基于Group-BiLSTM-LightGBM的物料配送需求量预测*

崔 凯，郭 宇，钱伟伟，张 浩，查珊珊，刘金山

(1.南京航空航天大学机电学院，南京 210016；2.中国电子科技集团公司第三十八研究所，合肥 230031；3.北京卫星制造厂，北京 100190)

0 引言

随着新一代网络信息技术的快速发展，制造业面临的市场环境和社会环境发生了重大变化，多品种、变批量、定制化已成为当前典型的生产特征，显著增加了物料配送系统的复杂性。保证车间物料在合适的时间、以正确的数量配送至所需的工位对于提升车间制造水平具有重要意义。

为了解决制造车间物料准确配送问题，近年来众多学者对其进行了广泛研究。如宋江[1]在JIT(just in time)理论的基础上提出了JIS(just in sequence)配送模式，能够进一步降低库存量，满足个性化定制的装配需求。沈维蕾等[2]针对不确定加工时间下装配过程物料配送问题，提出一种基于实时信息驱动的物料配送模式。CHOI等[3]开发一套用于汽车装配过程的动态零件进给系统，以动态估计零件消耗量，为离散制造车间物料配送提供了思路。张连超等[4]提出一种基于灰色理论的卫星总装数字孪生车间物料需求时间预测方法，以揭示物料需求时间变化的内在规律。明菲菲[5]通过建立BP神经网络对总装车间生产物流系统中的物料配送时间进行预测以确保不会因为物料未上线而出现装配停止的现象。江东[6]采用BP神经网络对发动机物料需求进行预测并取得了较好的效果。周炳海等[7]等提出基于知识库和神经网络的调度方法，有效解决了装配线中多载量小车物料配送的动态调度问题。黄雪思[8]提出基于物料消耗率的LSTM(long short term memory)模型，实现准确的物料需求时间预测，从而达到物料的精准配送。

综上所述，国内外在物料配送模式和系统方面进行了大量的研究，并且有学者开始将人工智能技术在物料配送问题进行应用，取得了良好的效果，但是还存在物料配送准确性差的问题。因此，本文提出基于Group-BiLSTM-LightGBM的物料需求量预测方法，将Group-BiLSTM网络和LightGBM(light gradient boosting machine)模型的输出结果进行集成，获得最终的车间物料需求量预测值。该集成模型可获得较高的预测精度且具有良好的泛化性能。

1 问题描述

车间内N个工位所需物料均由一个配送中心提供，每个工位都有一个物料缓存区，其对应物料W的存储容量范围为[Qmin,Qmax]。工位的物料消耗速度动态变化，通过车间部署的智能感知设备实时监控各工位的物料消耗速度和缓存区容量，并据此动态调整每一次配送过程各工位的物料配送时间窗口[Tlow,Thigh]，其中，Tlow为最早配送时间，Thigh为最晚配送时间。以缓存区容量不为0为前提，确定工位服务时间窗的区间长度[9]，工位Ni(i=0,1,…,N)物料W的时间窗长度的计算公式为：

L=Qmin×ci

(1)

式中，Qmin为工位Ni物料W缓存区的最小容量；ci为单位物料W在工位Ni的消耗时间。

在每一次配送过程中，根据工位缓存区的当前容量，确定工位Ni每次配送的配送量，工位Ni物料W的配送量计算公式为：

(2)

(3)

(4)

为了描述不同节拍下的生产，使用ϑ来衡量车间的节拍，将一天的时间划分。以ϑ=30 min为例，将每天24 h分为48个时段，采取如下方式表示，具体为1表示(0:00～0:30)，2表示(0:30～1:00)，以此类推，并且预测每天8:30～18:30期间每个工位每种物料未来ϑ的需求量。

2 基于Group-BiLSTM和LightGBM的物料需求量预测

2.1 数据描述和预处理

考虑和物料需求量相关的特征，针对工位Ni、物料W的配送需求，本文的输入数据Xi主要由以下特征组成，可描述为：

步骤1：进行归一化预处理，计算公式为：

(5)

2.2 基于Group-BiLSTM的物料需求量预测

ft=σ(Wf[ht-1,xt]+bf)

(6)

(7)

(8)

(9)

(10)

(11)

为了能同时提取时序特征，分析数据在向前、向后两个时间方向上的未知关联，从正反两个方向挖掘时序特征，相互约束以形成信息闭环。改进后的Group-BiLSTM网络结构如图1所示，详细计算公式如式(12)～式(15)所示。该网络使用多个BiLSTM去挖掘每个特征以及时序特征之间隐含的规律，获得更加准确的物料需求量的预测值。

图1 Group-BiLSTM的网络结构

(12)

式中，BiLSTM(·)表示式(9)～式(11)定义的BiLSTM操作。

(13)

将抽取的时序特征fa,fo,fl,...,fm_d作为全连接层FC_1的输入，计算公式为：

YFC_1=FC(fa,fo,fl,...,fm_d)

(14)

式中，FC(·)表示全连接层操作。

(15)

2.3 基于LightGBM的物料需求量预测

图2 LightGBM模型的预测过程

LightGBM模型是一种分布式梯度提升决策树增强框架[12]。由于LightGBM模型是决策树模型，与Group-BiLSTM不同，不需要对输入特征做归一化操作，另外，LightGBM模型可以直接处理类别特征(例如，节假日信息特征)以及数据特征缺失问题，无须对其进行编码。基于LightGBM模型物料需求的预测过程如图2所示。

(16)

