一种应对外界重大变动的需求预测方法

技术领域

本发明涉及库存管理技术与预测技术领域，尤其涉及一种应对外界重大变动的需求预 测方法。

背景技术

近年来，我国社会商品零售额始终保持不断增长的态势。其中，线上平台网购渠道成 为了消费者购买产品的主要方式。随着网购市场规模的扩大，对供应链提出了更高层次的要求。在供应链中，物流企业既需要承接上游供货商的供应，又需要负责为下游分发 产品，对供应链周转效率有重要影响。

着眼于当下物流企业的库存管理流程，需要对上游补货和下游销售情况都进行预测， 以此作为制定库存优化方案和出入库计划的依据之一。具体问题包括：在实际情况中，传统的以经验导向、人工决策为主的预测方式无法满足目前庞大的市场需求，难以适应 复杂的供应链上下游环境，存在较多缺陷。

第一、管理与决策过程数据参与程度低。在企业信息系统逐渐普及运用的现在，数据 能够得到有效的记录与保存，但是在管理者实际决策时，过于依赖历史经验，而无法充分利用数据资源为决策提供辅助支持，形成数据资源的浪费，决策结果也存在较大误 差。

第二、预测目标随机性较大，预测难度较高。消费需求不确定性强，差异性较大。不同地区，不同时间节点，对不同品牌与类型的商品需求存在较大差异。此外，外部环境 风险所引发的需求剧烈变动也会增加预测的难度。

第三、外部环境重大变动对预测结果准确性产生较大负面影响。外部环境具有较强的 不确定性，例如疫情等因素。这类不确定性往往会对消费者的需求产生剧烈的影响，并 且通过一般的预测方法难以捕捉，进而导致物流企业基于传统方式预测的需求数量与实 际存在显著差异。

第四、传统的预测方法考虑的因素过于简单，预测效果差。目前的预测方法主要依靠 基于历史订单数据的预测方法形成。方法简单，但是预测结果过于依赖管理人员的经验，往往导致预测结果与实际情况存在较大偏差。

综上所述，当前物流企业在需求的预测方法存在缺陷，无法有效应对复杂的预测情 景，预测结果的准确率较低，进而影响物流企业给出一个合理有效的库存优化方案，导致供应链整体协同效率低。

发明内容

本发明的目的是提供一种应对外界重大变动的需求预测方法，可以充分利用物流企业 现有的数据资源，并且考虑到外部环境潜在的变动因素，进而有效提高需求数量的预测 结果，为企业库存管理过程提供决策支持，帮助企业降低库存成本，减少库存压力。

本发明的目的是通过以下技术方案实现的：

一种应对外界重大变动的需求预测方法，包括：

设定参考历史时期长度与需求特征，获取参考历史时期内对应需求特征数据与销售 订单数据作为总数据集，并将总数据集划分为训练集与验证集，再对训练集与验证集中的需求特征数据进行预处理；

使用训练集分别训练支持向量机回归模型、连续型受限玻尔兹曼机与梯度提升树， 训练完毕后得到三个初级学习器；

将验证集中的需求特征数据分别输入至三个初级学习器，获得预测结果；

使用线性回归作为次级学习器，结合预测结果得到三个初级学习器对应的权重，进 而得到线性混合总模型；

利用线性混合总模型预测产品需求数量。

由上述本发明提供的技术方案可以看出，本方案充分利用物流企业自身丰富的大数据 资源，同时考虑了外部环境重大变动的影响，借助多个高效精确的机器学习模型相结合 的方法，发挥不同模型在需求预测中的优点，同时利用机器学习模型与大数据捕捉外部环境重大变动的潜在因素，能够有效缓解预测目标与外部环境不确定性大对预测结果带来的影响，显著提高物流企业对需求数量预测的准确率，辅助优化企业决策结果。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的 附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得 其他附图。

图1为本发明实施例提供的一种应对外界重大变动的需求预测方法的示意图；

图2为本发明实施例提供的一种应对外界重大变动的补货预测方法的示意图；

图3为本发明实施例提供的一种应对外界重大变动的补货与需求预测方法的总体框架 模型示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地 描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

本发明实施例提供了一种应对外界重大变动的需求预测方法，如图1所示，其主要包 括：

步骤1、设定参考历史时期长度与需求特征，获取参考历史时期内对应需求特征数据 与销售订单数据作为总数据集，并将总数据集划分为训练集与验证集，再对训练集与验证集中的需求特征数据进行预处理。

本步骤的优选实施方式如下：

1)设定需求特征的类型，以及设定参考历史时期长度为n。

本发明实施例中，需求特征数据的类型主要包括：预测到的补货数量、仓库所在城市、商品品类、过去一段时间(例如过去五个月)商品出库量、过去一段时间商品入库 量、当期所在月份、本期是否有促销活动。后续将会在训练学习过程中综合分析以上需 求特征，并考虑到过去一段时间出库入库量的变化趋势，不断校准预测结果，以及时发 现潜在的、人们较难提前预判的外部环境风险因素，做出能够应对重大变化的预测。

