本發(fā)明涉及數(shù)據(jù)挖掘領域，尤其涉及一種產(chǎn)品返修量的預測方法和系統(tǒng)。

背景技術：

在正常運營中，返修量的不確定性是售后部門安排工作計劃的難點問題。如果不能有預見性地留存零件、安排維修人員，返修量變化可能打亂正常的產(chǎn)品運營，引起大量返修拖期，嚴重影響客戶體驗。因此，需要預測產(chǎn)品的返修量，從而制定有效的維修策略，合理安排維修計劃，減緩返修對整個產(chǎn)品經(jīng)營體系的沖擊。

時間序列分析法是指利用預測對象的歷史數(shù)據(jù)，推測其未來發(fā)展趨勢的預測方法，典型的方法有灰度預測、自回歸模型等?，F(xiàn)有的產(chǎn)品銷量、價格等預測方法一般采用這類時間序列分析法。但是單純采用時間序列分析法仍然存在一定的局限性，目前還沒有一種方法可以準確銷量反饋模型對返修量的滯后影響并同時考慮返修量自身變化趨勢的返修量預測方法。

技術實現(xiàn)要素：

本發(fā)明的實施例提供了一種產(chǎn)品返修量的預測方法和系統(tǒng)。本發(fā)明提供如下方案：

建立銷量反饋模型，所述銷量反饋模型根據(jù)近期銷量數(shù)據(jù)反饋返修量的預測值

建立返修量變化趨勢模型，所述返修量變化趨勢模型根據(jù)近期返修量的變化趨勢反饋返修量的預測值

對所述銷量反饋模型和返修量變化趨勢模型聯(lián)合建立線性組合預測模型，根據(jù)所述線性組合預測模型反饋產(chǎn)品返修量yt；

yt＝ayt^s+(1-a)yt^h；

其中，a為控制所述銷量反饋模型預測結果和所述返修量變化趨勢模型預測結果的融合比例參數(shù)。

根據(jù)本發(fā)明的上述方法，所述建立銷量反饋模型，包括：

按自然月分時間段，將產(chǎn)品從售出之后第k月的返修率記為pk，其中，k＝1…n；n的值優(yōu)選使得售出n個月后的產(chǎn)品返修率之和小于10％，即

預測的時間點第t月時，產(chǎn)品在第t月的k月前的銷量為mt-k,由銷量反饋預測的第t月返修量為建立銷量反饋模型如下式所示：

根據(jù)本發(fā)明的上述方法，建立銷量反饋模型，還包括：

將歷史實際產(chǎn)品返修量代入作為返修量的預測值t可為任意自然數(shù)，結合實際銷量nt，用線性回歸計算得到pk，k＝1…n，n的值優(yōu)選使得殘差平方和盡可能小；預測的時間點第t月時，產(chǎn)品在第t月的k月前的銷量為nt-k,由銷量反饋預測的第t月返修量為建立銷量反饋模型如下式所示：

根據(jù)本發(fā)明的上述方法，所述建立返修量變化趨勢模型，包括：

采用自回歸差分滑動平均模型arima建模，建立返修量變化趨勢模型如下式所示：

其中，包含p個自回歸項、d階差分項、q個滑動平均項，l是延遲算子， 是自回歸參數(shù)，θ是滑動平均參數(shù)，ε是誤差項。

根據(jù)本發(fā)明的上述方法，包括：

通過歷史數(shù)據(jù)計算得到最近m個月的銷量反饋模型反饋的返修量的預測值和返修量變化趨勢模型反饋的返修量的預測值其中，m為正整數(shù)，設定當前時間點為第t月，預測時間點為第t月，t＝(t-m)，…，(t-1)；

其中，結合最近m個月的實際返修量yt，t＝(t-m)，…，(t-1)，對線性組合預測模型進行最小二乘擬合得到所述融合比例參數(shù)a的最優(yōu)值。

根據(jù)本發(fā)明的另一方面，還提供一種產(chǎn)品返修量的預測系統(tǒng)，包括：

第一建模模塊：其用于建立銷量反饋模型，所述銷量反饋模型根據(jù)近期銷量數(shù)據(jù)反饋返修量的預測值

第二建模模塊：其用建立返修量變化趨勢模型，所述返修量變化趨勢模型根據(jù)近期返修量的變化趨勢反饋返修量的預測值

組合建模模塊：其用于對所述銷量反饋模型和返修量變化趨勢模型聯(lián)合建立線性組合預測模型，根據(jù)所述線性組合預測模型反饋產(chǎn)品返修量yt；

yt＝ayt^s+(1-a)yt^h；

其中，a為控制所述銷量反饋模型預測結果和所述返修量變化趨勢模型預測結果的融合比例參數(shù)。

根據(jù)本發(fā)明的另一方面，所述第一建模模塊，其具體用于，

按自然月分時間段，將產(chǎn)品從售出之后第k月的返修率記為pk，其中，k＝1…n；n的值優(yōu)選使得售出n個月后的產(chǎn)品返修率之和小于10％，即

