一种备件量预测方法及装置

技术领域

本申请涉及计算机技术领域，特别涉及一种备件量预测方法及装置。

背景技术

备件是指生产设备在正常运行的情况下，为保证安全生产必须预先储备的设备、部件、材料和配件。目前在生产厂商、面向消费者的商场等方面均需要进行产品的备件管理，使得产品的备件的数量能够满足合理的消耗。其中，进行有效的备件管理可以基于对在未来时间内的备件数量做出的预测的结果。

但是，如何对备件数量进行预测成为问题。

发明内容

本申请提供如下技术方案：

本申请提供一种备件量预测方法，包括：

将待预测产品的各个备件在当前时刻的数据输入到预训练好的特征提取模型中，得到所述特征提取模型确定的各个所述备件的第一特征，所述第一特征用于表征各个所述备件的当前数量及各个所述备件与其它所述备件之间的关系，及所述待预测产品在不同时刻的备件量变化情况；

至少将各个所述备件的第一特征输入到预测模型中，得到所述预测模型确定的各个所述备件在当前时刻之后的指定时间段的备件量数据，所述预测模型用于基于所述特征提取模型根据各个所述备件的历史数据所确定的各个所述备件的第一特征，确定各个所述备件在未来时间段的备件量数据。

至少将各个所述备件的第一特征输入到预测模型中，得到所述预测模型确定的各个所述备件在当前时刻之后的指定时间段的备件量数据，包括：

获得所述待预测产品对应的第二特征，所述第二特征为基于所述待预测产品在当前时刻的关联数据确定得到的，所述关联数据与所述待预测产品的备件的备件量相关；

将各个所述备件的第一特征及所述待预测产品对应的第二特征输入到预测模型中，得到所述预测模型确定的各个所述备件在当前时刻之后的指定时间段的备件量数据。

将各个所述备件的第一特征及所述待预测产品对应的第二特征输入到预测模型中，得到所述预测模型确定的各个所述备件在当前时刻之后的指定时间段的备件量数据，包括：

对各个所述备件的第一特征及所述待预测产品对应的第二特征进行组合，得到组合特征，将所述组合特征输入到预测模型中，得到所述预测模型确定的各个所述备件在当前时刻之后的指定时间段的备件量数据。

获得所述待预测产品对应的第二特征，包括：

获取所述待预测产品在当前时刻的关联数据；

基于所述关联数据构建得到知识图谱；

基于所述知识图谱，确定得到至少一个关联要素；

从至少一个关联要素中确定出满足设定条件的关联要素，以确定为第二特征。

基于所述知识图谱，确定得到至少一个关联要素，包括：

基于图结构推理算法从所述知识图谱中确定出图结构推理要素和所述图结构推理要素的第一分数；

基于关联规则挖掘算法从所述知识图谱中确定出关联规则挖掘要素和所述关联规则挖掘要素的第一分数；

从至少一个关联要素中确定出满足设定条件的关联要素，包括：

对所述图结构推理要素和所述关联规则挖掘要素进行打分，得到所述图结构推理要素的第二分数和所述关联规则挖掘要素的第二分数；

将所述图结构推理要素的第一分数、第二分数和所述关联规则挖掘要素的第一分数和第二分数输入到投票回归器，得到所述投票回归器确定的分数排列在前n个的要素。

所述特征提取模型通过以下方式预训练得到：

获取所述待预测产品对应的第一训练数据和第二训练数据；

基于所述第一训练数据和所述第二训练数据，确定特征提取模型对应的第一任务的第一损失函数值和第二任务的第二损失函数值，所述第一任务用于确定各个备件在当前时刻之前的第一指定时间段内的备件数量及各个所述备件之间关系，所述第二任务用于确定所述待预测产品在不同时刻的历史备件量变化情况；

在所述第一损失函数值和所述第二损失函数值满足设定阈值的情况下，结束预训练；

在所述第一损失函数值和所述第二损失函数值不满足所述设定阈值的情况下，调整所述特征提取模型的参数，返回执行获取所述待预测产品对应的第一训练数据和第二训练数据的步骤。