2)获取历史n期的销售订单数据与相应类型的需求特征数据，总数据集中样本的数 目为n，单个样本中包含需求特征数据以及相对应的销售订单数据，需求特征数据是所有 需求特征组成的向量，其作为输入x，销售订单数据作为需求预测目标真实数据y。

3)按照设定的固定数据切割比例α，从总数据集随机抽取α比例的数据作为验证集， 记为D

以前文提供的需求特征数据的类型为例，最终补货预测数量、过去一段时间商品出 库量、过去一段时间商品入库量为数值型数据；仓库所在城市、商品品类、当期所在月份、本期是否由促销活动为类别型数据。

本发明实施例中，预测补货数量的方案可以采用现有技术实现，但是考虑到现有方 案中存在的如下问题：1)制造商产能与交付时间双重约束下的不确定性，影响到物流企业准确预测供货商补货数量。此外，外部环境风险所引发的补货剧烈变动也会增加预测 的难度。2)外部环境重大变动对预测结果准确性产生较大负面影响。外部环境具有较强 的不确定性，例如疫情等因素。这类不确定性往往会对供应商的补货能力需求产生剧烈 的影响，进而导致物流企业基于传统方式预测的补货数量与实际存在较大偏差；然而这 类不确定性因素通过一般的预测方法难以捕捉，导致预测结果与实际情况存在较大偏 差。因此，本发明实施例提供一种可以应对外界重大变动的补货预测方案，该方法充分 利用物流企业现有的数据资源，并且考虑到外部环境潜在的变动因素，进而有效提高需 求数量的预测结果，如图2所示，为本发明实施例提供的一种应对外界重大变动的补货预 测方法的示意图，主要包括：

步骤11、根据设定的参考历史时期长度，获取上游供货商补货入库数量数据，并进行预处理。

本步骤的优选实施方式如下：

1)设定参考历史时期长度为n，获取上游供货商补货入库数量数据记为X

2)对上游供货商补货入库数量数据X

先计算级比

3)对数据进行累加得到预处理后的数据X

步骤12、利用预处理后的数据得到灰色预测模型，进而通过灰色预测模型得到初步 预测数据。

本步骤的优选实施方式如下：

1)设置灰色预测模型为GM(1,1)，具体的形式为：

x

其中，a表示发展系数，b表示灰色作用量；通过对预处理后的数据X

2)利用获取上游供货商补货入库数量数据X

采用最小二乘法求解灰色预测模型中的参数，求解公式表示为：

其中，

根据上述方法估计得到的灰色预测模型参数

通过

步骤13、根据初步预测数据设定马尔可夫预测状态区间个数，以及各个状态区间的 上限与下限，并根据初步预测数据得到马尔可夫预测模型，进而预测最终的产品补货数量。

本步骤的优选实施方式如下：

1)根据初步预测数据设定马尔可夫预测状态区间个数，以及各个状态区间的上限与 下限，包括：

根据初步预测数据，将补货数量划分为U个状态区间，第u个状态区间表示为

本领域技术人员可以理解，状态区间的上下限是一个数值，也可以说是一个乘数，例如，0.8，1，1.1。上下限数值乘上

2)根据初步预测数据得到马尔可夫预测模型，包括：

根据初步预测数据，计算得到第u个状态区间向第s个状态区间状态转移的条件概率 p

这一步操作可以生成一个U×U的状态转移矩阵P，具体形式如下：

3)利用马尔可夫预测模型预测最终的产品补货数量包括：

已知第n期补货数量属于状态区间E

其中，A

值得注意的是，补货数量主要作为需求预测方案中一项需求特征，本发明实施例提 供的补货预测方案是作为一种优选方案并非唯一方案。在本发明提供的需求预测方案的 基础上，即便采用传统的补货预测方案得到的补货数量，最终的需求预测效果依然优于传统的需求预测方案。

如图3所示，为需求预测方案结合补货预测方案后的整体框架模型。通过将历史补货 数据输入到补货预测方法(本发明提供的或者传统的方案)中，可以输出该方法预测得到的补货数量。补货数量可以作为需求特征数据的其中一项，与其余需求特征数据、历 史销售订单数据一起作为需求预测方法的输入，通过需求预测方法的计算，输出预测得 到的需求数量。通过精确预测得到的补货数量与需求数量，最终都会输入到物流企业现 有的库存管理信息系统当中，方便物流企业库存管理人员查看，并作为决策库存优化与 调拨方案的准确依据，提高物流企业运转效率，降低成本，同时物流企业的信息化程度 与大数据资源利用效率都得到显著提升。

