本发明属于人工智能与大数据挖掘技术领域，尤其涉及一种仓库管理数据的智能预测方法。
背景技术：
随着计算机应用的普及，计算机技术的不断发展，利用计算机来处理丰富、复杂、变换莫测的数据信息变得越来越有必要。传统的企业仓库管理已不能满足现代化管理的需要。要对仓库管理中入库，出库，查询，统计等事务实现全面、科学、系统的管理。通过这套仓库管理系统了解物资流动情况，能够作出正确的决策，确保资金的安全与正常运作，以提高经济效益。学校每次实践课时都需要到仓库借材料，这就导致了每天都会有大量的材料借出还入记录信息。然而，有时材料会出现供应不足的情况，没有一个有效的分析预测系统，导致无法有效率的统计出材料的损耗状况，时效性不足。要实现快速、低耗的统计分析工作，就要利用现代计算机、数据库技术来实现相应的系统，方便管理人员更加高效、更加便捷的去管理材料信息，提前预测某个材料的使用情况，提前对供应不足的材料进行补充。这对仓库管理的工作效率上有着非常大的意义。目前尚没有能够对材料是否需要提前补给进行预测的方法。
技术实现要素：
为了解决上述技术问题，本发明提供一种仓库管理数据的智能预测方法，本专利的目的是为了实现材料的充足情况的提前预测，根据预测得到的结果，及时补给材料，以确保材料的充足，为每次实践课提供充足的材料资源。朴素贝叶斯分类算法预测可以预测每种材料的状况，包括通过对比某位老师借过材料与未借过材料的概率进行对比得出下次借材料的可能性；预测每位老师借每种材料的可能性，进而提前对材料进行补充。
本发明是通过如下技术方案实现的，本发明提供一种仓库管理数据的智能预测方法，已知某条件概率，如何得到两个事件交换后的概率，也就是在已知p(x|h)的情况下如何求得p(h|x)；通过朴素贝叶斯定理进行分类算法预测，其中朴素贝叶斯定理的计算公式为：
p(h|x)＝p(x|h)p(h)/p(x)
p(x|h)表示事件h已经发生的前提下，事件x发生的概率，叫做事件h发生下事件x的条件概率；
其基本求解公式为：p(x|h)＝p(xh)/p(h)。
朴素贝叶斯定理之所以有用，是因为在生活中经常遇到这种情况：可以很容易直接得出p(x|h)，而p(h|x)却很难直接得出，但我们更关心p(h|x)，贝叶斯定理就为我们打通从p(x|h)获得p(h|x)的道路。
朴素贝叶斯分类是一种十分简单的分类算法，朴素贝叶斯的思想基础是这样的：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。
作为优选，所述朴素贝叶斯定理分类的定义如下：
1)设x＝{x1，x2，……，xn}为一个待分类项，而每个xi为x的一个特征属性；
2)有类别集合c＝{c1，c2，……，cm}；
3)计算p(c1|x)，p(c2|x)，p(c3|x)，……，p(cm|x)；
4)如果p(ci|x)＝max{p(c1|x)，p(c2|x)，p(c3|x)，……，p(cm|x)}，则x应划分为类ci。
作为优选，所述步骤3)中的各个条件概率的计算方法包括：
31)找到一个已知分类的待分类项集合，这个集合叫做训练样本集；
32)统计得到在各类别下各个特征属性的条件概率估计；即
p(x1|c1)，p(x2|c1)……p(xn|c1)，p(x1|c2)，p(x2|c2)，……，p(xn|c2)，……，p(x1|cm)，p(x2|cm)，……，p(xn|cm)。
33)如果各个特征属性是条件独立的，则根据朴素贝叶斯定理有如下推导：
p(ci|x)＝p(x|ci)p(ci)/p(x)；因为分母对于所有类别为常数，所以只要将分子最大化皆可；又因为各特征属性是条件独立的，所以有：
例如预测“某教师张三下周是否要借材料a”，如果通过智能预测系统得出的结论是张三老师借材料a的可能性大于不借材料a的可能性，并且预测出其他老师借材料a的可能性都很大时，就要重点关注材料a是否充足，若不充足就应及时补给材料a。
本发明的有益效果为：
本专利提供了一种智能的预测材料是否需要补充的提前预判方法，本专利的目的是为了实现材料的充足情况的提前预测，根据预测得到的结果，及时补给材料，以确保材料的充足，为每次实践课提供充足的材料资源。朴素贝叶斯分类算法预测可以预测每种材料的状况，包括通过对比某位老师借过材料与未借过材料的概率进行对比得出下次借材料的可能性；预测每位老师借每种材料的可能性，进而提前对材料进行补充。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，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。
