一种预测补货量的方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术公开了一种预测补货量的方法、装置、计算机设备及存储介质。该方法包括对门店的历史销售数据进行序列化处理得到时间序列数据，对时间序列数据进行预处理得到数据集；对数据集进行特征提取得到高阶交互特征和原始特征，并将高阶交互特征和原始特征进行拼接得到融合特征；根据融合特征构建订购点生成模型，通过损失函数对订购点生成模型进行参数更新；采用惯性权重线性递减粒子群算法对订购点生成模型进行参数优化；根据优化后的订购点生成模型，输出最优补货量。本发明专利技术提取高阶交互特征与原始特征拼接后作为数据输入，使特征表达更为丰富，并通过对订购点生成模型进行参数更新和参数优化，兼具了预测误差、库存优化和网络模型优化的优点。

【技术实现步骤摘要】
一种预测补货量的方法、装置、计算机设备及存储介质
本专利技术涉及数据处理领域，尤其涉及一种预测补货量的方法、装置、计算机设备及存储介质。
技术介绍
随着零售市场的竞争越来越激烈，用户需求不断提升，门店采取有效的补货策略至关重要；不良的补货策略一方面可能会导致门店库存积压，占用过多流动资金，提高商品损坏变质风险；另一方面可能会导致缺货，降低顾客对门店的满意度，丧失潜在的销售机会，造成企业利润的下降。门店补货策略在实际应用场景中主要有两类：一类是基于业务规则来制订补货量，该类方法通常是根据商品在邻近一段时间的销量数据采用应用统计方法计算预测日均销量，以预测日均销量与备货天数计算周转库存，以日均销量乘以安全库存备货天数计算安全库存量，再根据商品门店持有库存量、在途入库量和出库数量计算商品的补货数量，这类方法具有库存波动范围不大的特点，但实际应用过程中具有时滞性，未能及时有效应对市场变化。另一类是基于需求预测制订补货量，该类方法通常采用ARIMA(自回归积分滑动平均模型)，TRANSFER(传递函数模型)、GARCH(广义自回归条件异方差模型)等方法预测未来一段时间商品需求，以此作为后续补货的参考。这类方法改进了前者方法的预测性能，但是简单的将预测的需求作为补货数量未能有效考虑目标库存优化的特点。
技术实现思路
本专利技术的目的是提供一种预测补货量的方法、装置、计算机设备及存储介质，旨在解决现有补货策略未能有效考虑目标库存优化的问题。为解决上述技术问题，本专利技术的目的是通过以下技术方案实现的：提供一种一种预测补货量的方法，其包括：对门店的历史销售数据进行序列化处理得到时间序列数据，并对所述时间序列数据进行预处理得到数据集；对所述数据集进行特征提取得到高阶交互特征和原始特征，并将所述高阶交互特征和原始特征进行拼接得到融合特征；根据所述融合特征构建订购点生成模型，通过损失函数对所述订购点生成模型进行参数更新；采用惯性权重线性递减粒子群算法对所述订购点生成模型进行参数优化；根据优化后的所述订购点生成模型，输出最优补货量。另外，本专利技术要解决的技术问题是还在于提供一种预测补货量的装置，其包括：处理单元，用于对门店的历史销售数据进行序列化处理得到时间序列数据，并对所述时间序列数据进行预处理得到数据集；拼接单元，用于对所述数据集进行特征提取得到高阶交互特征和原始特征，并将所述高阶交互特征和原始特征进行拼接得到融合特征；模型更新单元，用于根据所述融合特征构建订购点生成模型，通过损失函数对所述订购点生成模型进行参数更新；模型优化单元，用于采用惯性权重线性递减粒子群算法对所述订购点生成模型进行参数优化；输出单元，用于根据优化后的所述订购点生成模型，输出最优补货量。另外，本专利技术实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的预测补货量的方法。另外，本专利技术实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的预测补货量的方法。本专利技术实施例公开了一种预测补货量的方法、装置、计算机设备及存储介质。该方法包括对门店的历史销售数据进行序列化处理得到时间序列数据，并对时间序列数据进行预处理得到数据集；对数据集进行特征提取得到高阶交互特征和原始特征，并将高阶交互特征和原始特征进行拼接得到融合特征；根据融合特征构建订购点生成模型，通过损失函数对订购点生成模型进行参数更新；采用惯性权重线性递减粒子群算法对订购点生成模型进行参数优化；根据优化后的订购点生成模型，输出最优补货量。本专利技术实施例提取高阶交互特征与原始特征拼接后作为数据输入，使特征表达更为丰富，引入了以提前期库存成本和持有成本的特定形式为损失函数，相比传统以均方误差最小的损失函数，更能符合提前期库存管理目标，兼具了考虑预测误差和库存优化的优点，并优化了模型的隐藏层节点数，优化了网络模型结构。附图说明为了更清楚地说明本专利技术实施例技术方案，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，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，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的附图。图1为本专利技术实施例提供的预测补货量的方法的流程示意图；图2为本专利技术实施例提供的步骤S101的子流程示意图；图3为本专利技术实施例提供的步骤S102的子流程示意图；图4为本专利技术实施例提供的步骤S104的子流程示意图；图5为本专利技术实施例提供的预测补货量的装置的示意性框图；图6为本专利技术实施例提供的计算机设备的示意性框图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。请参阅图1，图1为本专利技术实施例提供的预测补货量的方法的流程示意图；如图1所示，该方法包括步骤S101～S105。S101、对门店的历史销售数据进行序列化处理得到时间序列数据，并对所述时间序列数据进行预处理得到数据集。具体的，如图2所示，所述步骤S101包括：S201、获取门店的历史销售数据，采用日内销售模式对所述历史销售数据进行序列化处理得到时间序列数据；S202、对所述时间序列数据依次进行清理异常样本处理、缺失值处理以及标准化处理，并采用滑动窗口方式构造出数据集；其中，构造出的数据集为：Y＝[yt+1yt+2…yt+LT]其中，X代表从补货系统中获取及添加的外生变量，表示影响需求的获取的原始特征，Y表示代表预处理后的每日产品需求，x表示经过预处理后的时间序列数据，y表示对应时间的需求，N代表提取的特征个数，T表示向前提取数据的时间长度，t表示某一天，LT表示提前期的天数。本实施例中，先获取零售门店营业过程中的历史销售数据，该数据源为历史M天每日销本文档来自技高网...