預測的時間點第t月時，產(chǎn)品在第t月的k月前的銷量為mt-k,由銷量反饋預測的第t月返修量為建立銷量反饋模型如下式所示：

根據(jù)本發(fā)明的另一方麻煩，所述第一建模模塊，具體還用于：

將歷史實際產(chǎn)品返修量代入作為返修量的預測值t可為任意自然數(shù)，結合實際銷量nt，用線性回歸計算得到pk，k＝1…n，n的值優(yōu)選使得殘差平方和盡可能?。活A測的時間點第t月時，產(chǎn)品在第t月的k月前的銷量為nt-k,由銷量反饋預測的第t月返修量為建立銷量反饋模型如下式所示：

根據(jù)本發(fā)明的另一方面，所述第二建模模塊，具體用于：

采用自回歸差分滑動平均模型arima建模，建立返修量變化趨勢模型如下式所示：

其中，包含p個自回歸項、d階差分項、q個滑動平均項，l是延遲算子，φ是自回歸參數(shù)，θ是滑動平均參數(shù)，ε是誤差項。

根據(jù)本發(fā)明的另一方面，所述組合建模模塊，具體還用于：

通過歷史數(shù)據(jù)計算得到最近m個月的銷量反饋模型反饋的返修量的預測值和返修量變化趨勢模型反饋的返修量的預測值其中，m為正整數(shù)，設定當前時間點為第t月，預測時間點為第t月，t＝(t-m)，…，(t-1)；

其中，結合最近m個月的實際返修量yt，t＝(t-m)，…，(t-1)，對線性組合預測模型yt進行最小二乘擬合得到所述融合比例參數(shù)a的最優(yōu)值。

由上述本發(fā)明的實施例提供的技術方案可以看出，本發(fā)明實施例通過建立銷量反饋模型，所述銷量反饋模型根據(jù)近期銷量數(shù)據(jù)反饋返修量的預測值建立返修量變化趨勢模型，所述返修量變化趨勢模型根據(jù)近期返修量的變化趨勢反饋返修量的預測值對所述銷量反饋模型和返修量變化趨勢模型聯(lián)合建立線性組合預測模型，根據(jù)所述線性組合預測模型反饋產(chǎn)品返修量yt；本發(fā)明在商業(yè)智能應用中，返修量的準確預測可以實現(xiàn)有預見性地留存零件、安排維修人員，避免返修量變化引起的客戶體驗下降等商業(yè)事故。通過對產(chǎn)品的返修量和銷量的滯后關系進行建模，根據(jù)近期銷量數(shù)據(jù)推算出返修量的預測值。同時，返修量的變化具有趨勢性和平滑性，對歷史數(shù)據(jù)中的變 化規(guī)律進行建模，合理推測了其未來取值。本發(fā)明建模了返修量自身變化趨勢和銷量變化對返修量的影響，并組合這兩種模型，準確預測了產(chǎn)品的返修量。

附圖說明

為了更清楚地說明本發(fā)明實施例的技術方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例一提供的一種產(chǎn)品返修量的預測方法的處理流程圖；

圖2為本發(fā)明實施例二提供的一種產(chǎn)品返修量的預測系統(tǒng)的系統(tǒng)模塊圖。

具體實施方式

為便于對本發(fā)明實施例的理解，下面將結合附圖以幾個具體實施例為例做進一步的解釋說明，且各個實施例并不構成對本發(fā)明實施例的限定。

實施例一

該實施例提供了一種產(chǎn)品返修量的預測方法的處理流程圖如圖1所示，其處理步驟如下：

步驟11、建立銷量反饋模型，所述銷量反饋模型根據(jù)近期銷量數(shù)據(jù)反饋返修量的預測值

本實施例提供兩種建立建立銷量反饋模型的方法，第一種方法：

按自然月分時間段，將產(chǎn)品從售出之后第k月的返修率記為pk，其中，k＝1…n；n的值優(yōu)選使得售出n個月后的產(chǎn)品返修率之和小于10％，即

