有不同的销量趋势，例如，趋势没有明显变化，趋势是线性变化，非线性变化，或者有季节性特征，又或者波动较大且受不确定因素影响等。因此，如何能够无需事先分类汽车备件即可准确预测各种汽车备件需求成为本发明要解决的问题。

技术实现要素：

为了克服现有预测方法的长期预测精度不高以及预测运行速度较慢等问题，本发明提供了基于统一动态集成模型和元启发式算法的汽车备件销量预测方法及系统，其中，统一动态集成模型包含了多种并行的典型预测模型，通过典型预测模型分别对选取的汽车备件销量先进行初步的预测，并将各类方法的预测结果储存，从而形成统一动态集成模型。另外，元启发式算法不仅适合于大规模并行，而且可以在合理的时间限制内逼近优化问题的较好可行解。另外，将遗传算法与蚁群算法这两种元启发式算法进行集成，到达优势互补。先根据遗传算法得到最优解，再对蚁群算法的初始信息素进行赋值，多目标函数都比较少的路径上信息素必然会出现重合，从而信息素浓度大，可以促使在蚁群算法过程中迅速找到最优解，以此加大寻找到系统的最优解决方案的可能性。

本发明的技术方案：

基于统一动态集成模型和元启发式算法的汽车备件销量预测系统，包括数据库、数据获取模块、多种并行的典型预测模型模块、预测数据储存模块、基于元启发式优化模块和汽车备件销量预测应用系统模块；

所述的数据库包括各种汽车备件销量数据，统称为预测变量，作为销量预测的基础；数据库中的所有原始数据分为年度、季度和月度数据；

所述的数据获取模块用于连接数据库与汽车备件销量预测系统，获取预测所需的原始预测变量；

所述的多种并行的典型预测模型模块，包括权重移动平均预测模型、二次指数平滑预测模型、三次指数平滑预测模型、温特线性和季节性指数平滑预测模型以及灰色预测模型，分别与数据获取模块连接，对所获得的原始预测变量分别进行预测；

所述的预测数据储存模块与多种并行的典型预测模型模块连接，对多种并行的典型预测模型模块所获得的预测数据分别进行储存；

所述的基于元启发式优化模块与预测数据储存模块连接，用于优化模型储存模块里的预测模型系数，从而建立统一动态集成模型；

所述的汽车备件销量预测应用系统模块与元启发式优化模块连接，将统一动态集成模型储存在备件销量预测应用系统模块中。

基于统一动态集成模型和元启发式算法的汽车备件销量预测方法，步骤如下：

步骤一、根据预测要求，从数据库中选取所需年限的原始数据，统称为原始变量，分为年度变量、季度变量和月度变量；对原始变量进行多种并行的典型预测，首先是权重移动平均法，其对时间序列中离预测时间远近不同的历史需求数据赋予不同的权重，也即考虑了离预测时间远近不同的历史需求对当前预测期内需求的影响程度；

权重移动平均法如下：有时间序列x1,x2,x3,......,xt......，n为移动平均的期数，xt为固定跨越期限内的移动平均序列，即预测对象的时间序列中固定跨越期限内的一组历史数据的算术平均值，对每个序列值赋予不同的权重，则加权移动平均法中时间序列的加权平均值序列为：

式中：ωi为加权因子，满足αi为时间序列中各个时间序列被赋予的权重；权重平均移动预测法以作为下一期的预测值则

yt+1＝ω0xt+ω1xt-1+...+ωn-1xt-n-1(2)

其次是指数平滑法，其也是时间序列预测分析法中的一种，是在加权移动平均法的基础上发展起来的一种常用预测方法；指数平滑法有一次指数平滑法、二次指数平滑法和三次指数平滑法，一次指数平滑法适用于历史需求无明显变化趋势的预测；二次指数平滑是在一次指数平滑的基础上再次平滑，适用于具有线性趋势变化的历史需求序列；三次指数平滑是对二次指数平滑的再平滑，适用于历史需求数据呈非线性分布趋势的产品预测；二次指数平滑法和三次指数平滑所需要的数据量不多，当预测数据发生本质性变化时还可以进行自我调整，是一种简单易操作且非常有效的短期预测模型。一般的指数平滑算法公式如下：

