基于投资比率和时序算法的电网业扩物资需求预测方法

技术领域

本发明涉及电力大数据分析处理技术领域，具体涉及一种基于投资比率和时序算法的电网业扩物资需求预测方法。

背景技术

由于在电网业扩物资供应方面，电网物资类型繁多、小批量供货频繁、需求不确定性高等因素，导致部分工程仍存在开工多天无物资领用或需求物资紧缺问题，影响业务开展及工程进度。

电网物资需求预测和库存管理是电力系统运行的重要组成部分。近年来，随着数据科学和机器学习的发展，许多新的预测和管理方法被提出。

国外在物资需求预测技术研究方面起步较早，首先发展起来的是物资管理方面，进一步发展到物资需求预测方面。在这一时期内，人们开始逐渐重视物资管理中的组织和职能，并对其进行更加深入的研究，与之关联的物资需求预测方面、采购功能方面以及存货理论等方面的研究也在不断发展。在这期间，产生了像分类法、全寿命周期成本与采购经济批量法等许多先进的数学模式和现代化方法，并且应用广泛。而其中，在物资需求计划管理方面，许多学者做过深入研究，提出了许多注重实践应用性的理论。Monahan在1984年发表的《Aquantity discount pricing model to increase vendor profits》指出除垄断行业外，其他行业中供应商和采购商都是多家的并且充满竞争的，在某一行业中几乎不存在单一的供应商或采购商。并且从供应商的角度研究了一系列算法，包括最优的数量折扣定价方式、订货数量等算法；国外对电网物资需求预测和库存管理做出了重要的贡献。许多公认的预测模型，如自适应指数平滑模型、Box-Jenkins ARIMA模型等。此外，应用模拟优化、线性规划、神经网络和深度学习技术进行预测和库存管理的研究也日渐增多。目前，一些研究正在探索使用大数据和机器学习技术，结合企业资源规划(ERP)系统对物资需求和库存进行精准预测和智能管理。

目前，国内在物资管理方面的理论研究已有很多，对于电力企业物资管理的相关研究也在逐渐展开，但针对电力企业的物资需求计划体系的理论研究还比较少，尤其是电力企业属于较为特殊的行业，并且其物资管理体系较为复杂，涉及的层面较为广泛，与发电、供电、建网各个息息相关，与电力设备的生产厂商及供应商密不可分，在强调现代大型企业物资管理的基础上，提高资产利用率、降低企业运营成本、提高企业服务水平也越来越受到企业管理者的重视。国内对电网物资需求预测和库存管理的研究正在逐渐深入。目前普遍使用的预测方法主要包括移动平均模型、指数平滑模型和灰色预测模型等。与此同时，也有研究者开始关注并运用一些新的预测技术，如SVM(支持向量机)和BP神经网络等。在库存管理方面，除了传统的ABC分析法，也有研究者提出了改进的多层次物资分类方法。在更宏观的层面，目前国内正在积极推进电力系统的数字化转型，以期进一步提升电网物资需求预测和库存管理的效率和精确度。

电网物资需求预测和库存管理利用大数据、云计算、物联网等现代信息技术，实现对电网物资的精准预测和智能管理。中国专利《业扩物资需求预测系统及方法》(申请号：202011241803.8；申请公布日：2021.02.05)公开了一种业扩物资需求预测方法。随着可再生能源和储能技术的发展，电网物资的需求预测和库存管理面临新的挑战。在不断丰富和完善现有的预测和管理模型和算法的基础上，需要更具预测准确性和实时性的新型预测和管理系统。

发明内容

本发明目的是提供一种基于投资比率和时序算法的电网业扩物资需求预测方法，支撑物资需求的精准管控，提升物资需求提报效率和准确性，为仓库库存精益化管控、改善物资积压、提升物资周转率提供强有力支撑。

