本发明涉及备件库存的预测方法，特别涉及资产分类中备品备件定额模型预测方法。
背景技术：
针对备件需求预测中数据波动性大，且多集中于较低数量水平，使得预测值偏差较大的特点。传统的备件需求预测方法主要有基于可靠性的预测方法、基于历史数据的预测方法和基于仿真的预测方法。基于可靠性的备件需求预测方法是根据备件失效机理的不同，即不同的备件具有不同的寿命分布，其对备件的寿命分布有比较严格的假设。基于历史数据的备件需求预测方法是以历史需求数据为样本，通过时间序列法、回归预测法等方法，得到备件需求的变化趋势，进而预测将来一段时间内的备件需求量。通过分析影响备件需求的因素，以历史需求数据为样本，实现对备件需求的预测。基于历史数据的预测方法需要大量的历史数据为依据，适用范围受到很大限制，同时在确定影响因素和设定权重值时带有一定的主观性和随机性。
技术实现要素：
本发明的目的在于提一种基于加权马尔科夫的备件库存定额模型预测方法。用于解决目前针对仓储备件需求预测中数据波动性大，且预测值偏差较大的问题。
本发明采用了如下技术方案：
一种基于加权马尔科夫的备件库存定额模型预测方法，其特征在于，包括以下步骤：
步骤一，利用加权马尔科夫预测备品备件储备定额。
步骤二，构造备件需求的初始数列。
步骤三，划分状态区间。
步骤四，建立状态转移矩阵。
步骤五，确定权值。
步骤六，输出预测值。
进一步，本发明的基于加权马尔科夫的备件库存定额模型预测方法，还可以具有这样的特征：
步骤二中，备件需求初始数列构造设初始数列为
x(0)＝{x(0)(t),t＝1,2,....n}(1)
式中：x(0)(t)为第t个周期的备件需求量；n为数列长度。
进一步，本发明的基于加权马尔科夫的备件库存定额模型预测方法，还可以具有这样的特征：步骤三中，划分状态区间的方法如下：
备件需求的变化过程是随机上升或下降的非稳定随机过程，其符合n阶马尔科夫非平稳随机序列
以式(2)为基准，根据备件需求量预测情况，可将预测序列划分为若干个状态区间，记为
ei＝[e1i,e2i],i＝1,2....,n(3)
式中：
进一步，本发明的基于加权马尔科夫的备件库存定额模型预测方法，还可以具有这样的特征：状态转移矩阵建立的过程如下：设
式中：ai为处于状态i的样本个数；aij为样本中状态i一步转移到状态j的个数，从而可以由样本序列x获得一步转移概率矩阵p(m)为。统计收集到的数据，得到状态i向状态j转移的pij,i,j∈e,e＝{e1,e2,...,en}概率为为状态集合，则状态转移矩阵为
由随机过程理论可知以下结论：
pij(nδ)＝pij[(n-1)δ]·pij(δ)(6)
或
系统的n步转移矩阵可以由n-1步转移矩阵乘上一步转移矩阵求得，也可以由一步转移矩阵的n次方求得。因此：
用yk表示未来k个季节各种需求量状态概率的预测值，则可以建立预测模型如下：
进一步，本发明的基于加权马尔科夫的备件库存定额模型预测方法，还可以具有这样的特征：假定当前季度序列号为l,未来4个季度的总需求量t的预测值为：
由此获得年需求量的概率分布：
py＝{py(i)|i＝0,1,...,4m}(10)
由此可计算当备件满足率为r时的需求量s,，其中：
进一步，本发明的基于加权马尔科夫的备件库存定额模型预测方法，还可以具有这样的特征：
确定权值的过程如下：
1)计算各阶自相关系数，并确定权重。自相关系数计算公式
式中：rk为k阶自相关系数；xi为需求量；
式中：wk为第k阶的权重；j为阶数的集合。
2)对不同步长的转移概率进行加权，得到新的概率分布。利用所得到的权重对不同步长的状态转移概率进行加权，即
pj＝∑wjpj(k),j∈e(14)
式中：pj为第j种预测状态的概率；pj(k)为第k阶第j种预测状态的概率。
根据式可得到在状态空间e中所有状态的概率，形成新的概率分布p＝{pj|j∈e}。
进一步，本发明的基于加权马尔科夫的备件库存定额模型预测方法，还可以具有这样的特征：预测值计算的方法如下：
在pj中选择最大的概率值来确定系统未来状态的转向ei，进而确定预测值的变动区间[e1i,e2i]，则预测值为该区间的中点，即
发明的有益效果
本发明的一种基于加权马尔科夫的备件库存定额模型预测方法，将收集的状态参数进行解析、存储以及特征值提取、去噪、数据融合等一系列分析过程，确定设备维修需求。这些状态检测数据所反映出的设备的使用时间、损耗程度、可能的故障部位及原因等信息，可以在一定程度上用于预测设备未来一段时间内的健康状态以及可能需要更换备件的类型和数量。
本发明的方法能够合理的预测备件需求量，在保证设备正常维修需求的前提下降低备件库存量，对于减少企业资金滞留，提高经济效益，有着重要的意义。
附图说明
图1是本发明的预测方法的流程图。
具体实施方式
以下结合附图来说明本发明的具体实施方式。
如图1所示，基于加权马尔科夫的备件库存定额模型预测方法包括步骤：
步骤11：利用加权马尔科夫预测备品备件储备定额。
步骤12：构造备件需求的初始数列。
步骤13：划分状态区间。
步骤14：建立状态转移矩阵。
步骤15：确定权值。
步骤16：输出预测值。