所述第一训练数据包括：对待预测产品的各个所述备件中至少一个备件在当前时刻之前的第一指定时间段内的备件数据进行修改，得到的各个所述备件的待使用备件数据；

所述第二训练数据，包括：所述待预测产品在当前时刻之前的第二指定时间段内的第一时间序列和第二时间序列，所述第一时间序列和所述第二时间序列连续或不连续；

所述基于所述第一训练数据和所述第二训练数据，确定特征提取模型对应的第一任务的第一损失函数值和第二任务的第二损失函数值，包括：

交替执行基于特征提取模型提取各个所述备件的待使用备件数据的第三特征，基于所述第三特征确定第一任务的第一损失函数值的步骤和基于所述特征提取模型提取所述第一时间序列和所述第二时间序列的第四特征，基于所述第四特征确定第二任务的第二损失函数值的步骤。

所述预测模型通过以下方式训练得到：

获取所述待预测产品的各个备件在第三指定时间段内的备件数据；

基于所述特征提取模型提取所述待预测产品的各个备件在第三指定时间段内的备件数据的特征；

将所述待预测产品的各个备件在第三指定时间段内的备件数据的特征输入预测模型，得到所述预测模型确定的各个所述备件在所述第三指定时间段之后的第四指定时间段内的备件量数据；

在所述第四指定时间段内的备件量数据和各个所述备件在所述第四指定时间段内的实际备件量数据的差异在设定阈值范围内的情况下，结束训练；

在所述第四指定时间段内的备件量数据和各个所述备件在所述第四指定时间段内的实际备件量数据的差异未在所述设定阈值范围内的情况下，调整所述预测模型的参数，返回执行获取所述待预测产品的各个备件在第三指定时间段内的备件数据的步骤。

所述备件量预测方法基于预测架构执行，所述预测架构包括：预训练模块、用户交互接口和预测模块；

所述预训练模块用于运行所述特征提取模型；

所述用户交互接口，用于获得用户对所述图结构推理要素和所述关联规则挖掘要素所作的评价，以使得基于所述评价对所述图结构推理要素和所述关联规则挖掘要素进行打分；

所述预测模块，用于运行所述预测模型。

本申请另一方面提供一种备件量预测装置，包括：

特征提取单元，用于在待预测产品的各个备件在当前时刻的数据输入到预训练好的特征提取模型中的情况下，得到所述特征提取模型确定的各个所述备件的第一特征，所述第一特征用于表征各个所述备件的当前数量及各个所述备件与其它所述备件之间的关系，及所述待预测产品在不同时刻的备件量变化情况；

预测单元，用于至少在各个所述备件的第一特征输入到预测模型中的情况下，得到所述预测模型确定的各个所述备件在当前时刻之后的指定时间段的备件量数据，所述预测模型用于基于所述特征提取模型根据各个所述备件的历史数据所确定的各个所述备件的第一特征，确定各个所述备件在未来时间段的备件量数据。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请第一实施方式提供的一种备件量预测方法的流程示意图；

图2是本申请第一实施方式提供的一种备件量预测方法的实施场景示意图；

图3是本申请提供的一种特征提取模型的预训练示意图；

图4是本申请第二实施方式提供的一种备件量预测方法的流程示意图；

图5是是本申请第二实施方式提供的一种备件量预测方法的实施场景示意图；

图6是本申请第三实施方式提供的一种备件量预测方法的流程示意图；

图7是本申请提供的一种确定待预测产品对应的第二特征的实施示意图；

图8是本申请提供的一种预测架构的结构示意图；

图9是本申请提供的一种备件量预测装置的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

参照图1，为本申请第一实施方式提供的一种备件量预测方法的流程示意图，该方法可以应用于电子设备，本申请对电子设备的产品类型不做限定，如图1所示，该方法可以包括但并不局限于以下步骤：