最佳基础模型ft对应最佳树的结构q(x)，对于任意一棵回归树都可以表示为wq(x),q∈{1,2,…,J}。其中，J表示叶子节点数量；q表示树的决策规则；w是表示叶子节点样本权重的向量。LightGBM以加法形式进行训练，其中第t步训练过程的计算公式为：

(17)

目标函数用牛顿法快速逼近，最终是寻找一个合理的ft，使Γt尽可能小，为了简化问题，可将公式转化为式(18)。

(18)

式中，gi和hi表示损失函数的一阶和二阶梯度值，式(18)可以被转化为式(19)。

(19)

(20)

(21)

通过贪心法，即在某个已有的可划分节点中加入一个分割，并通过计算分割前后的增益值决定是否剪枝，从而挑选出使J(ft)达到最小的最佳的树结构q，增益的计算公式为：

(22)

式中，GL和HL为某节点分割后对应的左支样本点的导函数值；GR和HR为某节点分割后对应右支样本点的导函数值。

(23)

式中，fT(X)表示最终的模型；ft(X)为第Ti(0≤Ti≤T)棵回归树的输出值。

2.4 基于最优加权组合的物料需求量模型集成

在Group-BiLSTM网络和LightGBM模型预测得出物料需求量结果的基础上，采用最优加权组合的方法确定权重系数[13]，将两者进行有效集成，组合预测的流程如图3所示。

图3 组合预测流程

由图可知，组合预测流程包括Group-BiLSTM网络和LightGBM模型分别训练、验证、预测和有效集成，其中最优加权组合步骤是为了分别获得模型权重系数，权重系数的详细求解步骤如下：

首先，求出偏差矩阵E，即：

(24)

式中，N*为物料需求量验证集采样总数；e1t和e2t分别为Group-BiLSTM和LightGBM模型在t时刻的预测值与真实值的误差。

其次，令R=[1,1]T，则组合系数约束条件为RTK=1，通过拉格朗日乘子法可以求出最优权重，计算公式为：

(25)

式中，K=[w1w2]T；w1和w2分别为Group-BiLSTM和LightGBM模型的权重系数，满足w1+w2=1。

最后，模型集成后的物料需求量计算公式为：

(26)

3 实验分析

本文选取某航天装配车间作为验证对象，该车间包含10个工位，通过智能采集设备获得25 469条带有标签的车间制造数据。按照8:1:1的比例分为训练集、验证集和测试集。采用的硬件平台配置为Intel Core i9-10980XE CPU和NVDIA GTX 3090Ti GPU。软件采用Python语言实现。

3.1 参数设置

超参数的设置对于LSTM网络和LightGBM模型的收敛速度及预测效果有着重要的影响，本实验采用文献[14]所提出的超参数搜索方法，设置的参数如表1所示。

表1 Group-BiLSTM和LightGBM的参数设置

3.2 实验结果与分析

为了验证本文所提模型的性能，选取平均绝对百分比误差EMAPE和均方根误差ERMSE作为实验的评价指标，计算公式分别为：

(27)

(28)

式中，yt为t时刻物料需求量的真实值；Ntest为测试集的样本数。

分别采用不同组合模型对现场采集的实时数据进行物料需求预测，实验结果如表2所示。

表2 不同模型的结果比较

表中一天对应的值是指测试集中2020年11月1日～2020年11月30日中模型评价指标的平均值，同理，半小时对应的值是指测试集中2020年11月1日～2020年11月30日中每半个小时模型评价指标的平均值。由表2可知， Group-BiLSTM-LightGBM在EMAPE的评价指标下的按照半小时和一天的时间间隔预测性能最优，分别达到了0.203和0.047。在ERMSE的评价指标下按照半小时和一天的时间间隔预测性能也最优，分别达到了17.26和259.938。

对比不同模型对2020年11月2日工作时间每半小时的物料需求量预测值，结果如图4所示。

图4 单一和组合模型的预测对比

由图4可知，通过不同模型的对比，Group-BiLSTM-LightGBM预测效果总体最优，LightGBM和Group-BiLSTM预测效果较优，BiLSTM预测效果总体上最差。对实际值发生突变的点(如12点)，Group-BiLSTM-LightGBM集成模型仍具有较高的精确度，说明本文所提Group-BiLSTM-LightGBM集成模型具有物料需求量预测精度高和鲁棒性强的优势。

对比不同组合模型对2020年11月2日工作时间每半小时的物料需求量预测值，结果如图5所示。

图5 不同组合模型的预测对比

由图5可知，在不同组合模型的对比中，Group-BiLSTM模型的误差最大，在实际值发生突变的点(如12点)ARIMA-LightGBM和Group-BiLSTM-ARIMA组合模型的预测效果相对单个模型较好，Group-BiLSTM-LightGBM的预测效果总体均保持在较高的水平，且误差变化更加平稳，能够更好的地预测出车间物料需求量的变化趋势。

4 结束语

本文研究了基于Group-BiLSTM-LightGBM的物料配送需求量预测方法，主要贡献如下：①提出了一种改进的Group-BiLSTM网络架构。②提出一种将Group-BiLSTM和LightGBM集成的物料配送需求量预测方法，并采用Optuna进行超参数优化，使得模型能够获得精确的预测值。③实验验证表明，本文所提方法能够满足物料配送需求量预测要求，具有良好的性能，较为明显提升车间物料配送量需求量预测能力。

综合考虑本文的研究内容和领域的发展，在后续研究中，可以考虑增加更多的关联特征，如增加工序、故障等其它特征，并对各个特征进行特征选择，得出最佳特征集。此外，可以考虑车间的突发状况数据，进一步提高模型的鲁棒性，以期提升物料配送水平。