1.一种基于配件市场价值的配件库存管控方法，其特征在于，包括以下步骤：A、建立被测配件的数据库：对数据空间中多个主题的数据进行整合、筛选、清洗处理，然后将数据抽取、计算后存入到建立的专业库中；

B、根据步骤A建立的数据库构建基于配件市场价值的组合预测模型：由LSTM模型和XGBoost模型通过LSTM自适应赋权法组合；

C、训练组合预测模型；具体实现方法为：提取配件需求量特征数据和配件供应量特征数据，带入组合预测模型，进行模型的训练与调参；在LSTM模型中代入特征数据判断是否收敛，调整参数直到收敛；在XGBoost模型中代入特征数据判断预测值和误差值是否最优，调整参数直到最优；

D、预测被测配件的供需量；具体实现方法为：将配件需求量特征数据和配件供应量特征数据输入步骤C训练后的组合预测模型中，来预测未来一周某配件的供应量和需求量；将配件市场供应量时序变化数据、配件的采购价格、采购周期、市场库存数、配件市场需求量时序变化数据、配件的销售价格、整车保有量、配件故障量都输入到组合预测模型中；采用非标准周统计从第i天到第i+7天的数据，根据之前七天预测未来七天的值；

E、计算被测配件的价值属性；具体实现方法为：根据步骤D中得到的配件需求量、供应量预测值判断配件价值属性，计算配件市场价值影响因子δi和配件市场价值修正系数σ，具体包括步骤E1到E5：E1、将配件在下一个库存周期的需求量预测值、供应量预测值的比值作为配件市场价值影响因子δi；

E2、市场价值影响因子δi大于1设置为高价值配件，市场价值因子δi小于1设置为低价值配件；

E3、找到配件市场价值影响因子集合Δ＝{δi，i∈N}中的最小值Min及最大值Max，N表示配件总数量；

E4、计算系数k：k＝(b‑a)/(Max‑Min)，将a设置为0.5，b设置为1.5；

E5：得到归一化至[a,b]区间的配件市场价值修正系数σ：σ＝a+k(δi‑Min)；

F、计算被测配件的库存配额：根据市场需求量预测值，得到单个代理商的库存限额；具体实现方法为：根据市场需求量预测值和配件市场价值影响因子，得到单个代理商的库存限额，具体包括步骤F1到F4：F1、确定单个代理商过去一个周期T内销量si占有市场s的比重F2、由配件需求预测值Q和F1中的比重计算得到单个代理商的需求量预测值Qi：F3、确定单个代理商过去一个周期T的需供比

F4、由F2、F3以及E中的配件市场价值修正系数计算得到单个代理商的库存限额G、设置库存上下限：根据库存限额以及单个代理商的需求量预测值设置库存上下限，并进行配件分类。

2.根据权利要求1所述的基于配件市场价值的配件库存管控方法，其特征在于，所述步骤A具体包括如下子步骤：A1、针对预测所需要的数据锁定配件数据空间和数据表；

A2、针对步骤A1锁定的数据表，根据所需数据锁定相应的字段；

A3、将步骤A1和步骤A2中的数据重新分类，然后合并成一个数据表；

A4、对数据空间和合并的数据表中的数据进行筛选，并对筛选后的数据进行统计和计算，得到专业库；

A5、提前根据预测结果和价值分析结果要用的字段建立起智能服务数据库。

3.根据权利要求1所述的基于配件市场价值的配件库存管控方法，其特征在于，提取配件需求量特征数据步骤为：

1)选取某配件，并按天为单位提取配件销售数据，并将异常数据使用销售数据均值替代；

2)将当天销售数量按连续日期补全，配件并不是每天都有销售记录，对于没有销售记录的数据填补为0，用于表征其实际的销售情况；

3)计算每天所对应的本周需求量和下周需求量；为了扩大数据量，将从i天到i+7天的销售总数量视为本周需求量，将从i+8天到i+14天的平均销售总数量视为下周需求量；

4)计算平均销售价，对于没有销售记录的数据，用平均销售价将数据补全；

5)从整车保有量表和配件故障量表中查找当前配件、当前时间的对应数据；

提取配件供应量特征数据步骤为：

1)选取某配件，按天提取出入库数据，并将数据异常的值使用均值代替，入库数量为正，出库数量为负；

2)连续日期补全，并按天统计供应量，第i+1天供应量数为第i天供应量与第i+1天入库数量之和或与第i+1天出库数量之差；

3)计算每天所对应的本周供应量和下周供应量，为了扩大数据量，将从i天至i+7天的平均供应量视为本周供应量，将从i+8天至i+14天的平均供应量视为下周供应量；

4)计算每天平均采购价格，对于没有入库记录的当天采购价，用平均采购价将数据补全；

5)计算当天平均采购周期，计算方法为截止到当天为止整车制造厂采购周期和代理商企业采购周期的平均数；

6)计算当前时间整车制造厂和下游服务站的总库存。

4.根据权利要求1所述的基于配件市场价值的配件库存管控方法，其特征在于，所述步骤G具体实现方法为：G1、考虑配件的自身特性以及结合市场需求量和市场供应量确定配件分类的指标；

G2、运用熵权法根据步骤A中各指标的变异程度确定权重；

G3、采用WFCM对抽取样本进行分类，然后采用轮廓系数对分类结果有效性进行验证，进而为分类模型的训练提供学习集；

G4、运用SVM分别对加权数据与不加权数据训练对比分类精度，进而为库存分类确定较优的分类模型。