步骤S101、将待预测产品的各个备件在当前时刻的数据输入到预训练好的特征提取模型中，得到特征提取模型确定的各个备件的第一特征，第一特征用于表征各个备件的当前数量及各个备件与其它备件之间的关系，及待预测产品在不同时刻的备件量变化情况。

待预测产品的各个备件在当前时刻的数据，可以包括：待预测产品的各个备件在当前时刻的备件标识和数量。

本实施方式，可以对特征提取模型进行预训练，使得特征提取模型可以基于待预测产品的各个备件的历史数据，学习到待预测产品的各个备件的数量及各个备件与其它备件之间的关系，及待预测产品在不同时刻的备件量变化情况，基于学习到的上述知识，确定各个备件的第一特征。

可以理解的是，各个备件各自的第一特征用于表征备件的当前数量及备件与其它备件之间的关系，各个备件的第一特征所组成的整体用于表征待预测产品在不同时刻的备件量变化情况。其中，待预测产品在不同时刻的备件量变化情况至少可以包括：待预测产品在相邻两个时刻的备件量变化情况。

步骤S102、至少将各个备件的第一特征输入到预测模型中，得到预测模型确定的各个备件在当前时刻之后的指定时间段的备件量数据，预测模型用于基于特征提取模型根据各个备件的历史数据所确定的各个备件的第一特征，确定各个备件在未来时间段的备件量数据。

本实施方式中，当前时刻之后的指定时间段可以仅包括一个指定时刻，或，一个指定时刻和另一个指定时刻之间的时间范围。

本实施方式中，至少将各个备件的第一特征输入到预测模型中，得到预测模型确定的各个备件在当前时刻之后的指定时间段的备件量数据之后，还可以基于预测模型当前确定的各个备件在当前时刻之后的指定时间段的备件量数据，预测在当前时刻之后的指定时间段之后时间段的备件量数据，以预测各个备件在当前时刻之后的多个连续的指定时间段的备件量数据。

基于预测模型当前确定的各个备件在当前时刻之后的指定时间段的备件量数据，预测当前时刻之后的指定时间段之后时间段的备件量数据的过程可以参见步骤S101-S102的相关介绍，在此不再赘述。

例如，如图2所示，若当前时刻为t时刻，将待预测产品的各个备件在t的数据(表示为Part

本实施方式中，可以基于预训练好的特征提取模型根据各个备件的历史数据所确定的各个备件的第一特征，对预测模型进行训练，使得预测模型可以学习到基于更丰富的信息(如，各个备件的数量及与备件存在关系的其它备件的数量及待预测产品在不同时刻的备件量变化情况)，对各个备件在未来时间段的备件量数据进行预测。

各个备件在当前时刻之后的指定时间段的备件量数据，可以理解为：各个备件在当前时刻之后的指定时间段的储备数量。

在本实施方式中，预测模型用于基于特征提取模型根据各个备件的历史数据所确定的各个备件的第一特征，确定各个备件在未来时间段的备件量数据，使得预测模型能学习到基于更丰富的信息(如，各个备件的数量及与备件存在关系的其它备件的数量及待预测产品在不同时刻的备件量变化情况)做出预测，保证预测的准确性，在此基础上，将待预测产品的各个备件在当前时刻的数据输入到预训练好的特征提取模型中，得到特征提取模型确定的各个备件的第一特征，将各个备件的第一特征输入到预测模型中，保证预测模型确定的各个所述备件在当前时刻之后的指定时间段的备件量数据更加准确。

