面向大型车辆制造企业备件计划智能决策的间歇性时间序列鲁棒预测方法研究.pdf

摘要

大型车辆制造企业售后配件种类多、单价高，同时对客户配件需求的响应速度有

较高要求。基于历史积累的配件需求大数据，企业可利用机器学习算法预测未来周期

内的配件需求数量，实现智能化的备件计划决策。然而，在实际运维场景中，售后配

件需求序列多呈间歇性和块状分布，对配件需求规律体现不充分，且受人工操作失误、

自然环境等因素的影响，序列内部波动较大，易产生异常数据。利用回归算法对这类

数据进行预测，预测误差往往较大，同时预测结果的随机性严重，模型鲁棒性低。

为解决以上问题，本文创新性地将间歇性序列异常检测和趋势预测相结合，从需

求发生时间与需求数值两个角度综合评判需求的异常程度，进而通过序列分解建立细

粒度的间歇性时间序列预测模型，实现了配件需求的鲁棒预测。包括：

（1）为解决间歇性数据分布易产生误检、极端需求又极易产生漏检的问题，本文

提出一种基于双重尾部概率的无监督间歇性时间序列异常检测方法。首先，利用多路

延迟嵌入变换将原始序列转换为高阶张量，并通过张量分解，获得重构序列，降低极

端数据干扰，进而根据每个时间点的需求数据在重构序列中的出现频率，计算经验累

计分布函数，得到各点的尾部概率。其次，为避免稀疏需求干扰，从原始序列中提取

非零需求序列，计算各时间点的尾部概率；最终利用两个概率值联合判断样本点的异

常程度。最后，在国内两个大型车辆制造企业的实际售后配件需求数据上进行了实验，

结果表明，该方法能够在无人工标注的情况下有效解决漏检现象与误检现象，检测结

果可靠，且算法运行时间较低，适合于大规模配件管理业务。

（2）为有效提取间歇性数据分布中的序列局部信息和演化规律，本文提出一种细

粒度的间歇性时间序列预测模型。该模型在对（1）中异常检测结果进行修正的基础上，

通过弱化序列间歇性特征与序列复杂度、同时强化模型信息提取能力，实现对配件需

求的鲁棒预测。首先，将原始需求序列分割为两个连续序列：需求数量序列和需求间

隔序列，以提升序列的局部信息含量。其次，对此二条序列分别通过Prophet模型分解

序列得到分解项，进而使用LightGBM模型进行预测，将各分解项的预测结果等权相加

得到各序列的预测值。最后，将两条序列的预测结果进行融合，得到最终的预测值。

在前述售后配件需求数据上进行实验，结果表明，本文方法的预测精度显著高于目前

间歇性时间序列预测的典型方法。

（3）综合上述模型，设计并完成智能化多级仓库管理系统。该系统以中车时代电

气售后业务为对象，首先，结合该企业备件管理的业务逻辑，实现配件出入库的全流

程闭环管理。其次，利用（2）中的配件需求预测模型，实现对配件需求数量的月周期

预测，支撑企业制定合理的备件计划。最后，将预测结果融入智能调度模型，以最优

成本实现多级仓库之间的协同联动，以提高配件流动率。

综上所述，本文通过在理论上研究间歇性时间序列鲁棒预测问题，为实际应用中

企业智能备件计划决策提供了一种新的解决方案，具有明确的学术贡献与工程价值。

关键词：间歇性序列，时间序列预测，异常检测，备件计划，仓库管理

ABSTRACT

Largevehiclemanufacturershavealargevarietyofaftermarketpartsandhighunitprices,andhave

highrequirementsfortheresponsespeedofcustomerpartsdemand.Basedonthebigdataofpartsdemand

accumulatedinhistory,enterprisescanusemachinelearningalgorithmstopredictthenumberofparts

demandinthefuturecycleandmakeintelligentpartsplanningdecisions.However,intheactualoperation

andmaintenancescenario,theafter-salespartsdemandsequenceismostlyintermittentandblock-shaped

distr