一种基于Python的Prophet模型对保洁缺陷发生率时序

本发明涉及保洁缺陷发生率预测，尤其涉及一种基于python的prophet模型对保洁缺陷发生率时序预测方法。背景技术：1、随着社会的不断发展，保洁服务在日常生活中扮演着越来越重要的角色。然而，保洁服务中也存在着一些缺陷，如清洁不彻底、物品损坏等，这些问题不仅影响了服务质量，也给客户带来了不便。因此，如何预测并控制保洁缺陷的发生率，成为了保洁服务领域的一个重要问题。2、传统的保洁缺陷预测方法主要基于经验和人工判断，这种方法不仅效率低下，而且预测精度也难以保证。近年来，随着人工智能技术的不断发展，越来越多的研究者开始尝试利用机器学习算法来预测保洁缺陷的发生率。其中，基于时序预测的算法在处理具有时间序列特性的数据时表现出了较高的精度和稳定性。3、prophet是facebook开源的一款基于python的时序预测库，它能够通过自动挖掘时间序列中的趋势和周期性信息，实现对未来时间的精准预测。然而，目前尚无基于prophet的保洁缺陷发生率时序预测技术开发，这使得该领域的预测精度和效率仍需进一步提高。技术实现思路1、本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出一种基于python的prophet模型对保洁缺陷发生率时序预测方法，解决了无法通过缺陷发生率时序预测技术对保洁缺陷进行预测的问题。2、根据本发明提出的一种基于python的prophet模型对保洁缺陷发生率时序预测方法，具体方法如下：3、一、建立python的时序预测库4、通过采集保洁服务过程中的历史数据，所述历史数据包括保洁对象和对象的保洁状态数据；5、二、prophet保洁缺陷率预测模型建立6、根据常规因素引起的保洁缺陷建立基础保洁缺陷率，再结合其他因为时间原因导致保洁缺陷率增加的保洁缺陷率，构建预测模型；7、三、数据处理8、1、数据清洗，最初的数据集中，某些行的数据值存在缺失，我们用相应特征的均值来填充这些缺失值；9、2、数据格式化，将特征数据记录的文本转换为数值文本；10、四、特征提取11、1、对任务难度的特征进行分类；12、2、清洁经验特征将按照层次映射到数值；13、3、天气状况特征将被映射到数值；14、4、通过计算当前时间戳与数据集中第一个时间戳之间的差值来计算；15、5、将过去一段时间内的平均缺陷率作为特征纳入，以考虑缺陷率中的任何季节性模式或长期趋势；16、五、模型训练与预测17、数据集被分为80％的数据为训练集和20％的数据为测试集。18、在本发明的一些实施例中，所述保洁对象是将损耗波动性明显的保洁对象作为时序预测的对象，所述保洁状态数据采用记录损耗波动来统计保洁缺陷发生率。19、在本发明的另一些实施例中，prophet保洁缺陷率预测模型建立的公式为：20、y(t)＝g(t)+s(t)+h(t)+εt21、其中，y(t)是保洁对象的缺陷率，g(t)是趋势项，s(t)是季节性趋势，h(t)是节假日外部因素，εt是误差项，为无规律的因素引起的缺陷率异变。22、在本发明的另一些实施例中，趋势项的时间序列模型为：23、g(t)＝(k+a(t)tδ)t+(m+a(t)tγ)t24、其中，k是增长率；δ是增长率的变化量；m是补偿系数；a(t)是一个由二值函数产生的时间序列，若当前时间点等于变点，变点位置cj取1，否则取0，其中j表示变点的位置；γ是一个与a(t)等长的时间序列，其中的每个γj＝-cjδj，其中表示第j个变点位置对应的增长率变化量。25、在本发明的另一些实施例中，季节性趋势的时间序列模型为：26、27、使用参数向量β＝[a1，b1，......，an，bn]t，其中an，bn为需要拟合的系数，n表示傅里叶变换的阶数；其中p为时间序列的周期；28、以周为周期时，p＝7，n＝3；29、30、以日为周期是，p＝1，n＝3；31、32、季节项模型表示为s(t)＝x(t)β，其中β-normal(0，σ2)，σ为预设值，σ越大，季节性效应越明显。