本发明属于随机森林和长短时记忆网络，尤其涉及一种基于rf-lstm的电力物资协议库存预测方法，更具体的是一种基于随机森林和改进长短时记忆网络混合模型的电力物资协议库存预测方法。
背景技术：
1、随着我国电力市场的变革、数字技术的进步，在仓储物流行业，库存预测是电力物资管理的一个重要组成部分，以满足供应链的需求，提高效率，并支持可持续发展目标。
2、目前电力物资的协议库存预测工作多凭经验进行预估，难度大、费时耗力，而且容易出差错，造成物资需求预测准确率低，工作效率、工作精益化程度都不高。
3、现有技术中如：申请公布号：cn110503356a，专利申请号：2019106111797，名称为：一种基于大数据预测电力物资协议库存的方法。该发明专利申请公开了一种基于大数据预测电力物资协议库存的方法。方法包括采集各类物资的明细计划和交货数据；采集各类物资的供货周期、供货及时率、准确性数据；根据各类物资的需求和供应分布建立通用物资供应和储备数据模型；根据物资供应和储备数据模型预测物资库存。该发明保证了物资的供应，防止了物资短缺，以及物资采购过多，造成资源浪费的问题，实现了电力物资利用最大化。
4、现有技术中再如：申请公布号：cn111401651a，专利申请号2020102130363，名称为：一种基于lstm网络预测物资采购需求量的方法，该发明公开了一种基于lstm网络预测物资采购需求量的方法，包括以下步骤：s1：采用预设方法对预先采集的数据进行数据处理；s2：通过预设方法对原预测模型和循环神经网络模型进行对比；s3：采用预设方法构建lstm模型，并将所述处理后的数据作为所述lstm模型的输入，获取预测值。该发明通过构建基于lstm网络的物资采购预测模型并进行训练，在三路输入数据的作用下，使得lstm模型能够记住长期的状态，从而使得其能够有效的解决长距离依赖问题，相比于传统的原预测模型，提升了模型的预测精确度。
5、但是，上述现有技术还存在着预测方法数据不平衡，以及针对处理多种数据的技术难点问题时，预测结果还无法达到更加精准的高要求。
技术实现思路
1、针对上述现有技术中存在的不足之处，本发明提供了一种基于rf-lstm的电力物资协议库存预测方法。其目的是为了实现的发明目的。
2、本发明为实现上述目的所采用的技术方案是：
3、一种基于rf-lstm的电力物资协议库存预测方法，包括以下步骤：
4、数据收集和准备；
5、将收集和准备好的数据进行分割；
6、利用分割后的非时间序列数据建立随机森林模型；
7、利用分割后的时间序列数据构建改进lstm模型：
8、对所构建的改进lstm模型进行训练；
9、将随机森林模型和改进lstm模型进行组合，计算预测输出的平均值，得到最终预测结果。
10、更进一步的，所述数据收集和准备，是指收集年库存物资历史采购数据和综合计划数据，以及其他相关的维度数据，并对数据进行清洗和预处理，包括以下步骤：
11、步骤1.1利用均值法处理数据的缺失值；
12、步骤1.2采用随机森林模型来评估每个数据点的特征重要性，根据这些特征重要性来检测异常值；
13、步骤1.3使用批量归一化对数据进行归一化处理。
14、所述其他相关的维度数据包括：投资规模、物资类别以及项目类型；所述对数据进行清洗和预处理，包括处理缺失值、异常值和标准化数据。
15、更进一步的，所述将收集和准备好的数据进行分割，是将数据划分为训练集和测试集，将一部分数据用于模型训练，另一部分用于模型评估。
16、更进一步的，所述利用分割后的非时间序列数据建立随机森林模型，包括以下步骤：
17、步骤3.1使用随机森林模型处理非时间序列数据，如投资规模、物资类别、项目类型等。用来对物资的特征以及相应的类别标签，每个样本代表一个物资，特征包括各种物资的属性、采购信息等。
18、步骤3.2将历史数据作为输入特征，训练随机森林模型用以预测库存和采购占比。
19、更进一步的，所述利用分割后的时间序列数据构建改进lstm模型，包括以下步骤：
20、步骤4.1改进lstm层的输出：使用lstm层处理时间序列数据，捕捉序列中的时间相关性和长期依赖关系，lstm层将输入序列逐步处理，并输出一个序列的隐藏状态；
21、步骤4.2批量注意力机制：在lstm层的输出上应用批量注意力机制；
22、步骤4.3加权平均：使用注意力机制计算的权重来对lstm层的输出进行加权平均；
23、更进一步的，所述对所构建的改进lstm模型进行训练，是指使用训练集数据分别对rf模型和改进lstm模型进行训练；
24、所述将随机森林模型和改进lstm模型进行组合，指计算预测输出的平均值，得到最终预测结果。
25、一种基于rf-lstm的电力物资协议库存预测方装置，包括：
26、收集和准备模块，用于进行数据收集和准备；
27、分割模块，用于将收集和准备好的数据进行分割；
28、建立模块，用于利用分割后的数据建立随机森林模型；
29、构建模块，用于利用分割后的数据构建改进lstm模型：
