本發(fā)明屬于裝備制造領(lǐng)域，具體涉及基于iwoa-itransformer模型的物料需求預測方法及系統(tǒng)。

背景技術(shù)：

1、在實際生產(chǎn)情況中，物料庫存短缺會影響生產(chǎn)線的生產(chǎn)進度，導致交貨周期推遲，物料庫存過剩會增加庫存管理費用，提高產(chǎn)品成本。為了有效減少物料短缺與過度采購帶來的影響，幫助企業(yè)降低庫存成本，提高企業(yè)生產(chǎn)效率以及抵抗風險能力，達到降本增效的目的，企業(yè)迫切需要精度更高的預測模型來指導物料的采購情況。根據(jù)文獻(辛唯.lstm-prophet混合模型在物料儲備需求預測中的應(yīng)用[j].現(xiàn)代計算機,2024,30(04):53-7.)可知傳統(tǒng)的時間序列預測使用基于統(tǒng)計方法的模型，例如自回歸模型(auto?regressive，ar)、移動平均模型(moving?average，ma)、自回歸滑動平均模型(autoregressiveintegrated?moving?average?model，arima)，都是基于自回歸的單元預測方法，主要應(yīng)用于單變量和線性時間序列的擬合問題上。但實際問題多為多變量、非線性的復雜問題，因此基于機器學習的預測方法逐漸代替?zhèn)鹘y(tǒng)的時間序列預測方法，例如遞歸神經(jīng)網(wǎng)絡(luò)(rnn)、長短時記憶神經(jīng)網(wǎng)絡(luò)(long?short?term?memory，lstm)、transformer、支持向量機(svm)等。

2、隨著基于機器學習的預測方法不斷發(fā)展，文獻(白朝陽,宋林杰,李曉琳.基于emd-pso-lssvr的物料需求組合預測模型[j].統(tǒng)計與決策,2018,34(18):185-8.)提出了基于emd-pso-lssvr的物料需求預測模型，通過運用經(jīng)驗模態(tài)分解(emd)方法將非平穩(wěn)時間序列分解為一系列的本征模函數(shù)(imf)和一個殘差項(res)，然后結(jié)合業(yè)務(wù)實際將各imf合成為高頻、低頻兩部分，分別代表短期波動和長期趨勢，挖掘出更多的信息。再結(jié)合最小二乘支持向量回歸(lssvr)模型進行組合預測，可高效預測非平穩(wěn)物料需求時間序列。文獻(liuj,lin?l,li?z,et?al.spare?aeroengine?demand?prediction?model?based?on?deepcroston?method[j].journal?of?aerospace?information?systems,2020,17(2):125-33.)提出了基于deep?croston方法的備用航空發(fā)動機需求預測方法，通過采用croston框架處理間歇性需求特征，利用深度學習網(wǎng)絡(luò)模型進行預測，在間歇性需求預測上效果顯著。文獻(熊芷瑤,李林.基于sarima-lstm的零售生鮮品庫存需求預測[j].物流科技,2022,45(03):21-4+8.)提出了基于sarima-lstm的零售生鮮品庫存需求預測模型，針對供應(yīng)商、零售商、用戶三方面考慮需求影響因素如準時交貨率、綜合成本、氣溫狀況、銷售金額等，結(jié)合貝葉斯優(yōu)化算法對lstm進行超參數(shù)選擇，將sarima的模型預測值和實際值間的誤差序列進行修正并得到預測值，對于零售業(yè)生鮮類商品庫存預測量給出了合理的參考。文獻(liu?r,vakharia?v.optimizing?supply?chain?management?through?bo-cnn-lstm?for?demandforecasting?and?inventory?management[j].journal?of?organizational?and?enduser?computing(joeuc),2024,36(1):1-25.)提出了bo-cnn-lstm模型，利用貝葉斯優(yōu)化進行超參數(shù)調(diào)整，cnn進行時空特征提取，lstm對順序數(shù)據(jù)進行建模，在供應(yīng)鏈管理中控制了成本并提高了運營效率。

