应用于电动二轮车换电行业的供应链预测算法、装置及储存介质的制作方法

本发明涉及电动二轮车换电，尤其涉及应用于电动二轮车换电行业的供应链预测算法、装置及储存介质。

背景技术：

1、在电动二轮车换电行业，电池供应链的有效管理是至关重要的。电池的库存时间相对较短，从制造商到仓库再到充电站的中转时间很快，因此传统的库存模型不再适用。供应链的准确预测对于避免供不应求或库存过剩的问题至关重要。传统的预测算法难以应对电动二轮车换电行业中的动态变化，因此需要一种更为高效和准确的方法。

技术实现思路

1、发明目的：为了克服现有技术中存在的不足，本发明提供应用于电动二轮车换电行业的供应链预测算法、装置及储存介质，旨在解决电动二轮车换电行业中的供应链管理问题。

2、技术方案：为实现上述目的，本发明的应用于电动二轮车换电行业的供应链预测算法，收集多源数据，采用arima算法建立长期换电gmv预测子模型，采用深度神经网络建立中期电池需求预测子模型，采用滑动窗口方法建立短期仓库电池订单量预测子模型，再通过堆叠方法来整合上述各子模型的预测结果，以训练元模型；所述元模型采用多层感知器网络建立，并接受上述各子模型的预测结果作为输入，以生成综合的供应链预测结果。

3、进一步地，建立长期换电gmv预测子模型包括以下步骤：步骤r1：收集历史换电gmv数据和电池市场趋势数据；步骤r2：对历史换电gmv数据进行总体分析、趋势分析以及外部因素分析；步骤r3：构建arima模型，并根据历史换电gmv数据来拟合arima模型，从而建立长期换电gmv预测子模型。

4、进一步地，在步骤r2中，使用指数平滑法对历史换电gmv数据进行趋势分析，其数学表示为：

5、st＝α·gmvt+(1-α)·st-1；

6、其中，st表示平滑后的换电gmv值，gmvt表示历史换电gmv数据，α是平滑系数，st-1是上一个时间点的平滑值。

7、进一步地，在步骤r2中，通过建立季节性指数对历史换电gmv数据进行外部因素分析：首先，对历史换电gmv数据进行平稳化处理，并使用差分来实现平稳化，数学表示如下：

8、dt＝gmvt-gmvt-1；

9、其中，dt是平稳化后的换电gmv值；

10、然后，将数据按照季节周期分组，并计算每个季节周期内的平均换电gmv值，数学表示如下：

11、

12、其中，mj是第j个季节周期的平均换电gmv值，nj是该季节周期内的数据点数量；

13、再然后，计算每个季节周期的季节性指数，表示该季节周期内的换电gmv相对于全年平均换电gmv的相对变化，数学表示如下：

14、

15、其中，sij是第j个季节周期的季节性指数，t是季节周期的总数；

16、最后，进行应用季节性指数计算，数学表示如下：

17、gmvt′＝gmvt·sij；

18、其中，gmt是在时间t的实际换电gmv值，gmvt′是在时间t的预测换电gmv值，sij是在时间t所属的季节周期j的季节性指数。

19、进一步地，在步骤r3中，arima模型的数学表示为：

20、

21、其中，gmvt′表示差分平滑后的换电gmv值，用于使数据平稳；c是常数项；是自回归项的系数；θ1...θq是滑动平均项的系数；εt是误差，服从高斯分布。

22、进一步地，建立中期电池需求预测子模型包括以下步骤：步骤s1：收集历史电池需求数据、电池市场趋势数据以及电池特征数据；步骤s2：对历史电池需求数据进行趋势分析和季节性分析；步骤s3：使用深度神经网络来建立中期电池需求预测子模型，输入历史电池需求数据、电池市场趋势数据以及电池特征数据，以预测未来电池需求。

23、进一步地，在步骤s2中，使用ets模型对历史电池需求数据进行趋势分析和季节性分析，趋势分析的数学表示如下：

24、tt＝α·yt+(1-α)·(tt-1+et-1)；

25、其中，tt表示时间t的趋势成分；yt表示时间t的电池需求数量；α是平滑参数，用于平衡当前观测值yt和前一个时间点的趋势成分tt-1+et-1；

26、季节性分析的数学表示如下：

27、

28、其中，st表示时间t的季节性成分；yt表示时间t的电池需求数量；tt表示时间t的趋势成分；m表示季节的周期，如果季节是每季度一个周期，则m＝4；γ是平滑参数，用于平衡当前观测值和同一季节上一年的季节性成分st-m。

29、进一步地，在步骤s3中，深度神经网络模型的数学表示为：

30、yt＝f(w(2)·f(w(1)·xt+b(1))+b(2))；

31、其中，yt表示时间t的电池需求数量；xt表示输入特征，包括历史电池需求、电池市场趋势和电池特征；w(1)和b(1)是第一层的权重和偏差；w(2)和b(2)是第二层的权重和偏差；f是激活函数sigmoid函数。

32、进一步地，建立短期仓库电池订单量预测模型包括如下步骤：步骤t1：收集历史订单数据和库存情况数据；步骤t2：进行电池消耗分析、库存变化情况分析和电池市场需求分析；步骤t3：采用滑动窗口方法建立短期仓库电池订单量预测模型。

33、进一步地，在步骤t3中，窗口大小为w，计算窗口内的电池订单数量平均值作为预测，对于时间点t，窗口内的订单数量平均值为：

34、

35、其中，是时间点t的电池订单量预测，ot-i是时间点t-i的电池订单量。

36、进一步地，采用集成学习中的堆叠方法来整合各子模型的预测结果，并建立元模型，元模型的数学表示为：

37、

38、其中，fmeta表示元模型，gmvt′为长期换电gmv预测子模型输出的预测结果，yt为中期电池需求预测子模型输出的预测结果，为短期仓库电池订单量预测子模型输出的预测结果。

39、进一步地，元模型的结构包括输入层、隐藏层和输出层，其中隐藏层的激活函数为relu，输出层的激活函数采取线性激活函数。

40、进一步地，元模型在每个隐藏层后添加dropout层，元模型的优化算法使用adam优化算法，元模型的损失函数采用均方误差。

41、装置，该装置用于实现应用于电动二轮车换电行业的供应链预测算法，包括数据收集模块：收集历史换电gmv数据、电池市场趋势数据、历史电池需求数据、电池特征数据、历史订单数据和库存情况数据；数据处理模块：对数据进行预处理；执行模块：基于处理后的数据输出各子模型的预测结果、元模型的预测结果以及对模型进行迭代优化。

42、存储介质，其内存储有可执行程序，所述可执行程序被处理器执行可实现应用于电动二轮车换电行业的供应链预测算法。

43、有益效果：本发明的应用于电动二轮车换电行业的供应链预测算法、装置及储存介质，建立堆叠模型架构，堆叠模型架构的子模型包括长期换电gmv预测子模型、中期电池需求预测子模型和短期仓库电池订单量预测子模型，堆叠架构的元模型接收三个子模型的预测结果作为输入，从而得出综合的供应链预测结果，可显著提高电池供应链管理的效率和准确性，具有以下有益效果：

44、1)提高了电池库存管理的效率，减少了电池库存损耗和运营成本；

45、2)确保了电池供应与需求的平衡，降低了供应不足或过剩的风险；

46、3)提高了客户满意度，电池供应更加可靠，站点不会出现缺货问题；

47、4)降低了供应链管理的复杂性，使企业更好地适应电池市场变化。