其中，i＝1,2,3分别代表一次指数平滑法、二次指数平滑法、三次指数平滑法；当是一次指数平滑算法时，st(i-1)为t时期的观察值；当是二次指数平滑算法时，st(i-1)为t时期的一次指数平滑值；当是三次指数平滑算法时，st(i-1)为t时期的二次指数平滑值；α是平滑系数；st(i)为第i种方法在t时期的指数平滑值。

设置yt+1⁽ⁱ⁾为t+1年的第i方法的需求数据，三种指数平滑模型分别如下：

在公式(4)～(6)，

在本方法中，一次指数平滑法和权重移动平均适合的备件需求特点相似，因此，指数平滑法中选取二次指数平滑法和三次指数平滑法进行预测；

第四种是温特线性和季节性指数平滑预测，它是把具有线性趋势、季节变动和不规则变动的时间序列进行因素分解，并与指数平滑法结合起来的综合预测模型，是温特于60年代提出的。

设有时间序列x1,x2,x3,......,xt；温特季节指数平滑模型由三个基本平滑方程构成，这三个平滑方程分别模拟时间序列的三个组成因素：线性趋势、季节变动、不规则变动，三个基本方程为：

βt＝α2(μt-μt-1)+(1-α2)βt-1(8)

式中：l为季节周期，μt为趋势分量，除去季节变化影响的时间序列指数平滑平均数，包含了趋势变化但不包含季节变化的影响；βt为趋势直线的斜率，用来平滑时间序列的变化趋势；st为季节指数，季节因子的指数平滑均数；α1、α2、α3为平滑常数，0<α1、α2、α3<1；

基于温特指数平滑模型的预测如下：

yt+m＝(μt+mβt)×st-l+m(10)

其中，m为要预测的时间段距离当前时间t的时间间隔数；

最后预测方法是灰色模型，灰色模型的原理是通过原始数据序列的累积来减弱随机干扰项的影响，建立相应的灰色模型、预测人口、经济、水质等未来发展趋势等等。

设置灰色模型的原始序列名称为x⁽⁰⁾，每个预测变量的原始表达为x⁽⁰⁾，则具体表示为x⁽⁰⁾＝[x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(n)]，接着对该序列进行累加为：

x⁽¹⁾为在x⁽⁰⁾序列上第一次操作的序列。同理，x⁽¹⁾为在x⁽⁰⁾变量上第一次操作的变量，所以新的序列为:x⁽¹⁾＝[x⁽¹⁾(1),x⁽¹⁾(2),...,x⁽¹⁾(n)]，得到规律性较强的生成数列；因此，它满足灰色预测的微分方程，其线性微分形式为：

其中：-a为发展系数，b为灰色作用量，作为灰色系统和灰箱两种观点的重要区分标志，通常情况下被用来区别灰色建模和传统的输入输出建模。

为了估计参数a,b，将上述公式离散得到以下线性模型：

y＝ba(12)

其中，a和b均为矩阵，具体表示为：

则灰色模型的参数列的最小二乘法估计为：

a＝(b^tb)^-1b^ty(13)

将获得的参数代入白化方程中，然后求解微分方程，则预测模型表示为gm(1,1)，其意义介绍如下：灰色模型用greymodel表示，简称gm。gm(1,1)括号内的两个1分别是一阶方程和一个变量的代表。具体表示为：

其中，k为变量顺序参数，为x的估计值。对进行减法操作，所以原始序列的灰色模型如下：

步骤二、分别建立典型的预测模型，并将模型结果储存在预测数据储存模块，于是得到统一动态集成模型，如下；

s＝ωd1s1+ωd2s2+ωd3s3+ωd4s4+ωd5s5(16)

其中s是汽车备件的最终预测销量；s1,s2,s3,s4,s5分别为权重移动平均法、二次指数平滑算法、三次指数平滑算法、温特线性和季节性指数平滑预测以及灰色预测的销量预测结果；其中权重移动平均计算见于公式(2)，二次指数平滑算法计算见于公式(4)，三次指数平滑算法计算见于公式(5)，温特线性和季节性指数平滑计算见于公式(10)，灰色预测计算见于公式(15)；ωd1,ωd2,ωd3,ωd4,ωd5分别为这多预测模型的权重系数，并且