为了实现以上目的，本发明采用的技术方案为：一种基于投资比率和时序算法的电网业扩物资需求预测方法，包括如下步骤：

1)、数据准备及预处理：采集所需数据，包括业扩档案信息、业扩工程信息、库存情况信息；完成采集数据的汇总和清洗工作，包括异常值清洗，缺失值填充，对数据进行整合处理；

2)、建模分析：开展基于大数据分析的物资需求预测、物资动态补库建模和统计分析工作，开展建模技术与具体场景的适配性分析，完成大数据模型构建及迭代优化；

2.1)、基于物资采购投资比率的物资需求预测模型：以年度总投资额与物资采购总金额之间的比例关系凝练为物资采购投资比率这一指标信息，表征业扩投资与物资采购资金的相对关系；

2.2)、采用基于Holt-Winters等时序预测算法的方法构建预测模型；

采用Holt-Winters算法来构建月度物资需求时序预测模型,详细的采用下述公式：

s

s

t

p

预测公式如下：

F

x

α,β,γ的值都位于[0,1]之间，采用均方根误差(RMSE)来做模型拟合逼近的损失函数的方式更新这三个参数：

从而使模型收敛后的均方根误差在可接受范围内，然后拟合好的模型进行预测未来几个月的数据，得到的数据与真实值相比；

2.3)、物资动态补库模型构建。

进一步的，步骤2.1)包括：

2.1.1)、物资采购投资比率计算：

首先汇总近几年各种业扩物资的采购总金额和业扩总投资，计算各种物资采购金额与总投资的比率I

I

其中i表示业扩所属年份，j表示业扩物资，A

2.1.2)、比率平稳性分析

针对计算得出的近几年每年的各种业扩物资采购金额A

其中C

计算每类物资近几年物资采购投资比率值的标准差和均值；

2.1.3)、模型构建及预测：

计算未来一年各月业扩各种物资的需求量，公式如下：

其中t为未来一年第t个月，

其中

B

进一步的，步骤2.3)中依据两种模型分别预测未来一年的各月的各种业扩物资需求，得出各个月的物资需求预测量后，结合补库策略计算各月物资的补库量，核心是在每个需求月的补库时间检查库存水平，并根据每月需求预测、安全库存、当月初库存水平来决定补货量；计算流程通过以下参数表示：

(1)当前库存V：针对需求月进行补库的时间对应的当前库存水平；

(2)预测需求(μ)：两种模型分别预测未来一年的各个月的不同物资需求，得出各个月的物资需求预测量；

(3)安全库存s：安全库存，是预先设定在正常库存之外的一部分库存；

2.31).针对重要的物资，依据采供周期、采购时间进行补库，即在开工多长时间进行采购申请，再过多长时间到货，补库数量就是预测的物资需求量减去当前库存；补库量计算公式如下所示：

Q＝μ-V

2.32).针对不是重要的辅料物资，需要依据采供周期、采购时间进行补库，预测的物资需求量减去当前库存，再加上10％的物资预测需求量作为安全库存就是补库数量；补库量计算公式如下所示：

Q＝μ-V+s＝1.1μ-V

完成每个的每种物资补库计算后，将其按整合生成系统的补库计划。

进一步的，步骤2.2)的算法替换为ARIMA或者LSTM构建模型。

再进一步的，步骤2.3)后具体执行步骤2.4)、仓库自动分配：首先从原始的采购到货及领用物资数据宽表中提取当地位置信息，仓库，物资，删除有缺失值的行，并汇总成物料-当地-仓库数据，生成多维存储关系表。

本发明的技术效果在于：本发明针对业扩物资库存储备不够准确、需求提报效率低等问题，利用大数据分析技术汇聚业扩物资需求相关数据，开展基于大数据分析的物资需求预测、物资动态补库及基于多维矩阵的仓储自动分配，对业扩物资供应进行多维分析，支撑物资需求的精准管控，提升物资需求提报效率和准确性，为仓库库存精益化管控、改善物资积压、提升物资周转率提供强有力支撑。