3、通過以上分析發(fā)現(xiàn)，現(xiàn)有技術(shù)為了保證預測結(jié)果的準確性，采用了較為復雜的組合模型，雖然這些模型在提高預測精度上有所貢獻，但模型的復雜性帶來了較高的計算成本和資源消耗。考慮到時間序列數(shù)據(jù)的特殊性，基于自注意力機制的itransformer模型能夠捕捉到時間序列中長程依賴和復雜的非線性關(guān)系，同時具有并行處理和減少梯度消失等優(yōu)勢，因此我們提出了一種基于iwoa-itransformer模型的物料需求預測方法及系統(tǒng)。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)在處理物料需求預測時，通常依賴于復雜的模型與算法，雖然能夠提升預測精度，但在大規(guī)模數(shù)據(jù)處理和實時應(yīng)用場景中，計算效率顯著下降，難以實現(xiàn)精度與效率平衡的現(xiàn)象，本發(fā)明提出了基于iwoa-itransformer模型的物料需求預測方法及系統(tǒng)，不僅能夠精確捕捉物料需求的復雜變化趨勢，有效提高了計算效率和模型的實時預測能力，實現(xiàn)了物料需求預測中精度與效率的統(tǒng)一。

2、為實現(xiàn)上述目的，本發(fā)明提供了如下方案：

3、基于iwoa-itransformer模型的物料需求預測方法，包括以下步驟：

4、對裝備制造企業(yè)生產(chǎn)制造過程中物料消耗的時序數(shù)據(jù)進行采集及預處理，獲得數(shù)據(jù)集；

5、引入改進鯨魚優(yōu)化算法iwoa和itransformer模型，使用改進鯨魚優(yōu)化算法iwoa對itransformer模型進行超參數(shù)尋優(yōu)；

6、基于得到的超參數(shù)最優(yōu)解構(gòu)建改進的itransformer模型，基于改進的itransformer模型，捕捉數(shù)據(jù)集中時間序列間的關(guān)聯(lián)；

7、基于數(shù)據(jù)集中時間序列間的關(guān)聯(lián)，通過訓練改進的itransformer模型，對物料需求進行預測，得到最終物料需求值。

8、優(yōu)選的，改進鯨魚優(yōu)化算法iwoa包括：包圍獵物階段、螺旋捕食階段、隨機搜索階段、引入差分進化算法階段；

9、其中，包圍獵物階段的過程表示為：

10、d＝|c·x*(t)-x(t)|

11、x(t+1)＝x*(t)-a·d

12、其中，d為座頭鯨與獵物的圍獵步長，t為當前迭代次數(shù)，x*(t)為獵物的位置向量，x(t)為座頭鯨位置向量，a、c為系數(shù)向量；

13、螺旋捕食階段的過程表示為：

14、x(t+1)＝d'·ebl·cos(2πl(wèi))+x*(t)

15、d'＝|x*(t)-x(t)|

16、其中，d'為當前個體到獵物之間的距離，b是定義對數(shù)螺旋方程的常量，l是[-1,1]范圍內(nèi)的隨機數(shù)；

17、隨機搜索階段的過程表示為：

18、d＝|c·xrand(t)-x(t)|

19、x(t+1)＝xrand(t)-a·d

20、其中，xrand(t)為鯨群中隨機個體的位置；

21、引入差分進化算法階段的過程表示為：

22、設(shè)置變異因子f、交叉概率cr，得到變異策略：

23、ui(j)＝x*(j)+f·(xr1(j)-xr2(j))

24、其中，i為當前迭代次數(shù)、j為當前鯨魚個體，ui(j)為第i次迭代中第j的鯨魚個體產(chǎn)生的新子代，r1和r2為兩個隨機數(shù)且滿足r1≠r2≠i，x*(j)為當前種群中的最有個體，是種群中隨機選擇的不同個體，設(shè)置參數(shù)jrand表示1-n范圍內(nèi)的隨機數(shù)，其中n為種群中鯨魚個體的數(shù)量，當滿足r≤cr||j＝j(luò)rand則進行交叉變異操作，產(chǎn)生新個體。