步骤三、采用遗传和蚁群结合优化统一动态集成模型，遗传算法在搜索的初期(to～tb时间段)具有较高的向最优解收敛的速度，在tc之后求解最优解的速度开始下降，并在tg时刻之后开始落后于蚁群算法。与之相反，蚁群算法在搜索的初期(to～tb时间段)，因为信息素缺乏，搜索速度缓慢，随着信息素积累强度的增加，td时刻后，它的最优解收敛速度开始迅速提高。分析可知，遗传算法虽然具有快速全局搜索能力，但却没有利用到系统中的反馈信息，往往导致无为的冗余迭代，求解效率低。蚁群算法通过信息素的累积和更新而收敛于最优路径，具有分布、并行、全局收敛能力，但初期信息素匮乏、导致算法速度慢。

本发明将对算法进行改进，使之更加适合求解多目标优化问题。在求解多目标优化问题时，传统的做法是采用权重系数法将多目标优化问题转化为单目标优化的遗传算法问题，但是这种方法主观因素比较大。本方法对混合算法进行改进，在遗传算法时，可以分别根据多个优化目标(本发明是三个)确定适应度函数，进行三次遗传算法来求得三组不同的最优解。根据三组不同的最优解，对蚁群算法的初始信息素进行赋值，三个优化目标都比较小的路径上信息素必然会出现重合，从而信息素浓度大，可以促使蚁群算法可以迅速找到最优解。

进一步地，所述的元启发式优化说明如下：

3.1在混合算法的前阶段，利用遗传算法求解得到可行解：

遗传算法先随机的产生种群，种群里面的每一个个体(或叫染色体)都代表一组节点的排列，其质量高低用一个适应函数来评价。每一个个体根据适应度，按照一定的概率被选择进行交叉、变异，产生新的下一代种群。适应度高的个体更有机会来繁殖下一代；随着连续的繁殖，种群趋于收敛于高适应度的那些种群，从而找到可能的最优解。

1)编码：根据具体问题的实际情况，将实际问题的参数通过编码转换为遗传算法的编码组，采用二进制编码形式；为提高遗传算法局部搜索能力，可以采用格雷码(greycode)编码；为改善遗传算法的计算复杂性、提高运算效率，可以采用浮点数编码、符号编码方法等。此外还有实数编码、多参数级联编码、交叉编码、dna编码等编码方法。

2)随机产生初始种群，并确定参数的初始值。根据编码机制，初始化原始种群。随机生成一定数目的个体，这个数量通常是群体规模的两倍，然后从中挑出较好的个体构成初始种群。这个过程是一个不断迭代的过程，直到初始种群中个体数量达到了预先确定的规模结束。同时，对种群规模、种群进化代数、适应度参数、遗传优化的次数、交叉概率的参数、变异概率的参数进行初始化。其中，群体大小为m，即群体中所含个体的数量，一般取为20～100。

3)确定适应度函数，进行适应度计算。适应度函数是用来评价个体适应度的函数。多目标优化问题存在多个优化目标，分别根据多个优化目标确定多个适应度函数，单独进行遗传算法。适应度函数值必须是非负的，但是针对不同种类的问题，目标函数值可能是求最小值，且有可能为负数。为了保证遗传算法中对各个个体适应度的比较排序，从而确定选择概率，必须将目标函数转化为求最大值形式且函数值为非负的适应度函数。本方法采用界限构造适应度函数：

其中：x＝[x1,x2,...,xn]^t可以取一组整数，也可以取某一范围内的实数值或者纯粹一个记号，称为遗传基因，其所在的位置称为基因座。xi的所有可能取值称为等位基因。对一个染色体，其长度n可以固定，也可以变化。在遗传算法中，问题的搜索空间是由所有的染色体组成的。

4)选择操作。根据适应度函数计算种群每个个体的适应度，通过改进的轮盘赌选择方法选择出优良的个体。

5)交叉操作。将父代中剩余的染色体搭配成对，一对经过配对的染色体以交叉概率pc进行交叉重组产生子代个体，交叉方法采用双点交叉的改进方法，一定程度上可以提高种群的多样性，有效地避免传统遗传算法“早熟”的缺点。交叉概率pc的表达式为：

pc＝mc/m(18)