附图说明

图1为本发明的总体架构图；

图2为本发明的物资需求预测及动态补库模型构建流程图；

图3为本发明的一个具体实施例不同物资月度需求数据的不同模型预测的RMSE值图；

图4为本发明的一个具体实施例的“10kV三相隔离开关,630A,20kA,手动双柱立开式,不接地”时序预测图；

图5为本发明的一个具体实施例的“10kV电缆终端,3×400,户内终端,冷缩,铜”时序预测图；

图6为本发明的一个具体实施例的“配电箱,户外,4回路200kVA”时序预测图；

图7为本发明的一个具体实施例的“10kV柱上变压器台成套设备,ZA-1-CX,200kVA,15m”时序预测图；

图8为本发明的基于物资采购与投资比率的预测模型图；

图9为本发明的基于Holt-Winters的预测模型构建图；

图10为本发明的动态补库模型图。

具体实施方式

本发明针对业扩物资库存储备不够准确、需求提报效率低等问题，利用大数据分析技术汇聚业扩物资需求相关数据，开展基于大数据分析的物资需求预测、物资动态补库及基于多维矩阵的仓储自动分配，对业扩物资供应进行多维分析，设计物资动态补库工具原型，支撑物资需求的精准管控，提升物资需求提报效率和准确性，为仓库库存精益化管控、改善物资积压、提升物资周转率提供强有力支撑。

具体包括以下三部分：

(1)业扩物资需求预测模型

运用大数据分析技术，汇聚业扩物资需求多元数据，建立基于物资采购投资比率和时序预测算法的物资需求预测组合模型，实现业扩物资需求精准预测；

(2)物资需求动态补库模型

建立业扩物资动态补库模型，实现各类业扩物资精准补库计算、动态补库计划智能生成；

(3)多维矩阵存储关系模型

建立“当地-仓库-物资”多维矩阵的业扩物资存储映射关系维护，支撑物资运输路径和配送货高效规划，有效节省运输成本。

具体包括下列步骤：

1)、数据准备及预处理：采集所需数据，包括业扩档案信息、业扩工程信息、库存情况。完成采集数据的汇总和清洗工作，包括异常值清洗，缺失值填充，对数据进行整合处理，以支撑后续建模分析。

2)、建模分析：开展基于大数据分析的物资需求预测、物资动态补库等建模和统计分析工作，开展建模技术与具体场景的适配性分析，完成大数据模型构建及迭代优化。

业扩物资需求预测及动态补库模型构建流程如图2所示。

本发明分析的业扩电网物资需求历史数据来源于ERP系统，取数粒度到物资层级；采购到货及领用物资宽表数据频度包括日频度数据，库存数据是指有中心仓发往仓的库存；实体库存则是仓剩余的库存余量；供应商寄售库存值由供应商发货到仓的库存；业扩工程表记录的开工完工时间和总投资。

数据准备及预处理前包括数据质量评估和数据预处理，本发明的具体实施过程：

数据质量评估：可信度方面，数据来自于ERP系统，均为一次数据，数据可信度较高。完整性方面，各个数据表字段完整，不存在缺失情况，因采集原因不存在重复情况，整体字段完整度较高，不影响后续的数据挖掘分析。对数据质量问题，采购到货及领用物资数据极少部分字段存在缺失情况，针对极少部分字段存在缺失情况，在数据预处理阶段进行删除处理。

数据预处理：

(1)原始数据获取：获取数据需求范围内的采购到货及领用物资数据宽表、业扩工程数据表以及库存、实体库存、供应商寄售库存数据表信息。

(2)重复值与缺失值处理：采购到货及领用物资数据宽表总体情况良好，无重复值，删除极少量缺失值，其他表中数据无重复值与缺失值。

(3)按照月度汇总数据：按照物资出库时间所属月份进行合并，对合并后的物资月度需求表缺失的月份进行填充，出库数量补零，供时序分析使用。

(4)利用年度采购到货及领用物资数据宽表汇总每年各种物资采购总金额，利用业扩表筛选出每年总投资。

(5)利用采购到货及领用物资数据宽表汇总的物资需求数量数据；将采购到货及领用物资数据宽表和业扩工程表按编码合并，提取当年的投资数据及其物资需求数据。

(6)先从原始的采购到货及领用物资数据宽表中提取仓库信息(仓库、名称)，物资信息(物料编码、物料名称、计划交货日期，订单数量、基本单位)等字段数据。然后删除有缺失值的行，添加当地信息，筛选某年月的数据，并汇总生成多维存储关系表。