并且，预测模型基于预训练好的特征提取模型训练得到，可以克服预测模型训练时间过长问题。

作为本申请另一可选实施例，主要是对上述第一实施方式中特征提取模型的预训练过程进行介绍，特征提取模型可以通过但不局限于以下方式预训练得到：

S201、获取待预测产品对应的第一训练数据和第二训练数据。

第一训练数据和第二训练数据不同。第一训练数据和第二训练数据可以供不同的任务使用，不同的任务基于第一训练数据和第二训练数据对特征提取模型进行训练。

第一训练数据可以包括但不局限于：对待预测产品的各个备件中至少一个备件在当前时刻之前的第一指定时间段内的备件数据进行修改，得到的各个备件的待使用备件数据。

备件在当前时刻之前的第一指定时间段内的备件数据可以包括：备件在当前时刻之前的第一指定时间段内的备件标识和数量。

本实施方式中，对各个备件中至少一个备件在当前时刻之前的第一指定时间段内的备件数据进行修改，可以包括但不局限于：

S2011、利用隐藏标识替换各个备件中至少一个备件在当前时刻之前的第一指定时间段内的备件数据。

对各个备件中至少一个备件在当前时刻之前的第一指定时间段内的备件数据进行修改，也可以包括但不局限于：

S2012、利用设定备件量数据替换各个备件中至少一个备件在当前时刻之前的第一指定时间段内的备件数据中的备件量数据。

例如，在t时刻待预测产品的各个备件的备件数据可以表示为：Part

第二训练数据，可以包括但不局限于：待预测产品在当前时刻之前的第二指定时间段内的第一时间序列和第二时间序列，第一时间序列和第二时间序列连续或不连续。

例如，第一时间序列可以表示为PROD

S202、基于第一训练数据和第二训练数据，确定特征提取模型对应的第一任务的第一损失函数值和第二任务的第二损失函数值，第一任务用于确定各个备件在当前时刻之前的第一指定时间段内的备件数量及各个备件之间关系，第二任务用于确定待预测产品在不同时刻的历史备件量变化情况。

可以理解的是，待预测产品中存在关系的至少两个备件的备件量也会相应存在一定关系(比如，待预测产品的某型号电池备件量有可能与某型号充电器备件量有某种程度正比关系，或者，主板备件量与CPU备件量有某种关系，或者，某系列主板替换会影响粘胶的备件量)，基于上述备件与备件量之间的联系，本实施方式可以设置第一任务和第二任务。

第一任务可以基于上述各个备件的待使用备件数据，预测被修改的备件的备件数据，以训练特征提取模型，使得特征提取模型学习到各个备件在当前时刻之前的第一指定时间段内的备件数量及各个备件之间关系。

第二任务可以预测第一时间序列和第二时间序列是否连续，以训练特征提取模型，使得特征提取模型学习到待预测产品在不同时刻的历史备件量变化情况。

例如，如图3所示，第一任务可以在Part

本步骤，可以包括但不局限于：

S2021、交替执行基于特征提取模型提取各个备件的待使用备件数据的第三特征，基于所述第三特征确定第一任务的第一损失函数值的步骤和基于特征提取模型提取第一时间序列和第二时间序列的第四特征，基于第四特征确定第二任务的第二损失函数值的步骤。

