基于AutoML的钢材多品种需求预测方法及设备与流程

本发明属于供应链数据处理领域，涉及一种需求预测方法，尤其是涉及一种基于automl的钢材多品种需求预测方法及设备。

背景技术：

1、随着工业互联网的发展，钢铁行业下游供应链也迎来转型和升级，对于其主要原料钢材的生产组织方式也亟需随之改变，需要钢铁生产企业从刚性的以产定销的生产组织方式转变为柔性的产销平衡的生产组织方式。需利用与下游供应链企业制造工业品过程的信息互通，结合有效的技术手段，挖掘工业品生产数据的规律，提前对未来一定时期，钢铁行业下游供应链的钢材多品种需求量进行预测，提高钢材生产企业的钢材生产效率和产能资源利用率，更快速、及时地满足下游供应链的钢材消耗需求。

2、但目前对下游供应链的需求分析、处理和决策的技术手段较为落后，对智慧供应链中收集到的下游供应链企业工业品生产数据，依靠人工经验或简单的数学公式对相应的钢材品种的需求进行预测，而在其他领域，在通过各类大数据预测技术手段进行需求预测时，更多的考虑的是企业盈利、成本情况。

3、另外，不同类型钢材品类由于下游各个行业厂家应用端的需求和生产节奏、库存管理的节奏都差异较大，且不同区域钢厂的产线产能存在差异。供给端和需求端的差异共同导致了市场对厂家各钢材品种需求的差异性。由于这种多钢材需求的差异性，当前的需求预测解决方案通常由专家构建，需要大量的手动工作，包括针对各个需求预测场景进行特征工程、模型构建和超参数调整。

4、因此针对各钢材品类需求预测场景独立构建模型存在人力成本高、效率低和算法建模人员业务经验要求高的问题，对扩展钢材需求应用场景造成困难。

5、综上所述，现有的钢材多品种需求预测方法不能提高生产效率和产能资源利用率，不能满足智慧供应链工业品生产到钢铁生产企业钢材多品种需求储备和排产的智能联动。同时现有需求预测模型从头对特定钢厂的钢材品类需求预测任务建立预测模型仍然非常耗费时间和资源，需要丰富的业务经验。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种提高预测效率和预测效果、实施方便的基于automl的钢材多品种需求预测方法及设备。

2、本发明的目的可以通过以下技术方案来实现：

3、一种基于automl的钢材多品种需求预测方法，包括以下步骤：

4、获取待预测场景信息，基于automl流程，从预先配置的需求预测场景候选策略空间中搜索获得待预测场景对应的最优模型策略组合；

5、基于所述最优模型策略组合进行待预测场景下的多品种需求预测。

6、所述需求预测场景候选策略空间包括场景候选数据集、场景候选特征候选池、场景预测子模型库和场景模型融合策略库。

7、所述场景预测子模型库包括传统统计时间序列模型库、机器学习模型库和深度学习模型库。

8、进一步地，所述从所述需求预测场景候选策略空间中搜索待预测场景对应的最优模型策略组合时，基于预先配置的场景搜索策略评估准则确定所述最优模型策略组合。

9、进一步地，所述场景搜索策略评估准则包括均方根误差、平均绝对缩放误差指标和/或平均绝对百分比误差。

10、进一步地，基于automl流程，搜索获得待预测场景对应的所述最优模型策略组合的过程包括：

11、基于待预测场景信息，从场景候选数据集和场景候选特征候选池中生成第一样本数据；

12、基于特征重要性对所述第一样本数据进行自动选择，生成第二样本数据；

13、基于所述第二样本数据构建训练集，对所述场景预测子模型库中的各子模型进行训练，获得各子模型的最优参数；

14、基于场景模型融合策略库中的不同融合策略对各子模型进行融合处理，搜索最优融合策略；

15、获取最优子模型及最优融合策略，作为所述最优模型策略组合。

16、进一步地，所述融合策略包括规则策略、集成学习策略和元学习策略。

17、进一步地，所述待预测场景信息包括预测钢厂、预测钢材品种和预测时间段。

18、进一步地，所述待预测场景对应的最优模型策略组合的获取通过离线运行模式实现。

19、本发明还提供一种电子设备，包括：

20、一个或多个处理器；

21、存储器；和

22、被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述基于automl的钢材多品种需求预测方法的指令。

23、与现有技术相比，本发明具有以下有益效果：

24、1、本发明基于automl实现样本数据构建、特征选择、模型训练和融合策略选择等流程，自动化程度高，有效降低了扩展新钢厂和新钢材等场景的钢材需求量预测模型的应用成本，提高了预测效率，提升了应用效果。

25、2、本申请设置有于场景预测子模型库和场景模型融合策略库，能够通过不同模型的结果融合，有效提升针对不同场景的预测准确性。

26、3、应用本发明实现需求预测时，开发人员只需要聚焦在建设数据集引入、特征算子库、子模型库、融合模型库的策略调研和工程开发上，而业务应用人员聚焦在对新场景用已有的策略库配置候选策略集，实施方便，能够快速高效地产出预测效果好的预测模型和预测清单。

技术特征：

1.一种基于automl的钢材多品种需求预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于automl的钢材多品种需求预测方法，其特征在于，所述需求预测场景候选策略空间包括场景候选数据集、场景候选特征候选池、场景预测子模型库和场景模型融合策略库。

3.根据权利要求2所述的基于automl的钢材多品种需求预测方法，其特征在于，所述场景预测子模型库包括传统统计时间序列模型库、机器学习模型库和深度学习模型库。

4.根据权利要求1所述的基于automl的钢材多品种需求预测方法，其特征在于，所述从所述需求预测场景候选策略空间中搜索待预测场景对应的最优模型策略组合时，基于预先配置的场景搜索策略评估准则确定所述最优模型策略组合。

5.根据权利要求4所述的基于automl的钢材多品种需求预测方法，其特征在于，所述场景搜索策略评估准则包括均方根误差、平均绝对缩放误差指标和/或平均绝对百分比误差。

6.根据权利要求2所述的基于automl的钢材多品种需求预测方法，其特征在于，基于automl流程，搜索获得待预测场景对应的所述最优模型策略组合的过程包括：

7.根据权利要求6所述的基于automl的钢材多品种需求预测方法，其特征在于，所述融合策略包括规则策略、集成学习策略和元学习策略。

8.根据权利要求1所述的基于automl的钢材多品种需求预测方法，其特征在于，所述待预测场景信息包括预测钢厂、预测钢材品种和预测时间段。

9.根据权利要求1所述的基于automl的钢材多品种需求预测方法，其特征在于，所述待预测场景对应的最优模型策略组合的获取通过离线运行模式实现。

10.一种电子设备，其特征在于，包括：

技术总结
本发明涉及一种基于AutoML的钢材多品种需求预测方法及设备，所述方法包括以下步骤：获取待预测场景信息，基于AutoML流程，从预先配置的需求预测场景候选策略空间中搜索获得待预测场景对应的最优模型策略组合；基于所述最优模型策略组合进行待预测场景下的多品种需求预测。与现有技术相比，本发明具有提高预测效率和预测效果、实施方便等优点。

技术研发人员：陈帅华,王汇丰,顾永兴,易力,潘智军,程夏莹,施杰,黄剑峰,冯陈卿
受保护的技术使用者：欧冶云商股份有限公司
技术研发日：
技术公布日：2024/1/15