根据设备维修记录单，使用可靠性理论对维修记录中的部件失效寿命数据进行处理，得到部件失效寿命的概率累积分布函数，再根据部件失效寿命的概率累积分布函数，设备工作时长、实际备件需求量的历史记录、计划员的经验预测值等，与实际备件需求量的历史记录用于比较预测的误差相比较，得到设备备件需求量的预测曲线。
具体包括如下步骤：
(1)备件需求初始数列构造设初始数列为
x(0)＝{x(0)(t),t＝1,2,....n}(1)
式中：x(0)(t)为第t个周期的备件需求量；n为数列长度。
(2)变化区间状态划分
备件需求的变化过程是随机上升或下降的非稳定随机过程，其符合n阶马尔科夫非平稳随机序列：
以式(2)为基准，根据备件需求量预测情况，可将预测序列划分为若干个状态区间，记为
ei＝[e1i,e2i],i＝1,2....,n(3)
式中：
由式(2)可知
(3)状态转移矩阵建立，设
式中：ai为处于状态i的样本个数；aij为样本中状态i一步转移到状态j的个数，从而可以由样本序列x获得一步转移概率矩阵p(m)为。统计收集到的数据，得到状态i向状态j转移的概率为为pij,i,j∈e,e＝{e1,e2,...,en}状态集合，则状态转移矩阵为
由随机过程理论可知以下结论：
pij(nδ)＝pij[(n-1)δ]·pij(δ)(6)
或
系统的n步转移矩阵可以由n-1步转移矩阵乘上一步转移矩阵求得，也可以由一步转移矩阵的n次方求得。因此：
用yk表示未来k个季节各种需求量状态概率的预测值，则可以建立预测模型如下：
假定当前季度序列号为l,未来4个季度的总需求量t的预测值为：
由此获得年需求量的概率分布：
py＝{py(i)|i＝0,1,...,4m}(10)
由此可计算当备件满足率为r时的需求量s,其中：
(4)权值确定
1)计算各阶自相关系数，并确定权重。自相关系数计算公式
式中：rk为k阶自相关系数；xi为需求量；
式中：wk为第k阶的权重；j为阶数的集合。
2)对不同步长的转移概率进行加权，得到新的概率分布。利用所得到的权重对不同步长的状态转移概率进行加权，即
pj＝∑wjpj(k),j∈e(14)式中：pj为第j种预测状态的概率；pj(k)为第k阶第j种预测状态的概率。
根据式可得到在状态空间e中所有状态的概率，形成新的概率分布。
p＝{pj|j∈e}
(5)预测值计算
在pj中选择最大的概率值来确定系统未来状态的转向ei，进而确定预测值的变动区间[e1i,e2i]，则预测值为该区间的中点，即
以下举一具体实例来说明本发明的预测方法：
t1,t2,...,tn-2表示过去时刻，tn-1表示现在时刻，需求备件消耗过程{x(t),t∈[0,+∞]}在t1,t2,...,tn-1的取值分别为x1,x2,...,xn-1，则将来时刻tn的状态x(tn)的统计特性取决于现在时刻tn-1的状态，与过去时刻无关。x＝{x1,x2,...,xn}，令xmax＝max{xi|i＝1,2,...,n}＝m,并假定x＞m为小概率事件，可以忽略，则季度需求量有m+1种状态：{0,1,2,...,m}。用向量c来表示当前季度各种状态出现的概率，记为c＝(c0,c1,...,cm)。若当前季度的消耗量xn＝i，则ci＝1,cj＝0,i,j∈{0,1,2,...,m}且i≠j，于是可以通过求转移概率矩阵来推导未来几个季度各种需求量状态出现的概率。对未来4个季度备件需求量各种状态的概率求和可以得到未来一年备件需求量的概率分布。
在具体应用时，步骤如下：
1)输入需求量备件消耗的历史数据组成的时间序列x＝(x1,x2,...,xn)，确定历史消耗数量的最大值m，即xmax＝m。设定初始值，令初始值m＝0，年消耗个数为i的概率p(i)＝0,i＝(0,1,...,4m)，同时记录最近季度备件的消耗数h，并设向量c＝(0,0,..,1,...,0),其中“1”位于第h+1列；
2)输入一步转移概率矩阵p(1),分别计算出2，3，4步转移矩阵p(2)、p(3)、p(4)，根据向量c的值，求出akn的值；
3)确定初始值，令m＝m+1，随机生成4个在(0，1)上均匀分布的随机数r1,r2,r3,r4；
4)确定未来第1个季度的备件消耗(k＝1)；
若0＜r1≤a10，则x1＝0；
若a10＜r1≤a10+a11，则x1＝1；
若a10+a11＜r1≤a10+a11+a12，则x1＝2；
若a10+a11+a12＜r1≤a10+a11+a12+a13，则x1＝3；
5)同步骤4可预测未来第2，3，4季度的备件消耗数；x2,x3,x4p(i)＝p(i)+f(t＝i)，其中i＝0,1,2,...,4m,t为4个季度的总消耗量；t＝x1+x2+x3+x4,f(t＝i)为条件函数，若t＝i,则f(t＝i)＝1，反之则等于0；
输出计算结果：py(i)＝p(i)/n。
更具体的，针对某灯管2013-2017年度中的20个季度的消耗量为x＝{0,3,0,2,1,2,1,2,0,3,1,0,0,1,2,0,3,1,0,1}，由x可。
根据消耗序列，当前月该备件消耗量为1，所以各种状态出现的概率为c＝(0,1,0,0)，由式可以分别计算未来k季度各种需求量状态概率的预测值yk。
根据上面给出的计算步骤可以预测下一年该灯管的需求量为i的概率py(i)，见表1。
表1概率对应表
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。