间歇性时间序列的可预测性评估及联合预测方法

作     者：郎祎平 毛文涛 罗铁军 范黎林 任颖莹 刘侠 LANG Yiping;MAO Wentao;LUO Tiejun;FAN Lilin;REN Yingying;LIU Xia

作者机构：河南师范大学计算机与信息工程学院河南新乡453007 “智慧商务与物联网技术”河南省工程实验室(河南师范大学)河南新乡453007 株洲中车时代电气股份有限公司湖南株洲412001 盾构及掘进技术国家重点实验室郑州450001 

出 版 物：《计算机应用》 (journal of Computer Applications)

年 卷 期：2022年第42卷第9期

页      面：2722-2731页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家重点研发计划项目(2018YFB1701400) 国家自然科学基金资助项目(U1704158) 河南省科技攻关项目(212102210103) 

主　　题：需求预测 间歇性时间序列 可预测性评估 时间序列预测 时间序列聚类 

摘      要：在高端制造企业的运维业务中,配件需求随机发生,且伴随有大量的零需求阶段,同时,对应的配件需求数据量小,且呈现出间歇性和块状分布的特点,导致现有时间序列预测方法难以有效预测配件需求走势。为解决该问题,提出了一种间歇性时间序列的可预测性评估及联合预测方法。首先,提出了一种新的间歇相似度指标,通过统计两条序列中“0元素出现的频次和位置,并结合最大信息系数和平均需求间隔等度量指标,有效评估了序列的趋势信息和波动规律,并实现了对间歇性序列可预测性的量化;其次,基于该指标,构建了一个间歇相似度层次聚类方法来自适应地筛选相似性高、可预测性强的序列,剔除极度稀疏、无法预测的序列;此外,探索利用序列间的结构化信息,并构建多输出支持向量回归(M-SVR)模型,从而实现小样本下的间歇性序列联合预测;最后,分别在两个公开数据集(UCI礼品零售数据集和华为电脑配件数据集)和某大型制造企业实际配件售后数据集上进行实验。实验结果表明,相比多个典型的时间序列预测方法,所提方法可有效挖掘各类间歇性序列的可预测性,提高小样本间歇性序列的预测精度,从而为制造企业配件需求预测提供了一种新的解决方案。