30、训练模块，用于对所构建的改进lstm模型进行训练；
31、组合和计算模块，用于将随机森林模型和改进lstm模型进行组合，计算预测输出的平均值，得到最终预测结果。
32、更进一步的，所述数据收集和准备，是指收集年库存物资历史采购数据和综合计划数据，以及其他相关的维度数据，并对数据进行清洗和预处理；
33、所述将收集和准备好的数据进行分割，是将数据划分为训练集和测试集，将一部分数据用于模型训练，另一部分用于模型评估；
34、所述利用分割后的非时间序列数据建立随机森林模型，包括以下步骤：
35、步骤3.1使用随机森林模型处理非时间序列数据，如投资规模、物资类别、项目类型等。用来对物资的特征以及相应的类别标签，每个样本代表一个物资，特征包括各种物资的属性、采购信息等。
36、步骤3.2将历史采购数据作为输入特征，训练随机森林模型用以预测库存执行余量和各种物资采购类别占比；
37、所述利用分割后的时间序列数据构建改进lstm模型，包括以下步骤：
38、步骤4.1改进lstm层的输出：使用lstm层处理时间序列数据，捕捉序列中的时间相关性和长期依赖关系，lstm层将输入序列逐步处理，并输出一个序列的隐藏状态；
39、步骤4.2批量注意力机制：在lstm层的输出上应用批量注意力机制；
40、步骤4.3加权平均：使用注意力机制计算的权重来对lstm层的输出进行加权平均；
41、所述对所构建的改进lstm模型进行训练，是指使用训练集数据分别对rf模型和改进lstm模型进行训练；
42、所述将随机森林模型和改进lstm模型进行组合，指计算预测输出的平均值，得到最终预测结果。
43、一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任一所述的一种基于rf-lstm的电力物资协议库存预测方法的步骤。
44、一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现任一所述的一种基于rf-lstm的电力物资协议库存预测方法的步骤。
45、本发明具有以下有益效果及优点：
46、1.综合不同数据类型：本发明的混合模型可以将电力物资库存协议数据的时间序列数据和非时间序列数据分别进行处理。通过结合rf和lstm模型，可以充分利用它们的特点，处理不同类型的数据。
47、2.提高预测准确性：本发明的混合模型可以提高系统整体的预测准确性。改进的lstm模型可以捕捉时间序列中的长期依赖关系，因此对于库存协议的时间序列数据，lstm具有较好的预测能力。改进随机森林模型可以用于处理其他特征，如各类物资采购占比、物资小类、库存执行余量等。
48、3.解释性：本发明的混合模型具有一定的解释性，可以帮助分析和理解库存协议预测中哪些特征对预测结果具有较大影响。这有助于制定更好的库存策略和决策。
49、4.灵活性：本发明的混合模型可以根据问题的需求和数据的特点调整不同模型的权重，以优化整体性能，更好地适应不同情境。
1.一种基于rf-lstm的电力物资协议库存预测方法，其特征是：包括以下步骤：
2.根据权利要求1所述的一种基于rf-lstm的电力物资协议库存预测方法，其特征是：所述数据收集和准备，是指收集年库存物资历史采购数据和综合计划数据，以及其他相关的维度数据，并对数据进行清洗和预处理，包括以下步骤：
3.根据权利要求1所述的一种基于rf-lstm的电力物资协议库存预测方法，其特征是：所述将收集和准备好的数据进行分割，是将数据划分为训练集和测试集，将一部分数据用于模型训练，另一部分用于模型评估。
4.根据权利要求1所述的一种基于rf-lstm的电力物资协议库存预测方法，其特征是：所述利用分割后的非时间序列数据建立随机森林模型，包括以下步骤：
5.根据权利要求1所述的一种基于rf-lstm的电力物资协议库存预测方法，其特征是：所述利用分割后的时间序列数据构建改进lstm模型，包括以下步骤：
6.根据权利要求1所述的一种基于rf-lstm的电力物资协议库存预测方法，其特征是：所述对所构建的改进lstm模型进行训练，是指使用训练集数据分别对rf模型和改进lstm模型进行训练；
7.一种基于rf-lstm的电力物资协议库存预测方装置，其特征是：包括：
8.根据权利要求1所述的一种基于rf-lstm的电力物资协议库存预测装置，其特征是：所述数据收集和准备，是指收集年库存物资历史采购数据和综合计划数据，以及其他相关的维度数据，并对数据进行清洗和预处理；
9.一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-6中任一权利要求所述的一种基于rf-lstm的电力物资协议库存预测方法的步骤。
10.一种计算机存储介质，其特征是：所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6中任一权利要求所述的一种基于rf-lstm的电力物资协议库存预测方法的步骤。