預測的時間點第t月時，產(chǎn)品在第t月的k月前的銷量為mt-k,由銷量反饋預 測的第t月返修量為建立銷量反饋模型如下式所示：

建立銷量反饋模型，第二種方法：

將歷史實際產(chǎn)品返修量代入作為返修量的預測值t可為任意自然數(shù)，結合實際銷量nt，用線性回歸計算得到pk，k＝1…n，n的值優(yōu)選使得殘差平方和盡可能?。活A測的時間點第t月時，產(chǎn)品在第t月的k月前的銷量為nt-k,由銷量反饋預測的第t月返修量為建立銷量反饋模型如下式所示：

設當前時間點為第t月，采用上述兩種方法中任一種方法預測出最近m個月的返修量t＝(t-m)…(t-1)。

步驟12、建立返修量變化趨勢模型，所述返修量變化趨勢模型根據(jù)近期返修量的變化趨勢反饋返修量的預測值

本實施例中建立返修量變化趨勢模型，包括：

采用自回歸差分滑動平均模型arima建模，建立返修量變化趨勢模型如下式所示：

其中，包含p個自回歸項、d階差分項、q個滑動平均項，l是延遲算子，φ是自回歸參數(shù)，θ是滑動平均參數(shù)，ε是誤差項。由于根據(jù)行業(yè)和產(chǎn)品的不同，差分項的階數(shù)d可以通過原始數(shù)據(jù)和各階差分項的平穩(wěn)性進行選取。對于返修量均值幾乎不變的產(chǎn)品，優(yōu)選d＝0，即arima退化為自回歸滑動平均arma模型；對于返修量平穩(wěn)增長的產(chǎn)品，優(yōu)選d＝1。通過上述返修量變化趨勢模型預測得到的返修量記為設當前時間點為第t月，預測出最近m個月的返修量t＝(t-m)…(t-1)。

上述步驟11和步驟12沒有先后順序限制。

步驟13、對所述銷量反饋模型和返修量變化趨勢模型聯(lián)合建立線性組合預測模型yt，根據(jù)所述線性組合預測模型yt反饋產(chǎn)品返修量；

yt＝ayt^s+(1-a)yt^h；

其中，a為控制所述銷量反饋模型預測結果和所述返修量變化趨勢模型預測結果的融合比例參數(shù)。

具體地，通過歷史數(shù)據(jù)計算得到最近m個月的銷量反饋模型反饋的返修量的預測值和返修量變化趨勢模型反饋的返修量的預測值其中，m為正整數(shù)，設定當前時間點為第t月，預測時間點為第t月，t＝(t-m)，…，(t-1)；

其中，結合最近m個月的實際返修量yt，t＝(t-m)，…，(t-1)，對線性組合預測模型yt進行最小二乘擬合得到所述融合比例參數(shù)a的最優(yōu)值。在獲取融合比例參數(shù)a后，預測出第t月的產(chǎn)品返修量。預測流程為：通過銷量反饋模型反饋的返修量的預測值通過返修量變化趨勢模型反饋的返修量的預測值最后通過線性組合預測模型反饋產(chǎn)品返修量yt為本實施例獲取的產(chǎn)品返修量的預測結果。

實施例二

該實施例提供了一種產(chǎn)品返修量的預測系統(tǒng)的系統(tǒng)模塊圖，其具體實現(xiàn)結構如圖2所示，具體可以包括如下的模塊：第一建模模塊21、第二建模模塊22以及組合建模模塊23；

第一建模模塊21：其用于建立銷量反饋模型，所述銷量反饋模型根據(jù)近期銷量數(shù)據(jù)反饋返修量的預測值

第一建模模塊21，其具體用于，

按自然月分時間段，將產(chǎn)品從售出之后第k月的返修率記為pk，其中，k＝1…n；n的值優(yōu)選使得售出n個月后的產(chǎn)品返修率之和小于10％，即

預測的時間點第t月時，產(chǎn)品在第t月的k月前的銷量為mt-k,由銷量反饋預 測的第t月返修量為建立銷量反饋模型如下式所示：

第一建模模塊21，具體還用于：

將歷史實際產(chǎn)品返修量代入作為返修量的預測值t可為任意自然數(shù)，結合實際銷量nt，用線性回歸計算得到pk，k＝1…n，n的值優(yōu)選使得殘差平方和盡可能??；預測的時間點第t月時，產(chǎn)品在第t月的k月前的銷量為nt-k,由銷量反饋預測的第t月返修量為建立銷量反饋模型如下式所示：