33、在本发明的另一些实施例中，所述节假日外部因素的时间序列模型为：34、h(t)＝z(t)κ35、z(t)＝[1(t∈d1)，......，1(t∈dl)]36、其中，l表示节假日数量，κi表示第i个节假日的影响值，di表示第i个节佳日的前后一段时间，κ-normal(0，v2)，标准差v为预设值，v越大，节假日对模型的影响越大。37、在本发明的另一些实施例中，所述模型训练与预测中数据集采用fit函数在训练数据上拟合prophet模型；使用predict函数在测试集上生成预测。38、在本发明的另一些实施例中，对保洁缺陷发生率的数据进行评估与优化：使用均方误差和平均绝对误差指标评估预测的准确性。39、在本发明的另一些实施例中，通过绘制线条图来实现可视化时间序列中的预测缺陷率与实际缺陷率进行比较；40、显示预测的置信区间，以指示预测的不确定性，如果置信区间很窄，则表示预测精度较高；如果置信区间很宽，则表示存在更大的不确定性。41、本发明中有益效果为：42、可以根据实际需求进行扩展，例如加入更多的特征、优化算法等，以进一步提高预测精度和稳定性。43、该技术方案基于python语言实现，可以利用现有的prophet库进行开发，降低了实现的难度和成本。44、该技术方案可以实时采集保洁服务数据并进行预测，能够及时发现潜在的保洁缺陷，为保洁服务提供实时的决策支持。技术特征：1.一种基于python的prophet模型对保洁缺陷发生率时序预测方法，其特征在于：具体方法如下：2.根据权利要求1所述的一种基于python的prophet模型对保洁缺陷发生率时序预测方法，其特征在于：所述保洁对象是将损耗波动性明显的保洁对象作为时序预测的对象，所述保洁状态数据采用记录损耗波动来统计保洁缺陷发生率。3.根据权利要求1所述的一种基于python的prophet模型对保洁缺陷发生率时序预测方法，其特征在于：所述prophet保洁缺陷率预测模型建立的公式为：4.根据权利要求3所述的一种基于python的prophet模型对保洁缺陷发生率时序预测方法，其特征在于：趋势项的时间序列模型为：5.根据权利要求3所述的一种基于python的prophet模型对保洁缺陷发生率时序预测方法，其特征在于：季节性趋势的时间序列模型为：6.根据权利要求3所述的一种基于python的prophet模型对保洁缺陷发生率时序预测方法，其特征在于：所述节假日外部因素的时间序列模型为：7.根据权利要求1所述的一种基于python的prophet模型对保洁缺陷发生率时序预测方法，其特征在于：所述模型训练与预测中数据集采用fit函数在训练数据上拟合prophet模型；使用predict函数在测试集上生成预测。8.根据权利要求1所述的一种基于python的prophet模型对保洁缺陷发生率时序预测方法，其特征在于：对保洁缺陷发生率的数据进行评估与优化：使用均方误差和平均绝对误差指标评估预测的准确性。9.根据权利要求1所述的一种基于python的prophet模型对保洁缺陷发生率时序预测方法，其特征在于：通过绘制线条图来实现可视化时间序列中的预测缺陷率与实际缺陷率进行比较；技术总结本发明公开了一种基于Python的Prophet模型对保洁缺陷发生率时序预测方法，具体方法如下：一、建立Python的时序预测库；二、Prophet保洁缺陷率预测模型建立；三、数据处理；四、特征提取；五、模型训练与预测。本发明可以根据实际需求进行扩展，例如加入更多的特征、优化算法等，以进一步提高预测精度和稳定性；可以利用现有的Prophet库进行开发，降低了实现的难度和成本，该技术方案可以实时采集保洁服务数据并进行预测，能够及时发现潜在的保洁缺陷，为保洁服务提供实时的决策支持。技术研发人员：李晨阳,刘柱光,杨超受保护的技术使用者：深圳市金地物业管理有限公司技术研发日：技术公布日：2024/8/16