25、優(yōu)選的，使用改進鯨魚優(yōu)化算法iwoa對itransformer模型進行超參數(shù)尋優(yōu)的方法包括：

26、通過差分進化對原始種群進行變異和雜交進而產(chǎn)生新個體，得到超參數(shù)最優(yōu)解。

27、優(yōu)選的，改進的itransformer模型包括：嵌入層、多頭自注意力層、歸一化層、前饋神經(jīng)網(wǎng)絡(luò)層；

28、其中，嵌入層將預處理好的數(shù)據(jù)轉(zhuǎn)換為向量，基于多層感知器mlp實現(xiàn)嵌入操作；

29、多頭自注意力層通過初始隨機設(shè)置的權(quán)值矩陣wq、wk和wv，將輸入的時間序列數(shù)據(jù)與權(quán)值矩陣通過點積的形式處理成查詢向量q、關(guān)鍵詞向量k和值向量v，將查詢向量q、關(guān)鍵詞向量k、值向量v進行h次投影后分別進行attention注意力計算，并使用contact函數(shù)將多維空間內(nèi)的注意力計算結(jié)果進行拼接，最后連接所有子空間的注意力結(jié)果得到多頭自注意力層的最終輸出結(jié)果；

30、歸一化層將歸一化應(yīng)用于個體變量的級數(shù)表示，讓所有變量的特征都處于相對統(tǒng)一的分布；

31、前饋神經(jīng)網(wǎng)絡(luò)層采用多層感知器mlp來實現(xiàn)，使得前饋網(wǎng)絡(luò)作用在整條序列上，提取序列的內(nèi)在屬性。

32、優(yōu)選的，基于改進的itransformer模型，捕捉數(shù)據(jù)集中時間序列間的關(guān)聯(lián)的方法包括：

33、通過改進的itransformer模型將變量的整條時間序列映射為最小建模單位-詞，以變量為主體通過注意力機制自然地挖掘以詞為單位的多變量關(guān)聯(lián)；

34、通過前饋網(wǎng)絡(luò)和歸一化層的配合消除變量間單位不同帶來的差異。

35、本發(fā)明還提供了基于iwoa-itransformer模型的物料需求預測系統(tǒng)，包括：獲取模塊、尋優(yōu)模塊、捕捉模塊和預測模塊；

36、獲取模塊用于對裝備制造企業(yè)生產(chǎn)制造過程中物料消耗的時序數(shù)據(jù)進行采集及預處理，獲得數(shù)據(jù)集；

37、尋優(yōu)模塊用于引入改進鯨魚優(yōu)化算法iwoa和itransformer模型，使用改進鯨魚優(yōu)化算法iwoa對itransformer模型進行超參數(shù)尋優(yōu)；

38、捕捉模塊用于基于得到的超參數(shù)最優(yōu)解構(gòu)建改進的itransformer模型，基于改進的itransformer模型，捕捉數(shù)據(jù)集中時間序列間的關(guān)聯(lián)；

39、預測模塊用于基于數(shù)據(jù)集中時間序列間的關(guān)聯(lián)，通過訓練改進的itransformer模型，對物料需求進行預測，得到最終物料需求值。

40、優(yōu)選的，改進鯨魚優(yōu)化算法iwoa包括：包圍獵物階段、螺旋捕食階段、隨機搜索階段、引入差分進化算法階段；

41、其中，包圍獵物階段的過程表示為：

42、d＝|c·x*(t)-x(t)|

43、x(t+1)＝x*(t)-a·d

44、其中，d為座頭鯨與獵物的圍獵步長，t為當前迭代次數(shù)，x*(t)為獵物的位置向量，x(t)為座頭鯨位置向量，a、c為系數(shù)向量；

45、螺旋捕食階段的過程表示為：

46、x(t+1)＝d'·ebl·cos(2πl(wèi))+x*(t)