2.1)、基于物资采购投资比率的物资需求预测模型

根据电网业扩物资业务经验，物资采购总金额是一个直观的反映规模和需求的指标，业扩物资采购金额与总投资存在一定比例关系。因此，本发明以年度总投资额与物资采购总金额之间的比例关系凝练为“物资采购投资比率”这一指标，表征业扩投资与物资采购资金的相对关系，结合年度业扩投资信息，实现对应物资需求情况的合理预测。

2.1.1)、物资采购投资比率计算

首先汇总近几年各种业扩物资的采购总金额和业扩总投资，计算各种物资采购金额与总投资的比率I

I

其中i表示业扩所属年份，j表示业扩物资，A

2.1.2)、比率平稳性分析

针对计算得出的近几年每年的各种业扩物资采购金额A

其中C

计算每类物资近几年物资采购投资比率值的标准差和均值，公式如下：

由于不同业扩物资采购金额投资比率不在一个数量级，因此不能利用方差的形式来衡量各种物资的占比的平稳性，所以本发明引用一个变异系数来衡量平稳性：利用各种业扩物资采购金额投资比率的标准差除以均值来消除不同数量级带来的影响。

变异系数的阈值通常没有一个确定的标准值，它的大小与具体应用和领域有关。一般来说，变允许小于0.1可以认为数据相对集中，大于0.1则数据较为分散。变异系数小于0.1的物资的近几年间的每个物资采购金额与投资占比波动比较小，比较平稳，可以使用基于物资采购投资比率的物资需求预测模型来预测当年各种物资的需求。

2.1.3)、模型构建及预测

计算未来一年各月业扩各种物资的需求量，公式如下：

其中t为未来一年第t个月，

其中

B

本发明的具体实施例中利用近几年部分业扩物资的需求量，进而计算得出当年的对应的业扩物资需求；

下表是2023年6月的对应的业扩项目物资需求

2023年6月物资在占比法下的需求预测数据

由上述结果，可以大致分析得到如下结论：

在上述预测的物资中，“锥形水泥杆,非预应力,整根杆,12m,190mm,m”和“交流盘形悬式瓷绝缘子,U70B/146,255,320”预测效果要好很多，因为这些物资使用时间跨度较广，分布较为规律且需求量较多，所以利用本发明方案预测的结果比较准确，从需求数量可知“交流盘形悬式瓷绝缘子,U70B/146,255,320”的需求量是“锥形水泥杆,非预应力,整根杆,12m,190mm,m”需求的5倍，也就是说1根“锥形水泥杆,非预应力,整根杆,12m,190mm,m”上需要用到5片“交流盘形悬式瓷绝缘子,U70B/146,255,320”，至于近几年中用到的“交流盘形悬式瓷绝缘子,U70B/146,255,320”是“锥形水泥杆,非预应力,整根杆,12m,190mm,m”的5倍多一点，根据调研，可能是有部分损坏，而“线路柱式瓷绝缘子,R5ET105L,125,283,360”没有明显与“锥形水泥杆,非预应力,整根杆,12m,190mm,m”成倍数关系，根据调研，可能是不同位置的“锥形水泥杆,非预应力,整根杆,12m,190mm,m”用到该物料的个数并不统一；其他物料，比如“架空绝缘导线,AC10kV,JKLYJ,95”、“电力电缆,AC10kV,YJV,400,3,22,ZC,无阻水”这些物资的预测效果较好，这是因为这些物资不是特别重要且需求量较多，线缆会因为走线方式、扎线方式造成一定的线缆长度的预测误差。