下面结合及具体实施例对本发明的应用原理作进一步描述。
实施例1，一种仓库管理数据的智能预测方法，已知某条件概率，如何得到两个事件交换后的概率，也就是在已知p(x|h)的情况下如何求得p(h|x)；通过朴素贝叶斯定理进行分类算法预测，其中朴素贝叶斯定理的计算公式为：
p(h|x)＝p(x|h)p(h)/p(x)
p(x|h)表示事件h已经发生的前提下，事件x发生的概率，叫做事件h发生下事件x的条件概率；
其基本求解公式为：p(x|h)＝p(xh)/p(h)。
朴素贝叶斯定理之所以有用，是因为在生活中经常遇到这种情况：可以很容易直接得出p(x|h)，而p(h|x)却很难直接得出，但我们更关心p(h|x)，贝叶斯定理就为我们打通从p(x|h)获得p(h|x)的道路。
朴素贝叶斯分类是一种十分简单的分类算法，朴素贝叶斯的思想基础是这样的：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。
所述朴素贝叶斯定理分类的定义如下：
1)设x＝{x1，x2，……，xn}为一个待分类项，而每个xi为x的一个特征属性；
2)有类别集合c＝{c1，c2，……，cm}；
3)计算p(c1|x)，p(c2|x)，p(c3|x)，……，p(cm|x)；
4)如果p(ci|x)＝max{p(c1|x)，p(c2|x)，p(c3|x)，……，p(cm|x)}，则x应划分为类ci。
所述步骤3)中的各个条件概率的计算方法包括：
31)找到一个已知分类的待分类项集合，这个集合叫做训练样本集；
32)统计得到在各类别下各个特征属性的条件概率估计；即
p(x1|c1)，p(x2|c1)……p(xn|c1)，p(x1|c2)，p(x2|c2)，……，p(xn|c2)，……，p(x1|cm)，p(x2|cm)，……，p(xn|cm)。
33)如果各个特征属性是条件独立的，则根据朴素贝叶斯定理有如下推导：
p(ci|x)＝p(x|ci)p(ci)/p(x)；因为分母对于所有类别为常数，所以只要将分子最大化皆可；又因为各特征属性是条件独立的，所以有：
以下附表为采集到的借阅者的相关信息表：
附表
以附表上的数据为例，在近期借过材料a的情况下青年教师的概率为：
p(青年|借过)＝2/9＝0.222
在近期借过材料a的情况下教机械设计这门课程的教师的概率为：
p(机械设计|借过)＝4/9＝0.444
在近期借过材料a的情况下有实践课程的教师的概率为：
p(有实践课程|借过)＝6/9＝0.667
在近期借过材料a的情况下信用度中等的教师的概率为：
p(信用度中等|借过)＝6/9＝0.667
那么，p(x|借过)＝0.222*0.444*0.667*0.667＝0.044，x表示教师的特征为：青年、教机械设计这门课程、有实践课程、信用度中等。
同理：
在近期未借过材料a的情况下青年教师的概率为：
p(青年|未借过)＝3/5＝0.6
在近期未借过材料a的情况下教机械设计这门课程的教师的概率为：
p(机械设计|未借过)＝2/5＝0.4
在近期未借过材料a的情况下有实践课程的教师的概率为：
p(有实践课程|未借过)＝1/5＝0.2
在近期未借过材料a的情况下信用度中等的教师的概率为：
p(信用度中等|未借过)＝2/5＝0.4
那么，p(x|未借过)＝0.6*0.4*0.2*0.4＝0.019，x表示教师的特征为：青年、教机械设计这门课程、有实践课程、信用度中等。
所有的老师中，借过材料a的概率为：p(借过)＝9/14＝0.643
未借过材料a的概率为：p(未借过)＝5/14＝0.357
最后，预测一下张三这位老师下周有没有可能借材料a呢？
分析一下张三的特征，张三的特征为x，既满足：青年、教机械设计这门课程、有实践课程、信用度中等；
因此，张三借材料a的概率为：p(借|x)＝p(x|借过)*p(借过)＝0.044*0.643＝0.028
张三不借材料a的概率为：p(不借|x)＝p(x|未借过)*p(借过)＝0.019*0.357＝0.007；
由于0.0288>0.007，所以得出的结论是：张三可能会去借材料a。
以此类推：最终得出每位老师借每种材料的可能性，进而提前对材料进行补充。
当然，上述说明也并不仅限于上述举例，本发明未经描述的技术特征可以通过或采用现有技术实现，在此不再赘述；以上实施例仅用于说明本发明的技术方案并非是对本发明的限制，参照优选的实施方式对本发明进行了详细说明，本领域的普通技术人员应当理解，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换都不脱离本发明的宗旨，也应属于本发明的权利要求保护范围。