本实施例中，特征提取模型可以为但不局限于：自编码模型。

S2023、在第一损失函数值和第二损失函数值满足设定阈值的情况下，结束预训练。

第一损失函数值和第二损失函数值满足设定阈值，可以包括但不局限于：第一损失函数值和第二损失函数值之和满足设定阈值。

S2034、在第一损失函数值和第二损失函数值不满足设定阈值的情况下，调整特征提取模型的参数，返回执行步骤S201。

作为本申请另一可选实施例，主要是对上述第一实施方式中预测模型的训练过程进行介绍，预测模型可以通过但不局限于以下方式训练得到：

S301、获取待预测产品的各个备件在第三指定时间段内的备件数据。

备件在第三指定时间段内的备件数据可以包括但不局限于：备件在第三指定时间段内的备件标识和数量。

S302、基于特征提取模型提取待预测产品的各个备件在第三指定时间段内的备件数据的特征。

本实施方式中，特征提取模型为上述预训练好的特征提取模型。

S203、将待预测产品的各个备件在第三指定时间段内的备件数据的特征输入预测模型，得到预测模型确定的各个备件在第三指定时间段之后的第四指定时间段内的备件量数据。

各个备件在第三指定时间段之后的第四指定时间段内的备件量数据，可以理解为：各个备件在第三指定时间段之后的第四指定时间段内的储备数量。

本实施方式中，预测模型可以为但不局限于：LSTM(长短期记忆，long-short termmemory)模型。

S304、在第四指定时间段内的备件量数据和各个备件在第四指定时间段内的实际备件量数据的差异在设定阈值范围内的情况下，结束训练。

设定阈值范围可以根据需要进行设置，在本申请中不做限制。

S305、在第四指定时间段内的备件量数据和各个备件在第四指定时间段内的实际备件量数据的差异未在设定阈值范围内的情况下，调整预测模型的参数，返回执行步骤S301。

作为本申请另一可选实施例，参照图4，为本申请第二实施方式提供的一种备件量预测方法的流程示意图，本实施例主要是对上述第一实施方式中步骤S102的细化方案，如图4所示，步骤S102可以包括但不局限于以下步骤：

步骤S1021、获得待预测产品对应的第二特征，第二特征为基于待预测产品在当前时刻的关联数据确定得到的。

关联数据与待预测产品的备件的备件量相关，例如，关联数据可以包括：商场的地理位置和节假日的售卖情况等数据。

步骤S1022、将各个备件的第一特征及待预测产品对应的第二特征输入到预测模型中，得到预测模型确定的各个备件在当前时刻之后的指定时间段的备件量数据。

预测模型用于基于特征提取模型根据各个备件的历史数据所确定的各个备件的第一特征和待预测产品对应的第二特征，确定各个所述备件在未来时间段的备件量数据。

本步骤可以包括但不局限于：

S10221、对各个备件的第一特征及待预测产品对应的第二特征进行组合，得到组合特征，将组合特征输入到预测模型中，得到预测模型确定的各个备件在当前时刻之后的指定时间段的备件量数据。

对各个备件的第一特征及待预测产品对应的第二特征进行组合，可以包括但不局限于：

对各个备件的第一特征及待预测产品对应的第二特征进行拼接；

或者，基于待预测产品对应的第二特征对各个备件的第一特征进行修正。

在本实施方式中，预测模型可以通过但不局限于以下方式训练得到：

S401、获取待预测产品的各个备件在第三指定时间段内的备件数据。

备件在第三指定时间段内的备件数据可以包括但不局限于：备件在第三指定时间段内的备件标识和数量。

S402、基于特征提取模型提取待预测产品的各个备件在第三指定时间段内的备件数据的特征。

本实施方式中，特征提取模型为上述预训练好的特征提取模型。

步骤S403、获得待预测产品对应的第二特征，第二特征为基于待预测产品在当前时刻的关联数据确定得到的。

S404、将待预测产品的各个备件在第三指定时间段内的备件数据的特征及待预测产品对应的第二特征输入预测模型，得到预测模型确定的各个备件在第三指定时间段之后的第四指定时间段内的备件量数据。

各个备件在第三指定时间段之后的第四指定时间段内的备件量数据，可以理解为：各个备件在第三指定时间段之后的第四指定时间段内的储备数量。

S405、在第四指定时间段内的备件量数据和各个备件在第四指定时间段内的实际备件量数据的差异在设定阈值范围内的情况下，结束训练。

设定阈值范围可以根据需要进行设置，在本申请中不做限制。

S406、在第四指定时间段内的备件量数据和各个备件在第四指定时间段内的实际备件量数据的差异未在设定阈值范围内的情况下，调整预测模型的参数，返回执行步骤S401。

本实施方式中，将各个备件的第一特征及待预测产品对应的第二特征输入到预测模型中，得到预测模型确定的各个备件在当前时刻之后的指定时间段的备件量数据之后，还可以基于预测模型当前确定的各个备件在当前时刻之后的指定时间段的备件量数据，预测在当前时刻之后的指定时间段之后时间段的备件量数据，以预测各个备件在当前时刻之后的多个连续的指定时间段的备件量数据。