针对上述物资采购投资比率平稳性分析不通过的物资类别，优选的，采用基于Holt-Winters等时序预测算法的方法构建预测模型，实现其余类别业扩物资的需求预测。

在对数据特征进行初步分析之后，使用多种方法进行比较，选择相对最优模型，输出合理预测结果。

(1)基于自变量的历史数据分析其变化规律与趋势，进行时间序列数据的预测，经典模型为ARIMA模型，Holt-Winter模型。

(2)循环神经网络对非线性数据的挖掘，拓宽了时间序列预测的领域，可以使用深度学习领域中的长短期记忆(LSTM)架构处理时间序列数据。

在实测了多种建模方案后，挑选了三种模型作为最终针对性建模的方案，优选Holt-Winters等时序预测算法的方法构建预测模型：

ARIMA算法

ARIMA模型是一种基于时间序列历史值和历史值上的预测误差来对当前做预测的模型。整合了自回归项AR和滑动平均项MA。ARIMA模型有三个超参数：

P:AR(自回归)项的阶数。需要事先设定好，表示y的当前值和前p个历史值有关。

d:使序列平稳的最小差分阶数，一般是1阶。非平稳序列可以通过差分来得到平稳序列，但是过度的差分，会导致时间序列失去自相关性，从而失去使用AR项的条件。

q:MA(滑动平均)项的阶数。需要事先设定好，表示y的当前值和前q个历史值AR预测误差有关。实际是用历史值上的AR项预测误差来建立一个类似归回的模型。

AR项表示一个p阶的自回归模型可以表示如下：

y

c是常数项，ε

MA项表示一个q阶的预测误差回归模型可以表示如下：

y

c是常数项，ε

完整表示:

Y

即:被预测变量Y

Holt-Winters算法

当一个序列在每个固定的时间间隔中都出现某种重复的模式，就称之具有季节性特征，而这样的一个时间间隔称为一个季节(理解：比如说在一个周内，销量呈现出重复的模式)。一个季节的长度k为它所包含的序列点个数。

Holt-Winters方法针对序列的水平和趋势、季节分量，一次指数平滑就是平滑统计值s

s

简单指数平滑法适用于没有总体趋势的时间序列。如果用来处理有总体趋势的序列，平滑值将往往滞后于原始数据，除非α的值接近1，但这样一来就会造成不够平滑。为了解决上述问题，于是引出了二次指数平滑，能够保留总体趋势信息。因为将指数平滑应用了两次，所以被称为二次指数平滑。与简单指数平滑相比，二次指数平滑加入了时间趋势统计量b

s

b

若要预测x

F

季节性被定义为时间序列数据的趋势，它表现出每一个周期重复自身的行为，就像任何周期函数一样。“季节”这个词用来表示行为每隔时间段L就开始自我重复。详细的有下述公式(累乘法)：

s

s

t

p

预测公式如下：

F

k是季节性周期的长度，h是预测步数的长度，其中α是数据平滑因子，0＜α＜1；β是趋势平滑因子，0＜β＜1；γ是季节改变平滑因子,0＜γ＜1。

s,t,p初始值的选取对于算法整体的影响不是特别大，通常的取值为s

LSTM算法

长短期记忆网络(LSTM，Long Short-Term memory)是一种时间循环神经网络，是为了解决一般的循环神经网络(RNNs)存在的长期依赖问题而专门设计出来的，由于独特的设计结构，LSTM适合于处理和预测时间序列中间隔和延迟非常长的重要事件。

长短期记忆网络通过3种门结构:遗忘门，输入门和输出门来控制神经元对历史信息的记忆。

用LSTM预测物资需求量具体实现过程如下：

设每种物资需求量时间序列数据为:

X＝(x

式中x

式中x

i

f

c

o

h

其中:i，f，o分别表示输入门，遗忘门，输出门；c表示记忆单元；h表示隐层输出，其下标表示时刻t；W表示连接权重，其下标表示权重关联项，例如

对于时间序列预测，ARIMA、Holt-Winters和LSTM都是有效的模型。然而，在选择合适的模型时，需要考虑到具体的数据特性和预测需求。

ARIMA：ARIMA是一个强大的时间序列预测模型，适用于平稳或准平稳的时间序列。如果物资采购金额和出库数量表现出平稳性，且没有明显的季节性和趋势性，那么ARIMA是一个合适的选择。

Holt-Winters：Holt-Winters方法适用于含有线性趋势和周期波动的非平稳序列。如果物资采购金额和出库数量表现出明显的趋势和季节性，那么Holt-Winters会提供更准确的预测。此外，该方法利用指数平滑法让模型参数不断适应非平稳序列的变化。

LSTM：LSTM是一种递归神经网络结构，适用于处理具有时序依赖性的数据。与ARIMA和Holt-Winters不同，LSTM可以处理多元输入的多个并行输入序列，并且能够直接映射到输出向量。LSTM特别适用于多步时间序列预测，如为seq2seq问题设计的编码器-解码器结构。如果需要预测的物资采购金额和出库数量不仅受到历史数据的影响，还受到其他多元因素的影响(如天气、政策等)，那么LSTM是一个更好的选择。

综上所述，对于本发明实施例中物资采购金额和出库数量的预测，由于部分物资占比不平稳，并且影响数据的多元因素无法取数，优选Holt-Winters进行物资需求预测。

2.2)、采用Holt-Winters算法来构建月度物资需求时序预测模型,考虑序列的水平和趋势、季节分量。

季节性被定义为时间序列数据的趋势，它表现出每一个周期重复自身的行为，就像任何周期函数一样。“季节”这个词用来表示行为每隔时间段k就开始自我重复。详细的采用下述公式(累乘法)：

s

s

t

p

预测公式如下：

F

x

s,t,p初始值的选取对于算法整体的影响不是特别大，通常的取值为s

α,β,γ的值都位于[0,1]之间，可以采用均方根误差(RMSE)来做模型拟合逼近的损失函数的方式更新这三个参数：

从而使模型收敛后的均方根误差在可接受范围内，然后拟合好的模型进行预测未来几个月的数据，得到的数据与真实值相比。

基于Holt-Winters算法的需求预测：通过调研与建模测试，初步筛选了几种物资来进行预测，对于电网物资月度需求数据的预测而言，不同参数导致模型的预测效果好坏未必一致，模型参数也需要做针对性的调整优化。

在得到不同参数对应的建模预测结果后，通过均方误差(RMSE)对模型进行校验与评估。

RMSE用来衡量模型的拟合的偏离程度，其值越小，表示模型偏离越小，模型精度越高。进行对比分析，比较不同建模输出的预测值与实际值的拟合程度，选择拟合效果最好的模型。同时，根据反馈结果，进行模型迭代完善，进一步提高模型合理性及准确率。模型调优主要包括前述的模型筛选、参数优化以及数据转化与异常处理等手段。

在确定模型的参数后，预测得到不同物资的月频度数据的预测结果，

本发明的一个具体实施例中计算相应的RMSE损失函数如图3所示。由该结果，可以大致分析得到如下结论：

当四种业扩物资的Holt-Winters预测模型迭代次数参数达到600次之后，误差RMSE将不再明显减少，此时模型收敛，拟合效果较好；其中“10KV三相隔离开关,630A,20KA,手动双柱立开式,不接地”该物资在600次迭代后得到的模型训练的误差为0.0535，“10KV电缆终端,3×400,户内终端,冷缩,铜”该物资在600次迭代后得到的模型训练的误差为0.0529，“配电箱,户外,4回路200kVA”该物资在600次迭代后得到的模型训练的误差为0.0231，“10kV柱上变压器台成套设备,ZA-1-CX,200kVA,15m”该物资在600次迭代后得到的模型训练的误差为0.01232；前两个物资的要比后两个物资的模型拟合差一点，“10kV柱上变压器台成套设备,ZA-1-CX,200kVA,15m”该物资拟合效果最好。