【技术保护点】
1.一种预测补货量的方法，其特征在于，包括：/n对门店的历史销售数据进行序列化处理得到时间序列数据，并对所述时间序列数据进行预处理得到数据集；/n对所述数据集进行特征提取得到高阶交互特征和原始特征，并将所述高阶交互特征和原始特征进行拼接得到融合特征；/n根据所述融合特征构建订购点生成模型，通过损失函数对所述订购点生成模型进行参数更新；/n采用惯性权重线性递减粒子群算法对所述订购点生成模型进行参数优化；/n根据优化后的所述订购点生成模型，输出最优补货量。/n

【技术特征摘要】
1.一种预测补货量的方法，其特征在于，包括：
对门店的历史销售数据进行序列化处理得到时间序列数据，并对所述时间序列数据进行预处理得到数据集；
对所述数据集进行特征提取得到高阶交互特征和原始特征，并将所述高阶交互特征和原始特征进行拼接得到融合特征；
根据所述融合特征构建订购点生成模型，通过损失函数对所述订购点生成模型进行参数更新；
采用惯性权重线性递减粒子群算法对所述订购点生成模型进行参数优化；
根据优化后的所述订购点生成模型，输出最优补货量。


2.根据权利要求1所述的预测补货量的方法，其特征在于，所述对门店的历史销售数据进行序列化处理得到时间序列数据，并对所述时间序列数据进行预处理得到数据集，包括：
获取门店的历史销售数据，采用日内销售模式对所述历史销售数据进行序列化处理得到时间序列数据；
对所述时间序列数据依次进行清理异常样本处理、缺失值处理以及标准化处理，并采用滑动窗口方式构造出数据集；
其中，构造出的数据集为：
其中，X代表从补货系统中获取及添加的外生变量，表示影响需求的获取的原始特征，Y表示代表预处理后的每日产品需求，x表示经过预处理后的时间序列数据，y表示对应时间的需求，N代表提取的特征个数，T表示向前提取数据的时间长度，t表示某一天，LT表示提前期的天数。


3.根据权利要求1所述的预测补货量的方法，其特征在于，所述对所述数据集进行特征提取得到高阶交互特征和原始特征，并将所述高阶交互特征和原始特征进行拼接得到融合特征，包括：
对所述数据集进行四次卷积池化操作，每一次卷积池化操作的输出维度为其中n表示输入层的特征的个数，k1表示卷积窗口高度，T1表示输入维度的长度，mc表示卷积器的个数；
对每个输出维度进行特征提取，得到四个维度特征以及其中，N代表提取的特征个数，g代表池化窗口高度；
将四个维度特征进行拼接，得到高阶交互特征；
获取所述数据集的原始特征，将所述原始特征和高阶交互特征进行拼接得到融合特征。


4.根据权利要求2所述的预测补货量的方法，其特征在于，所述根据所述融合特征构建订购点生成模型，包括：
按如下公式构建订购点生成模型：



其中，Ypred表示预测在提前期每日需求构成的向量，表示预测在提前期的其中一天的需求的向量。


5.根据权利要求4所述的预测补货量的方法，其特征在于，所述通过损失函数对所述订购点生成模型进行参数更新，包括：
按如下损失函数L1或L2对所述订购点生成模型进行参数更新：






其中，Ytru表示实际在提前期每日需求构成的向量，表示时间为t+j的真实需求量，表示时间为t+i的预测需求量，商品每日单位缺货成本为Cp，商品每日单位持有成本为Ch，k是一个变量，k的取值为1至LT之间的整...

【专利技术属性】
技术研发人员：刘会建，杨华胜，
申请(专利权)人：润联软件系统深圳有限公司，
类型：发明
国别省市：广东;44