基于预测模型当前确定的各个备件在当前时刻之后的指定时间段的备件量数据，预测当前时刻之后的指定时间段之后时间段的备件量数据的过程可以参见步骤S101-S102的相关介绍，在此不再赘述。

例如，如图5所示，若当前时刻为t时刻，将待预测产品的各个备件在t的数据(表示为Part

在本实施方式中，预测模型用于基于特征提取模型根据各个备件的历史数据所确定的各个备件的第一特征和待预测产品对应的第二特征，确定各个备件在未来时间段的备件量数据，使得预测模型能学习到基于更丰富的信息(如，各个备件的数量及与备件存在关系的其它备件的数量及待预测产品在不同时刻的备件量变化情况及其它关联数据对备件量的影响)做出预测，保证预测的准确性，在此基础上，将待预测产品的各个备件在当前时刻的数据输入到预训练好的特征提取模型中，得到特征提取模型确定的各个备件的第一特征，获得待预测产品对应的第二特征，将各个备件的第一特征及待预测产品对应的第二特征输入到预测模型中，保证预测模型确定的各个所述备件在当前时刻之后的指定时间段的备件量数据更加准确。

并且，预测模型基于预训练好的特征提取模型训练得到，可以克服预测模型训练时间过长问题。

作为本申请另一可选实施例，参照图6，为本申请第三实施方式提供的一种备件量预测方法的流程示意图，本实施例主要是对上述第二实施方式中步骤S1021的细化方案，如图6所示，步骤S1021可以包括但不局限于以下步骤：

步骤S10211、获取待预测产品在当前时刻的关联数据。

本实施方式中，待预测产品在当前时刻的关联数据可以包括但不局限于：待预测产品对应的销售知识、销售事件信息(如，促销活动事件信息)和商场的位置信息中至少一种。

步骤S10212、基于关联数据构建得到知识图谱。

知识图谱可以包含各个能影响备件量的要素与待预测产品的备件量之间的关联关系。

步骤S10213、基于知识图谱，确定得到至少一个关联要素。

本步骤可以包括但不局限于：

S102131、基于图结构推理算法从知识图谱中确定出图结构推理要素和图结构推理要素的第一分数。

本实施方式中，可以基于图结构推理算法得到知识图谱中每个要素的第一分数，按照分数从高到低的顺序对每个要素的第一分数进行排序，将排列在前i个的要素确定为图结构推理要素，i可以根据需要进行设置，在本申请中不做限制。

S102131、基于关联规则挖掘算法从知识图谱中确定出关联规则挖掘要素和关联规则挖掘要素的第一分数。

本实施方式中，可以基于关联规则挖掘算法得到知识图谱中每个要素的第一分数，按照分数从高到低的顺序对每个要素的第一分数进行排序，将排列在前j个的要素确定为关联规则挖掘要素，j可以根据需要进行设置，在本申请中不做限制。

步骤S10214、从至少一个关联要素中确定出满足设定条件的关联要素，以确定为第二特征。

对应步骤S102131-S102132的实施方式，本步骤可以包括但不局限于：

S102141、对图结构推理要素和关联规则挖掘要素进行打分，得到图结构推理要素的第二分数和关联规则挖掘要素的第二分数。

本实施方式中，可以获得用户对图结构推理要素和关联规则挖掘要素所作的评价，基于评价对图结构推理要素和关联规则挖掘要素进行打分，得到图结构推理要素的第二分数和关联规则挖掘要素的第二分数。

具体地，可以基于层次分析法和用户对图结构推理要素和关联规则挖掘要素所作的评价，对图结构推理要素和关联规则挖掘要素进行打分。

S102142、将图结构推理要素的第一分数、第二分数和关联规则挖掘要素的第一分数和第二分数输入到投票回归器，得到投票回归器确定的分数排列在前n个的要素。

本实施方式中，如图7所示，将图结构推理要素的第一分数、第二分数和关联规则挖掘要素的第一分数和第二分数输入到投票回归器，投票回归器可以基于各个图结构推理要素的第一分数和第二分数，确定各个图结构推理要素的分数，以及基于各个关联规则挖掘要素的第一分数和第二分数，确定各个关联规则挖掘要素的分数，按照分数从高到低的顺序对各个图结构推理要素和各个关联规则挖掘要素进行排列，得到分数排列在前n个的要素。