下面开始模型的预测阶段，查看分析模型的预测效果。部分业扩物资基于Holt-Winters算法模型预测的结果如图4、5、6、7所示。由图4-7的结果，可以大致分析得到如下结论：

在预测的业扩物资中，“10kV柱上变压器台成套设备,ZA-1-CX,200kVA,15m”和“配电箱,户外,4回路200kVA”预测效果要好很多，因为这些物资使用时间跨度较广，分布较为规律且需求量较少，需求较为固定，所以利用算法预测的结果比较准确；其他物料，比如“10kV三相隔离开关,630A,20KA,手动双柱立开式,不接地”、“10kV电缆终端,3×400,户内终端,冷缩,铜”这些物资的预测效果较好，这是因为这些物资不是特别重要且需求量较多，使用时间及其数量的分布规律没有上述两种物资规律，所以预测时会存在一点预测误差。

2.3)、物资动态补库模型构建：

本发明的一个实施例选择当年业扩典型物资为例，作为本发明物资动态补库的说明。

物资补库策略：本发明依据两种模型分别预测未来一年的各月的各种业扩物资需求，得出各个月的物资需求预测量后，结合补库策略计算各月物资的补库量，核心是在每个需求月的补库时间检查库存水平，并根据每月需求预测、安全库存、当月初库存水平来决定补货量。这种策略适合于需要一定预见性和反应时间的情况，计算流程可以通过以下参数表示：

(1)当前库存V：针对需求月进行补库的时间对应的当前库存水平(即各物资的库存数量)。

(2)预测需求(μ)：两种模型分别预测未来一年的各个月的不同物资需求，得出各个月的物资需求预测量。

(3)安全库存s：安全库存，又称为备用库存或缓冲库存，是为了应对需求的波动和供应链中可能遭遇的不确定性等因素，而预先设定在正常库存之外的一部分库存。

2.31).针对重要的物资，比如变压器，它属于主件，分布很有规律且价格昂贵，所以不需要加上安全库存；需要依据采供周期、采购时间进行补库，即在开工多长时间进行采购申请，再过多长时间到货，补库数量就是预测的物资需求量减去当前库存；补库量计算公式如下所示：

Q＝μ-V

2.32).针对不是重要的辅料物资，比如低压电力电缆等：同样需要依据采供周期、采购时间进行补库，预测的物资需求量减去当前库存，再加上10％的物资预测需求量作为安全库存就是补库数量。补库量计算公式如下所示：

Q＝μ-V+s＝1.1μ-V

完成每个的每种物资补库计算后，将其按整合生成系统的补库计划。

补库结果分析：假设针对当月的业扩物资需求提前三个月进行补库，首先根据之前月的库存结合当月份物资预测需求量来计算针对当月业扩物资需求的补库量，然后和当月真实的入库量进行比较，得出的结果。

2.4)、仓库自动分配

为了方便物资部门调度业扩物资，首先从原始的采购到货及领用物资数据宽表中提取当地位置信息，仓库(仓库、名称)，物资(物料编码、物料名称、计划交货日期，订单数量、基本单位)，删除有缺失值的行，并汇总成物料-当地-仓库数据，生成多维存储关系表。

采用月度来分别建立关系表。建立“当地-仓库-物资”多维矩阵的映射关系维护，能清晰地知道哪个当地的哪个仓库需要哪种物资，需要多少，在物资从中心仓或供应商出库到仓时，就可以根据这些信息来进行配货和发货，包括需要多少运输车辆，怎么规划运输路径，这样能节省运输的时间的成本。

