一种间断需求的预测方法技术

本发明专利技术涉及一种间断需求的预测方法，其特征在于：通过提取分类模型训练特征

A forecasting method of discontinuous demand

【技术实现步骤摘要】
一种间断需求的预测方法
本专利技术涉及机器学习和供应链管理的交叉领域,尤其是涉及对消费者的间断需求进行模式挖掘和预测的方法。
技术介绍
间断需求是指在产品销售的时间序列中，存在某些间歇性时段产品有库存而需求量或销量为0。在供应链管理中，间断需求往往意味着产品容易过期、过时或滞销，这将对库存效率优化、降低运营成本带来巨大的挑战。事实上，在任何供应链中，任何产品都可能存在间断需求。这类产品往往在总库存价值占据比较高的比例，比如60％(Johnstonetal.,2003)，尤其是航空航天配件、汽车零售、奢侈品、大型机械等；Molenaers(2010)分析的案例中，石化企业54％的库存产品已经5年没有动销。因此，改进间断需求的预测方法，对辅助供应链管理决策、提升组织的供应链运营效率、降低库存成本，具有较大的现实意义和应用价值。目前的预测方法更多的是集中在传统时间序列框架，包括ARIMA、指数平滑、移动平均以及Croston法等(1972)。其中，Croston方法在实际中有较多应用，且已经嵌入SAP、ForecastPro.等ERP系统。该方法考虑了需求发生概率和需求量的分解，利用指数平滑分别更新每一期的正需求量和需求间隔，需求量/需求间隔即是每一期的预测结果。该方法有3个不足：1)预测结果存在系统性正偏，2)在经历数期的0需求以后，预测结果变得不可用；3)未能充分利用大量的业务相关数据。“互联网+”时代下，各个行业的数据量呈爆发式增长，很多过去不能收集的数据现在都变为可能。这就需要我们开发出能够充分利用大量的新增数据进行间断需求预测的方法。按照分而治之的思想，我们把间断需求的预测分为两个阶段：1)是否有需求的分类预测，2)需求量的回归预测。结合机器学习的方法，充分利用大数据背景下的全渠道、全链路信息。
技术实现思路
为了解决上述存在的技术问题，本专利技术采用了以下方案：一种间断需求的预测方法，其特征在于：包括以下步骤：1)确定任务目标为预测未来T期的N个产品的需求；2)收集历史需求信息、产品相关信息以及未来的营销计划数据；3)分别提取N个产品、历史T0期的历史信息构建分类训练特征N个产品、未来T期的历史信息构建分类预测特征对历史需求进行标记，如果需求大于0，则标记为1，否则标记为0；4)提取N个产品、历史T0期的历史信息构建回归模型训练特征N个产品、未来T期的历史信息构建回归模型预测特征5)对N个产品提取聚类特征F3，进行聚类，得到K个类别；6)根据聚类结果，分别对K个类别训练分类预测模型M1和回归预测模型M2；7)用M1对N个产品未来T期进行是否有需求的分类预测；8)如果产品n，未来第t期的分类结果为有需求，即预测值为1，则用M2预测需求数值，其中n∈[1,N],t∈[1,T]；9)每隔Tit期，重复聚类和模型训练过程。所述的间断需求的预测方法，其特征在于：步骤2)所述的历史需求包括：实际销量、被截尾需求和实际销量的总和。所述的间断需求的预测方法，其特征在于：步骤5)所述的聚类特征F3包括：产品属性、产品之间的相关性、产品销量和特征的统计量。所述的间断需求的预测方法，其特征在于：步骤5)所述聚类包括划分法、层次法、密度算法、图论聚类法、网格算法、模型算法、关联聚类、子空间聚类、模式聚类。所述的间断需求的预测方法，其特征在于：步骤6)所述分类预测模型M1包括决策树、随机森林、神经网络、逻辑回归、支持向量机、xgboost、GBDT、贝叶斯分类器。所述的间断需求的预测方法，其特征在于：步骤6)所述回归预测模型M2包括决策树、随机森林、神经网络、支持向量机、xgboost、GBDT、线性回归。所述的间断需求的预测方法，其特征在于：所述步骤3)中所述的分类预测特征与所述步骤4)回归预测特征相同或不同。所述的间断需求的预测方法，其特征在于：步骤9)所述模型训练包括滚动训练方法，其中，每次训练都采用固定T0期的历史信息。该间断需求的预测方法具有以下有益效果：本专利技术间断需求的预测方法，能够充分利用大量的新增数据进行间断需求预测。按照分而治之的思想，把间断需求的预测分为两个阶段：1)是否有需求的分类预测，2)需求量的回归预测，结合机器学习的方法，充分利用大数据背景下的全渠道、全链路信息。通过多任务进行分解，提升模型的表征能力。预测结果没有系统性正偏，预测结果能够很好的利用。附图说明图1：专利技术间断需求量预测流程图。具体实施方式下面结合附图和具体实施例对本专利技术作进一步详细说明，但这些实施例仅用于解释和说明本专利技术，不作为对本专利技术的保护范围限定。本专利技术的范围由权利要求书来限定，其中某些要素的改变、替换等是都包含在本专利技术的保护范围之内。本专利技术的技术方案为，提取分类模型训练特征预测特征分类模型训练特征预测特征和聚类特征F3；先对产品进行聚类，对每一个类别分别训练是否有需求的分类模型M1；对每一个类别分别训练需求量的回归预测模型M2；用M1预测未来每个产品是否有需求；若预测存在需求，则用M2预测具体的需求量；每隔一段时间，重复聚类、模型训练过程。假设要预测未来T期的N个产品的需求。1)收集历史需求信息、产品相关信息以及未来的营销计划数据；2)分别提取N个产品、历史T0期的历史信息构建分类训练特征N个产品、未来T期的历史信息构建分类预测特征对历史需求进行标记，如果需求大于0，则标记为1，否则标记为0；3)提取N个产品、历史T0期的历史信息构建回归模型训练特征N个产品、未来T期的历史信息构建回归模型预测特征4)对N个产品提取聚类特征F3，进行聚类，得到K个类别；5)根据聚类结果，分别对K个类别训练分类预测模型M1和回归预测模型M2；6)用M1对N个产品未来T期进行是否有需求的分类预测；7)如果产品n，未来第t期的分类结果为有需求，即预测值为1，则用M2预测需求数值，其中n∈[1,N],t∈[1,T]；8)每隔Tit期，重复聚类和模型训练过程。上述方案中，1)所述T0取值范围包括但不限于:未来1小时-10年范围内的任意时长。上述方案中，1)所述需求量包括：实际销量、被截尾需求和实际销量的总和。上述方案中，2)和3)所述分类模型特征和回归模型可以不相同，两者都包括但不限于：历史销量、历史价格、评论、营销活动、广告信息、客户购买行为记录、趋势信息、周期信息、季节信息。上述方案中，4)所述聚类特征F3包括但不限于:品牌、类目、功能参数、价位、渠道特性、社会属性、使用寿命、消费速度等。上述方案中，4)所述聚类方法包括：划分法、层次法、密度算法、图论聚类法、网格算法、模型算法、关联聚类、子空间聚类、模式聚类。上述方案中，5)所述分类模型M1包括：决策树、随机森林、神经网络、逻辑回归、支持向量机、xgboost、GBDT、贝叶斯分类器。上本文档来自技高网...