步骤2、使用训练集分别训练支持向量机回归，连续型受限玻尔兹曼机与梯度提升树，训练完毕后得到三个初级学习器。

本步骤的优选实施方式如下：

1)训练支持向量机回归模型。

将支持向量回归模型设为h

将支持向量回归问题形式化为：

引入拉格朗日乘子μ

上式中，α,

利用KKT条件求解此对偶问题：

其中，C为正则化常数，ξ

求解模型参数，并考虑特征映射形式，得到模型参数

最终，得到训练好的支持向量机回归模型为

2)训练连续型受限玻尔兹曼机。

设定连续型受限玻尔兹曼机网络结构，包括：依次设置的可见层、隐藏层和输出层；其中，可见层中包含与需求特征数据个数相等的神经元个数，记为Q个，输出层只包 含一个神经元。

由于传统的玻尔兹曼机结构只能处理二值数据，所以在本实施例中，需要在传统的玻 尔兹曼机结构基础上，对可见层与隐藏层之间的神经元状态及其激活函数进行连续化处 理。通过在神经元中添加一个均值为0，方差为σ的Gaussian变量，经过连续化后的隐藏 层神经元状态为

构造完成连续型受限玻尔兹曼机模型之后，使用对比散度算法并结合训练集，训练 可见层与隐藏层之间的网络参数，对可见层与隐藏层之间的权重参数，各个神经元的偏置向量进行更新。

在连续型受限玻尔兹曼机中，可见层和隐藏层各自层内神经元有着自己的状态。在 对比散度算法中，会随机初始化可见层中各个神经元的初始状态，然后通过概率分布采样的方式得到隐藏层中的状态，进而根据可见层和隐藏层的状态在每次循环中更新两层神经元之间的连接权重以及偏置向量。

在隐藏层与输出层之间不经过激活函数转换，直接输出，使用均方误差作为损失函 数，训练隐藏层与输出层之间的权重参数，得到训练好的连续型受限玻尔兹曼机h

本领域技术人员可以理解，可见层与隐藏层之间的网络参数、隐藏层与输出层之间 的权重参数是两组参数，并且两组参数分阶段训练。通常，先训练可见层与隐藏层之间的参数，然后再训练隐藏层到输出层的网络参数(即权重)。

3)训练梯度提升树。

以CART回归树作为梯度提升树的弱学习器，初始化弱学习器；

设定训练迭代次数，在每次迭代中以平方损失作为损失函数，对训练集上每个需求 特征数据计算损失函数的负梯度，此时损失函数的负梯度即为残差；

将残差作为样本新的真实值y，用于拟合参数学习得到新的CART回归树(估计回归树节点区域，以拟合残差的近似值)，将新的CART回归树叠加至初始化的弱学习器上， 结果作为更新的强学习器；

重复上述步骤(也即每一次迭代过程中不断往初始弱学习器上叠加新的CART回归树，作为更新的强学习器)直至达到训练迭代次数为止，输出最后一步迭代更新出的强 学习器，作为最终得到的学习器，该最终学习器即为训练完成的梯度提升树，记为 h

将上述训练得到的模型h

步骤3、将验证集中的需求特征数据分别输入至三个初级学习器，获得预测结果。

本步骤的优选实施方式如下：

对于验证集中的需求特征数据，分别使用三个初级学习器进行预测，得到验证集中 需求特征数据x

步骤4、使用线性回归作为次级学习器，结合预测结果得到三个初级学习器对应的权 重，进而得到线性混合总模型。

本步骤的优选实施方式如下：

使用线性回归作为次级学习器，结合预测结果得到三个初级学习器对应的权重。

线性回归的模型参数求解公式表示为：

其中，

步骤5、利用线性混合总模型预测产品需求数量。

本步骤的优选实施方式如下：

将未来的第n+1期的需求特征数据作为输入，分别使用三个初级学习器进行预测，获得三个初步预测结果，并作为线性混合总模型的输入，线性混合总模型融合三个初步 预测结果(也即，计算三个初步预测结果的加权和)，最终预测出产品需求数量。

本发明针对物流企业需要准确预测未来一段时间内补货与需求数量，作为优化库存 调拨方案决策依据的场景，充分利用物流企业自身丰富的大数据资源，同时考虑了外部环境重大变动的影响，借助多个高效精确的机器学习模型相结合的方法，发挥不同模型 在补货与需求预测中的优点，同时利用机器学习模型与大数据捕捉外部环境重大变动的 潜在因素，能够有效缓解预测目标与外部环境不确定性大对预测结果带来的影响，显著 提高物流企业对补货数量和需求数量预测的准确率，辅助优化企业决策结果。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以 通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一 个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得 一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施 例所述的方法。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替 换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的 保护范围为准。