具体的，以某个月为例，通过整理该月物资的物资采购情况，了解到某当地的某仓需要每种物资的数量，从而建立“当地-仓库-物资”多维矩阵的存储关系，建立“物资-当地-仓库”多维矩阵的映射关系维护，能清晰地知道哪个当地的哪个仓库需要哪种物资，需要多少。在物资从中心仓或供应商出库到仓时，就可以根据这些信息来进行配货和发货，包括需要多少运输车辆，怎么规划运输路径，这样能节省运输的时间的成本。

综上所述，本发明站在业扩物资需求预测、动态补库和仓库自动分配成果如何落地应用的视角，以业务实际和算法模型分析为落脚点，提出一套基于多维矩阵的物资动态补库分类预测模型构建及应用策略。

1).物资需求预测

本发明针对业扩物资库存储备不准确、需求提报效率低等问题，基于大数据分析技术提出基于物资采购与投资比率和基于Holt-Winters的组合预测模型，开展物资需求预测工作，完成物资需求的精准预测。

参照图8，基于物资采购与投资比率的预测模型构建：

依托业扩物资采购与投资比率统计和比率平稳性分析，构建基于物资采购与投资比率的预测模型，该模型利用历史几年各物资采购金额与投资的比率平均值结合未来一年各月投资算出未来一年各月各物资采购金额，并算出采购金额比率，最终利用历史几年各物资需求数量乘以这个比率得出未来一年各月各物资需求预测量；

参照图9，基于Holt-Winters的预测模型构建：

当业扩物资没有通过平稳性检验时，对采购到货及领用物资数据宽表进行该类物资的筛选，然后汇总成月度数据，缺失月份补零；

针对数据情况和实际业务情况，进行时序预测算法的选型，最终采用Holt-Winters算法对月度需求物资数据进行预测，构建基于Holt-Winters的时序预测模型，通过RMSE进行模型的迭代优化；

针对业扩物资库存储备不准确、需求提报效率低等问题，利用大数据分析和时序预测算法开展物资需求预测工作，完成组合预测模型构建后，实现物资需求的精准预测。

2)、参照图10，动态补库：

基于物资需求预测模块的预测结果数据，设计补库策略，根据实际业务在预测月时提前几个月进行预测和补库，主件变压器补库计算式为需求预测量-当前库存，其他辅料的补库计算式为需求预测量-当前库存+安全库存(其中安全库存为0.1倍的需求预测量)；

基于上述模型构建后，本发明实现业扩物资需求的精准管控，提升物资需求提报效率和准确性，为仓库库存精益化管控、改善物资积压、提升物资周转率提供强有力支撑。

3).仓库自动分配：

通过自动同步的方式获取仓库信息，根据“物资-当地-仓库”多维矩阵之间的存储关系维护，根据各单位提报的业扩需求物资类型和数量，结合各综合因素自动将需求对应到各仓库，实现物资仓库自动分配，使得可以方便高效地进行物资配送运输管理。

本发明针对在业扩物资采购下单、库存管理以及物资配送过程中依据人工经验处理的效率低、基础数据量大、难度大、不准确等问题，完成如下解决方案：

(1)依托大数据建模分析技术，聚焦业扩物资采购金额与总投资的关系深入分析研究，构建了一套基于关系模型的物资需求预测模型及动态补库方法，聚焦时间序列预测算法模型深入分析研究，构建了一套基于Holt-Winters模型的物资需求预测模型及动态补库方法，在精准预测、满足物资供应的情况下，高效便捷地进行了物资采购。

(2)依据大数据分析技术和实际业务，设计补库策略；针对前述两种需求预测模型得出的需求预测结果分别进行动态补库模型的设计，完成业扩物资的动态补库，高效便捷地进行库存管理，有效降低的库存的积压问题。

(3)创建仓库自动分配关系模型，建立了“物料-当地-仓库”多维矩阵存储关系映射表，自动识别某当地某的需要各种业扩物资的数量以及发往的仓库，方便高效地进行物资配送货，有效地降低物资配送货成本和时间。