需求预测论文关于关于建立物资需求预测模型的方案论文范文参考资料

需求预测论文关于关于建立物资需求预测模型的方案论文范文参考资料 （广东电网有限责任公司，广东广州510600） 摘要根据中国南方电网有限责任公司（以下简称“网公司”）战略及一体化管理方案，资产全生命管理核心经营理念已经在公司企业级资产管理系统中得到落实，并且经过近4年的建设，积累了大量的经验、资料和数据。文章通过背景分析、可行性分析、方案构想、应用情况等方面详细阐述了建立物资需求预测模型的方案。 关键词物资需求;预测准确率;物资管理 DOI1013939/jkizgscxx11049 1背景分析 根据中国南方电网有限责任公司（以下简称“网公司”）战略及一体化管理方案，资产全生命管理核心经营理念已经在公司企业级资产管理系统中得到落实，并且经过近4年的建设，积累了大量的经验、资料和数据，为日常的经营管理提供了重要的参考依据。为了进一步提升电网公司在资产方面的综合决策能力，需要在现有的企业级资产管理系统和已获取的经验、资料和数据基础之上，建立一套先进、完善的资产高级预测应用，从而辅助决策层、管理层制定科学决策和开展科学管理工作，进一步提升公司对资产决策的可预见性和前瞻性能力。 在物资管理方面，为实施公司部署的登高计划，要加大前期工作和投资计划的管理力度，逐步迈向精益化管理，继续加强物资计划全过程管理，做到超前谋划，提前介入项目前期工作，包括物资需求预测管理工作。公司生产建设物资需求量大，且种类繁多。根据物资管理要求，公司每年开展物资需求预测工作，采取由下至上的工作模式：下层机构调研、统计、估算、上报，上层机构审批、汇总、生成总体预测需求。从组织到收集，从审核到汇总，不但耗费大量人力物力，而且审核工作量大、生成需求时间周期长、填报不规范、准确率不高，对物资采购计划制订、工程建设及生产计划的安排都产生不利影响，也制约着物资精益化管理水平和能力的提升。 电网公司在中国南方电网有限责任公司物资管理职能战略中提出，在xxxx年规范发展阶段，将初步建立需求预测模型，开展需求预测工作，初步建成主要物资标准供货周期，开展全网一级物资的需求计划集中管理；在xxxx年提升发展阶段，建立完善需求预测模型，全面开展需求预测工作，实现需求的前瞻性管理和准确快速的计划管理；在xx2020年持续发展阶段，建立完善高效的需求管理机制，实现计划管理与采购的高度融合和联动，实现及时化采购。公司中长期发展战略规划对未来三年内物资集约化管理目标，提出要达到国内领先水平的明确要求。从公司自身发展而言，开展物资需求预测工作，可以实现物资的需求计划集中管理，提高物资管理的精益化水平。 2可行性分析 随着机器学习方法不断发展，目前多种预测方法（如BP神经网络，SVM，各类回归模型等）大量应用于不同预测场景，但对于电网建设物资需求预测还是鲜见的。电网物资需求量大，且种类繁多，而且不同物资之间的使用并不是完全独立的关系，所以运用通常的回归方法（如logistic回归，多元线性回归等）无法考虑其预测目标之间的相关性，从而无法满足电网物资的需求预测工作。而BP神经网络或支持向量机（SVM）等模型复杂度高，训练时间长，需要人工设置的参数多而杂，不利于电网物资需求预测模型的固化与扩展。 面对上述情况，迫切需要自主构建一组物资需求预测模型，作为预测工具要求能够独立使用，并可以作为插件或者外挂融入到资产分析体系，各网省公司可独立部署，以提高网公司及各个下属单位物资预测需求的申报效率和准确度，节省人力物力，满足电网物资管理业务需求，并充分考虑相关数据挖掘技术实现能力，整合不同技术优势，创造性的对电网物资需求进行预测，从而在公司经营战略指导方针下，充分发挥物资需求预测对于物资决策和物资管理的指导作用，全面提升公司经营业绩，巩固提升公司的整体竞争优势。 3方案构想 物资需求预测以配网项目作为试点，历史配网项目建设的物资使用数据为基础数据，并利用数据挖掘方法实现新项目的物资使用量预测。 一般来说，配网项目的物资需求预测需要处理多种项目类型和多种物资类型的需求预测问题，而且不同类型的物资需求并非完全相互独立。所以，我们提出了一种基于极限学习机(Extreme Learning Machine，ELM)的多任务学习方法用于配网物资需求预测模型的构建。ELM是一种单层前馈型神经网络，可以很好的刻画各种物资类别在不同项目类型中需求数量的相关性，不受模型参数初始状态的影响，学习算法收敛于全局唯一的最优解，具有模型参数简单、算法复杂度低、模型泛化性较好的优势。实验证明，ELM模型在配网物资需求预测的实践中，相较于常规的单任务需求预测模型（例如多元线性回归、支持向量机、核回归等）取得了更好的效果。 物资需求预测框架，主要由三个阶段的工作组成，分别为数据预处理、建模和预测阶段。数据预处理阶段包含项目描述属性构造和物资用量数据的预处理，其中项目基本属性和类型属性构成了ELM模型的输入空间；建模阶段涉及ELM模型的训练以及对应的参数学习；在预测阶段，待预测样本的项目描述属性作为上一步经过训练的ELM模型的输入，计算并输出待预测项目物资的预测值矩阵，以可视化方式，多维度展示物资需求预测结果。 4应用情况 利用xx年、xx年的项目数据对xx年的项目数据进行预测，预测模型有较好的结果，加权准确率从手工填报的60%提高至8234%。 通过对手工填报与模型预测的详细预测结果对比分析发现，对于用量较多的物资，模型预测有更好的预测结果，如在xx年用到的44类一级物资中，模型预测的结果中有18类物资的预测准确率达70%以上，此批物资的总数量占实际总量的90%以上；然而，对于用量较少的物资及与政策调整紧密相关的物资需求变更，手工填报的预测结果较好。在相同的数据集上，我们将ELM方法与其他已有方法，如多元线性回归、KNN、单任务BP神经网络、手工填报等方法进行了实验结果对比，ELM均显著高于其他方法，特别当只考虑使用数量最大的前5种物资时，ELM的优势更为明显。实验表明，在物资需求总体预测水平较高的前提下，ELM对巨量物资的预测更为有效。下一步，将充分利用配网项目物资需求预测建设成果及建设经验，开展主网项目物资和备品备件的物资需求预测工作，不断提高需求预测准确率，逐步优化现有物资采购方式，提高采购效率。 5结论 全面开展物资需求预测工作，可以为物资采购计划制定、物资统一调拨及优化配置、工程建设及生产计划安排提供科学依据，提高物资需求计划集中管理水平。 第一，释放人力，提高效率。利用物资需求预测模型，不再需要各个地市局材料人员每年提前上报物资预测需求，降低工作成本；不受时间和管理层次限制，缩短物资需求计划制定时间，提高工作效率。 第二，准确预测，精益管理。借助准确的物资需求预测