其中，m为群体中个体的数目，mc为群体中被交换个体的数目，pc一般取为0.4～0.99。

6)变异操作。变异也是提高种群多样性的一种方法，但是发生变异的概率相对较小。种群以变异概率pm进行变异，采用互换变异的方法。变异概率pm的表达式为：

pm＝b/(m*λ)(19)

其中，b为每代中变异的基因数目，m为每代中群体拥有的个体数目，λ为个体中基因串长度。一般的变异概率取值为0.0001～0.1。

7)循环操作。判断迭代次数是否达到设定的迭代代数，遗传算法的终止进化代数t，一般取为100～500。若达到，则停止进化，选择最优适应度值对应的染色体所对应的路径输出作为求解问题的解；若没有达到，则将迭代次数加1进入下一个循环中。

8)输出解集。符合终止条件，跳出循环，记录当前进化种群。根据不同的适应度函数，最终得到三组不同的解集。

3.2根据遗传算法求得的最优解，对初始信息素进行赋值：

对于蚁群：确定向量，k＝1,2,...,m，通过使用目标函数评估每个蚂蚁的位置；

利用(20)-(22)对蚁群的速度和位置进行更新

式中：i是迭代数量，i是迭代总数，x^gbest是最优位置，是从[-α,α]中随机产生的向量，用来确定允许产生的变异；在次迭代末这变化的长度由以下公式确定：

αi+1＝0.1×αi(21)

eq.(20)中的正负号决定了方向的变化，通过使用以下方程来决定:

如果→符号为+，否则为-；

其中，x^gbest为蚁群全局最优解；

每个位置蚂蚁的信息素浓度计算公式为下式：

τi＝0.1×τi-1(23)

τi＝τi-1+(0.01×f(x^gbest))(24)

式中，公式(23)模拟了信息素的蒸发，公式(24)模拟了最优值周围信息素的增加；

步骤九、最终将优化后的备件销量预测模型储存在备件销量预测应用系统，输入将要预测所需的相应年度、季度或月度的汽车备件销量，之后在判断不缺少相关数据的情况下，选择相适应的备件销量预测模型，即得出相应的预测结果，即销量值。

本发明的有益效果：

1、本发明根据各种汽车备件需求差异大，需求波动多样性等特点，以及不同的备件需求有不同的销量趋势，例如，趋势没有明显的变化，趋势是线性变化，非线性变化，或者有季节性特征，又或者波动较大且受不确定因素影响等特点。因此，提出了统一动态集成模型，从而解决了无需事先分类汽车备件即可准确预测各种备件需求的问题；

2、与传统的解析性优化算法相比，元启发式优化算法能满足问题的复杂性、约束性、非线性及建模困难等特点，不仅适合于大规模并行且可以在合理的时间限制内逼近优化问题的较好可行解；与自适应的遗传和蚁群算法相比，混合优化算法具有优化精度高，收敛精度高，迭代次数少，成功率高等特点，体现出良好的鲁棒性和较快的收敛速度。

附图说明

图1为本发明所述的汽车备件预测组织结构图。

图2为本发明所述的数据库处理流程图。

图3为本发明所述的基于统一动态集成模型的汽车备件销量预测流程图。

图4为本发明所述的基于元启发式优化的汽车备件销量预测优化流程图。

图5为本发明所述的汽车备件销量预测应用系统流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

相反，本发明涵盖任何由权利要求定义的本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本文明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。

参照图1，本发明包括以下部分：数据库、数据获取模块、多种并行的典型预测模型模块、预测数据储存模块、基于元启发式优化模块和汽车备件销量预测应用系统模块。

其中数据库包括但不限于：各种汽车备件销量数据。

基于元启发式的优化模块包括但不限于：遗传算法、蚁群优化算法。

本发明均可以对汽车备件年度、季度以及月度销量进行预测。

参照图2，数据库模块具体处理过程如下：

步骤s200：获取汽车备件销量预测相关的原始数据。

步骤s201：将获得的原始数据进行备件分类。

步骤s202：统一将数据按年度、季度以及月度形式储存。

步骤s203：将经过处理后的数据保存到数据库中。

参照图3，当时间序列进行数据预测阶段时，进入步骤s300，开始。

步骤s300：获取所需预测的汽车备件销量的时间序列。

步骤s301：对获得的原始时间序列分别进行多种典型预测方法的预测，目前的预测模型为以下五种，分别为：

权重移动平均(wma)计算见于公式(2):yt+1＝ω0xt+ω1xt-1+...+ωn-1xt-n-1

二次指数平滑算法(ses)计算见于公式(4):