47、d'＝|x*(t)-x(t)|

48、其中，d'為當前個體到獵物之間的距離，b是定義對數(shù)螺旋方程的常量，l是[-1,1]范圍內(nèi)的隨機數(shù)；

49、隨機搜索階段的過程表示為：

50、d＝|c·xrand(t)-x(t)|

51、x(t+1)＝xrand(t)-a·d

52、其中，xrand(t)為鯨群中隨機個體的位置；

53、引入差分進化算法階段的過程表示為：

54、設(shè)置變異因子f、交叉概率cr，得到變異策略：

55、ui(j)＝x*(j)+f·(xr1(j)-xr2(j))

56、其中，i為當前迭代次數(shù)、j為當前鯨魚個體，ui(j)為第i次迭代中第j的鯨魚個體產(chǎn)生的新子代，r1和r2為兩個隨機數(shù)且滿足r1≠r2≠i，x*(j)為當前種群中的最有個體，是種群中隨機選擇的不同個體，設(shè)置參數(shù)jrand表示1-n范圍內(nèi)的隨機數(shù)，其中n為種群中鯨魚個體的數(shù)量，當滿足r≤cr||j＝j(luò)rand則進行交叉變異操作，產(chǎn)生新個體。

57、優(yōu)選的，使用改進鯨魚優(yōu)化算法iwoa對itransformer模型進行超參數(shù)尋優(yōu)的過程包括：

58、通過差分進化對原始種群進行變異和雜交進而產(chǎn)生新個體，得到超參數(shù)最優(yōu)解。

59、優(yōu)選的，改進的itransformer模型包括：嵌入層、多頭自注意力層、歸一化層、前饋神經(jīng)網(wǎng)絡(luò)層；

60、其中，嵌入層將預處理好的數(shù)據(jù)轉(zhuǎn)換為向量，基于多層感知器mlp實現(xiàn)嵌入操作；

61、多頭自注意力層通過初始隨機設(shè)置的權(quán)值矩陣wq、wk和wv，將輸入的時間序列數(shù)據(jù)與權(quán)值矩陣通過點積的形式處理成查詢向量q、關(guān)鍵詞向量k和值向量v，將查詢向量q、關(guān)鍵詞向量k、值向量v進行h次投影后分別進行attention注意力計算，并使用contact函數(shù)將多維空間內(nèi)的注意力計算結(jié)果進行拼接，最后連接所有子空間的注意力結(jié)果得到多頭自注意力層的最終輸出結(jié)果；

62、歸一化層將歸一化應(yīng)用于個體變量的級數(shù)表示，讓所有變量的特征都處于相對統(tǒng)一的分布；

63、前饋神經(jīng)網(wǎng)絡(luò)層采用多層感知器mlp來實現(xiàn)，使得前饋網(wǎng)絡(luò)作用在整條序列上，提取序列的內(nèi)在屬性。

64、優(yōu)選的，基于改進的itransformer模型，捕捉數(shù)據(jù)集中時間序列間的關(guān)聯(lián)的方法包括：

65、通過改進的itransformer模型將變量的整條時間序列映射為最小建模單位-詞，以變量為主體通過注意力機制自然地挖掘以詞為單位的多變量關(guān)聯(lián)；

66、通過前饋網(wǎng)絡(luò)和歸一化層的配合消除變量間單位不同帶來的差異。

67、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

68、本發(fā)明是一種基于iwoa-itransformer的物料需求預測方法。通過引入差分進化思想的改進鯨魚優(yōu)化算法(iwoa)增加種群候選解的種類，提高鯨魚優(yōu)化算法的尋優(yōu)能力。通過iwoa算法對itransformer模型進行超參數(shù)尋優(yōu)，使得itransformer模型預測效果達到最優(yōu)。