工业气体行业的大多数客户是大型制造业企业,如钢铁,化工等企业,其特点是生产线不能轻易中断,这就要求用来驱动生产线的气体供应也不能中断。同时,大部分客户会委托气体公司直接管理他们的气体供应,因此气体公司需要投入大量人力来监控、管理这些客户的气体供应。在当前流程内,气体公司主要依靠计划员来预测客户的需求,并制定配送计划,效率十分低下。如何提高这个环节的效率,成为一个亟待解决的问题。本文的目的,就是寻找适合工业气体行业的客户用气预测模型,开发一套预测客户需求和生成配送计划的系统。通过这套系统来代替部分人工操作,提高气体供应中监控和管理的自动化程度,降低人力成本。本文首先对预测模型的算法进行了研究和优化。在预测连续数据时,分别比较了多元线性回归模型、普通神经网络模型、高斯过程回归模型和支持向量机模型这几种经典模型,最终提出并采用了一种混合预测模型;在预测非连续数据时,采用了深度神经网络模型。通过大量的实验,本文对每种模型的预测准确度都进行了充分的评估,并且与一款业界成熟的商业性软件Demantra预测出来的结果作了比对。比较结果,本文提出的混合预测模型在连续性数据预测中,比商业预测软件Demantra的准确度高25%左右。本文然后对气体公司的当前流程进行了梳理和分析,找到了整个流程中效率最低的环节和明显的缺陷,并设计了对应的解决方案及系统。通过这套系统来代替原先流程上的一部分人工操作,力求提升流程效率,弥补流程缺陷。本文最后将优化后的预测模型应用到系统中,开发并实现了这套系统。通过比对人工安排的实际配送计划及系统生成的预测配送计划,我们发现:该系统在客户预测及制定配送计划的流程中,可以比原先节省大约30%的人工时,确实提高了整个流程的效率,基本达到了原定的设计目标。