【技术保护点】
1.一种间断需求的预测方法，其特征在于：包括以下步骤：/n1)确定任务目标为预测未来T期的N个产品的需求；/n2)收集历史需求信息、产品相关信息以及未来的营销计划数据；/n3)分别提取N个产品、历史T

【技术特征摘要】
1.一种间断需求的预测方法，其特征在于：包括以下步骤：
1)确定任务目标为预测未来T期的N个产品的需求；
2)收集历史需求信息、产品相关信息以及未来的营销计划数据；
3)分别提取N个产品、历史T0期的历史信息构建分类训练特征N个产品、未来T期的历史信息构建分类预测特征对历史需求进行标记，如果需求大于0，则标记为1，否则标记为0；
4)提取N个产品、历史T0期的历史信息构建回归模型训练特征N个产品、未来T期的历史信息构建回归模型预测特征
5)对N个产品提取聚类特征F3，进行聚类，得到K个类别；
6)根据聚类结果，分别对K个类别训练分类预测模型M1和回归预测模型M2；
7)用M1对N个产品未来T期进行是否有需求的分类预测；
8)如果产品n，未来第t期的分类结果为有需求，即预测值为1，则用M2预测需求数值，其中n∈[1,N],t∈[1,T]；
9)每隔Tit期，重复聚类和模型训练过程。


2.根据权利要求1所述的间断需求的预测方法，其特征在于：步骤2)所述的历史需求包括：实际销量、被截尾需求和实际销量的总和。


3.根据...

【专利技术属性】
技术研发人员：周伟华，周云，钱仲文，
申请(专利权)人：浙江大学，国网浙江省电力有限公司，
类型：发明
国别省市：浙江;33