基于图结构推理要素的第一分数和第二分数，确定图结构推理要素的分数，可以包括但不局限于：

计算图结构推理要素的第一分数和第二分数的平均值，将平均值确定为图结构推理要素的分数。

基于关联规则挖掘要素的第一分数和第二分数，确定关联规则挖掘要素的分数，可以包括但不局限于：

计算关联规则挖掘要素的第一分数和第二分数的平均值，将平均值确定为关联规则挖掘要素的分数。

如图8所示，本实施方式中，备件量预测方法可以基于预测架构执行，预测架构包括：预训练模块、用户交互接口和预测模块；

所述预训练模块用于运行所述特征提取模型；

所述用户交互接口，用于获得用户对所述图结构推理要素和所述关联规则挖掘要素所作的评价，以使得基于所述评价对所述图结构推理要素和所述关联规则挖掘要素进行打分；

所述预测模块，用于运行所述预测模型。

其中，用户交互接口可以连接预测架构中的知识图谱要素模块，如图8所示，在知识图谱要素模块基于知识图谱接口获取待预测产品在当前时刻的关联数据，基于关联数据构建得到知识图谱，基于图结构推理算法从知识图谱中确定出图结构推理要素和图结构推理要素的第一分数，基于关联规则挖掘算法从知识图谱中确定出关联规则挖掘要素和关联规则挖掘要素的第一分数的基础上，通过用户交互接口获得用户对图结构推理要素和关联规则挖掘要素所作的评价，知识图谱要素模块基于评价对图结构推理要素和关联规则挖掘要素进行打分，得到图结构推理要素的第二分数和关联规则挖掘要素的第二分数，将图结构推理要素的第一分数、第二分数和关联规则挖掘要素的第一分数和第二分数输入到投票回归器，得到投票回归器确定的分数排列在前n个的要素，以确定为待预测产品对应的第二特征；

知识图谱要素模块得到的待预测产品对应的第二特征和预训练模块运行特征提取模型得到的各个备件的第一特征作为预测模块的输入，预测模块运行预测模型，以使得预测模型基于各个备件的第一特征和待预测产品对应的第二特征，确定得到各个所述备件在当前时刻之后的指定时间段的备件量数据。

与上述本申请提供的一种备件量预测方法实施方式相对应的，本申请还提供了一种备件量预测装置的实施方式。

请参见图9，备件量预测装置包括：特征提取单元100和预测单元200。

特征提取单元100，用于在待预测产品的各个备件在当前时刻的数据输入到预训练好的特征提取模型中的情况下，得到特征提取模型确定的各个备件的第一特征，第一特征用于表征各个备件的当前数量及各个备件与其它备件之间的关系，及待预测产品在不同时刻的备件量变化情况；

预测单元200，用于至少在各个备件的第一特征输入到预测模型中的情况下，得到预测模型确定的各个备件在当前时刻之后的指定时间段的备件量数据，预测模型用于基于特征提取模型根据各个备件的历史数据所确定的各个备件的第一特征，确定各个备件在未来时间段的备件量数据。

本实施方式中，预测单元200，具体可以用于：

获得待预测产品对应的第二特征，第二特征为基于待预测产品在当前时刻的关联数据确定得到的，关联数据与待预测产品的备件的备件量相关；

将各个备件的第一特征及待预测产品对应的第二特征输入到预测模型中，得到预测模型确定的各个备件在当前时刻之后的指定时间段的备件量数据。

预测单元200将各个备件的第一特征及待预测产品对应的第二特征输入到预测模型中，得到预测模型确定的各个备件在当前时刻之后的指定时间段的备件量数据，包括：

对各个备件的第一特征及待预测产品对应的第二特征进行组合，得到组合特征，将组合特征输入到预测模型中，得到预测模型确定的各个备件在当前时刻之后的指定时间段的备件量数据。