第二建模模塊22：其用建立返修量變化趨勢模型，所述返修量變化趨勢模型根據(jù)近期返修量的變化趨勢反饋返修量的預測值

第二建模模塊22，具體用于：

采用自回歸差分滑動平均模型arima建模，建立返修量變化趨勢模型如下式所示：

其中，包含p個自回歸項、d階差分項、q個滑動平均項，l是延遲算子，φ是自回歸參數(shù)，θ是滑動平均參數(shù)，ε是誤差項。

組合建模模塊23：其用于對所述銷量反饋模型和返修量變化趨勢模型聯(lián)合建立線性組合預測模型，根據(jù)所述線性組合預測模型反饋產(chǎn)品返修量yt；

yt＝ayt^s+(1-a)yt^h；

其中，a為控制所述銷量反饋模型預測結果和所述返修量變化趨勢模型預測結果的融合比例參數(shù)。

組合建模模塊23，具體還用于：

通過歷史數(shù)據(jù)計算得到最近m個月的銷量反饋模型反饋的返修量的預測值和返修量變化趨勢模型反饋的返修量的預測值其中，m為正整數(shù)，設定 當前時間點為第t月，預測時間點為第t月，t＝(t-m)，…，(t-1)；

其中，結合最近m個月的實際返修量yt，t＝(t-m)，…，(t-1)，對線性組合預測模型yt進行最小二乘擬合得到所述融合比例參數(shù)a的最優(yōu)值。用本發(fā)明實施例的系統(tǒng)進行產(chǎn)品返修量的預測的具體過程與前述方法實施例類似，此處不再贅述。

綜上所述，本發(fā)明實施例通過建立銷量反饋模型，所述銷量反饋模型根據(jù)近期銷量數(shù)據(jù)反饋返修量的預測值建立返修量變化趨勢模型，所述返修量變化趨勢模型根據(jù)近期返修量的變化趨勢反饋返修量的預測值對所述銷量反饋模型和返修量變化趨勢模型聯(lián)合建立線性組合預測模型，根據(jù)所述線性組合預測模型反饋產(chǎn)品返修量yt；本發(fā)明在商業(yè)智能應用中，返修量的準確預測可以實現(xiàn)有預見性地留存零件、安排維修人員，避免返修量變化引起的客戶體驗下降等商業(yè)事故。通過對產(chǎn)品的返修量和銷量的滯后關系進行建模，根據(jù)近期銷量數(shù)據(jù)推算出返修量的預測值。同時，返修量的變化具有趨勢性和平滑性，對歷史數(shù)據(jù)中的變化規(guī)律進行建模，合理推測了其未來取值。本發(fā)明建模了返修量自身變化趨勢和銷量變化對返修量的影響，并組合這兩種模型，準確預測了產(chǎn)品的返修量。本領域普通技術人員可以理解：附圖只是一個實施例的示意圖，附圖中的模塊或流程并不一定是實施本發(fā)明所必須的。

通過以上的實施方式的描述可知，本領域的技術人員可以清楚地了解到本發(fā)明可借助軟件加必需的通用硬件平臺的方式來實現(xiàn)。基于這樣的理解，本發(fā)明的技術方案本質(zhì)上或者說對現(xiàn)有技術做出貢獻的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品可以存儲在存儲介質(zhì)中，如rom/ram、磁碟、光盤等，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網(wǎng)絡設備等)執(zhí)行本發(fā)明各個實施例或者實施例的某些部分所述的方法。

本說明書中的各個實施例均采用遞進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對于裝置或系統(tǒng)實施例而言，由于其基本相似于方法實施例，所以描述得比較簡單，相關之處參見方法實施例的部分說明即可。以上所描述的裝置及系統(tǒng)實施例僅僅是示意性的，其中所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡單元上?？梢愿鶕?jù)實際的需要選擇其中的部分或者全部模塊來實現(xiàn)本實施例方案的目的。本領域普通技術人員在不付出創(chuàng)造性勞動的情況下，即可以理解并實施。

以上所述，僅為本發(fā)明較佳的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發(fā)明揭露的技術范圍內(nèi)，可輕易想到的變化或替換，都應涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應該以權利要求的保護范圍為準。