三次指数平滑算法ces:计算见于公式(5):

温特线性和季节性指数平滑(wses)计算见于公式(10):

yt+m＝(μt+mβt)×st-l+m

灰色预测(gm)计算见于公式(15):

步骤s302：从而求解这多种典型预测方法的结果。

步骤s303：对于系数的获取，选择基于元启发式优化。详见图4。

步骤s310：根据公式(16)，求解最终的预测结果。

参照图4，基于元启发式优化的具体过程如下，进入步骤s400，开始：

步骤s401：在混合算法的前阶段，利用遗传算法求解得到可行解：

随机产生初始种群，并确定参数的初始值。根据编码机制，初始化原始种群。随机生成一定数目的个体，这个数量通常是群体规模的两倍，然后从中挑出较好的个体构成初始种群。这个过程是一个不断迭代的过程，直到初始种群中个体数量达到了预先确定的规模结束。同时，对种群规模、种群进化代数、适应度参数、遗传优化的次数、交叉概率的参数、变异概率的参数进行初始化。

确定适应度函数，进行适应度计算。适应度函数是用来评价个体适应度的函数。多目标优化问题存在多个优化目标，分别根据多个优化目标确定多个适应度函数，单独进行遗传算法。本文采用界限构造函数。

步骤s402：编码：根据具体问题的实际情况，将实际问题的参数通过编码转换为遗传算法的编码组。通常采用二进制编码形式。为提高遗传算法局部搜索能力，可以采用格雷码(greycode)编码；为改善遗传算法的计算复杂性、提高运算效率，可以采用浮点数编码、符号编码方法等。此外还有实数编码、多参数级联编码、交叉编码、dna编码等编码方法。

步骤s403：根据适应度函数选择x,y。根据适应度函数计算种群每个个体的适应度，通过改进的轮盘赌选择方法选择出优良的个体。

步骤s404：交叉操作。将父代中剩余的染色体搭配成对，一对经过配对的染色体以交叉概率pc进行交叉重组产生子代个体，交叉方法采用双点交叉的改进方法，一定程度上可以提高种群的多样性，有效地避免传统遗传算法“早熟”的缺点。根据公式(18)pc＝mc/m，其中m为群体中个体的数目，mc为群体中被交换个体的数目，交叉概率一般取为0.4～0.99。

步骤s405：变异操作。变异也是提高种群多样性的一种方法，但是发生变异的概率相对较小。种群以变异概率pm进行变异，采用互换变异的方法。根据公式(19)pm＝b/(m*λ)，其中，b为每代中变异的基因数目，m为每代中群体拥有的个体数目，λ为个体中基因串长度。一般的变异概率取值为0.0001～0.1。

步骤s406：根据遗传算法得到若干组优化解。

步骤s407：初始化参数，根据优化解生成信息素初始分布，将n只蚂蚁置于n个节点。

步骤s408：计算每只蚂蚁移动到下一节点的概率，根据选择概率移动每只蚂蚁到下一节点。

步骤s409：n只蚂蚁历经n个节点后，最优蚂蚁附近进行信息素增加。

步骤s410：根据公式(23)和(24)，对所有的路径进行信息素更新。

步骤s411：从而输出最终的最好解。

参照图5，汽车备件销量预测应用系统具体过程如下：

步骤s500：获取各种汽车备件的销量数据。

其中，汽车备件销量数据包括但不限于：汽车备件上年/季/月销量。

各种备件数据包括但不限于：刮雨片、刹车片、保险杠以及密封垫片等。

步骤s501：获取相应的汽车备件预测所需要的销量数据。

步骤s502：判断是否缺少相关数据。

步骤s503：如果没有，则可建立统一动态集成模型；否则继续获得缺少的相关数据。

步骤s504：最终求解预测结果。