预测单元200获得待预测产品对应的第二特征的过程，具体可以包括：

获取待预测产品在当前时刻的关联数据；

基于关联数据构建得到知识图谱；

基于知识图谱，确定得到至少一个关联要素；

从至少一个关联要素中确定出满足设定条件的关联要素，以确定为第二特征。

基于知识图谱，确定得到至少一个关联要素的过程，具体可以包括：

基于图结构推理算法从知识图谱中确定出图结构推理要素和图结构推理要素的第一分数；

基于关联规则挖掘算法从知识图谱中确定出关联规则挖掘要素和关联规则挖掘要素的第一分数；

从至少一个关联要素中确定出满足设定条件的关联要素的过程，具体可以包括：

对图结构推理要素和关联规则挖掘要素进行打分，得到图结构推理要素的第二分数和关联规则挖掘要素的第二分数；

将图结构推理要素的第一分数、第二分数和关联规则挖掘要素的第一分数和第二分数输入到投票回归器，得到投票回归器确定的分数排列在前n个的要素。

本实施方式中，特征提取模型可以通过以下方式预训练得到：

获取待预测产品对应的第一训练数据和第二训练数据；

基于第一训练数据和第二训练数据，确定特征提取模型对应的第一任务的第一损失函数值和第二任务的第二损失函数值，第一任务用于确定各个备件在当前时刻之前的第一指定时间段内的备件数量及各个备件之间关系，第二任务用于确定待预测产品在不同时刻的历史备件量变化情况；

在第一损失函数值和第二损失函数值满足设定阈值的情况下，结束预训练；

在第一损失函数值和第二损失函数值不满足设定阈值的情况下，调整特征提取模型的参数，返回执行获取待预测产品对应的第一训练数据和第二训练数据的步骤。

第一训练数据可以包括：对待预测产品的各个备件中至少一个备件在当前时刻之前的第一指定时间段内的备件数据进行修改，得到的各个备件的待使用备件数据；

第二训练数据，可以包括：待预测产品在当前时刻之前的第二指定时间段内的第一时间序列和第二时间序列，第一时间序列和第二时间序列连续或不连续；

基于第一训练数据和第二训练数据，确定特征提取模型对应的第一任务的第一损失函数值和第二任务的第二损失函数值，包括：

交替执行基于特征提取模型提取各个备件的待使用备件数据的第三特征，基于第三特征确定第一任务的第一损失函数值的步骤和基于特征提取模型提取第一时间序列和第二时间序列的第四特征，基于第四特征确定第二任务的第二损失函数值的步骤。

预测模型可以通过以下方式训练得到：

获取待预测产品的各个备件在第三指定时间段内的备件数据；

基于特征提取模型提取待预测产品的各个备件在第三指定时间段内的备件数据的特征；

将待预测产品的各个备件在第三指定时间段内的备件数据的特征输入预测模型，得到预测模型确定的各个备件在第三指定时间段之后的第四指定时间段内的备件量数据；

在第四指定时间段内的备件量数据和各个备件在第四指定时间段内的实际备件量数据的差异在设定阈值范围内的情况下，结束训练；

在第四指定时间段内的备件量数据和各个备件在第四指定时间段内的实际备件量数据的差异未在设定阈值范围内的情况下，调整预测模型的参数，返回执行获取待预测产品的各个备件在第三指定时间段内的备件数据的步骤。

与上述本申请提供的一种备件量预测方法实施方式相对应的，本申请还提供了应用该备件量预测方法的电子设备实施例。

该电子设备可以包括以下结构：

存储器和处理器。

存储器，用于至少存储一组指令集；

处理器，用于调用并执行存储器中的所述指令集，通过执行指令集执行第一实施方式-第三实施方式中任意一个实施方式所介绍的备件量预测方法。

需要说明的是，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

以上对本申请所提供的一种备件量预测方法及装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。