一种基于贝叶斯优化的RF订单需求预测方法技术

本发明专利技术涉及一种基于贝叶斯优化的RF订单需求预测方法，用以实现同时对多种商品的未来需求或销量进行预测，包括以下步骤：1)对历史订单销量数据集进行数据预处理，并划分训练数据集和测试数据集作为基于随机森林的订单需求预测模型的输入量和输出量；2)通过贝叶斯优化方法获取订单需求预测模型的最优超参数，得到最优的订单需求预测模型；3)基于优化后的订单需求预测模型对订单商品未来的销量进行预测。与现有技术相比，本发明专利技术具有预测准确性高、快速寻优、多种时间序列预测等优点。多种时间序列预测等优点。多种时间序列预测等优点。

【技术实现步骤摘要】
一种基于贝叶斯优化的RF订单需求预测方法


[0001]本专利技术涉及市场需求预测领域，尤其是涉及一种基于贝叶斯优化的RF订单需 求预测方法。

技术介绍

[0002]随着互联网的发展以及经济全球化脚步的进一步加快，市场的竞争变得更加 的激烈，未来市场和客户的需求也会变得更加个性化、多样化。现有的生产与经营 模式不能对快速变化的市场进行预测，并对市场需求做出主动且迅速的响应，如何 利用科学可靠的方法对订单需求进行准确的预测，让公司或企业摆脱被动地响应市 场的困境，去适应未来市场的变化成为目前面临的一个挑战。
[0003]根据需求驱动理论可以得知，需求预测是供应链中各个环节的基点，包括原 材料的采购、企业的生产计划、库存计划、物流计划等。不准确的需求预测会造成 生产计划和实际需求量之间产生偏差，这样的偏差在传递过程中不断放大，让整条 供应链的成本都增加，给企业带来很大的损失，所以对需求进行准确的预测尤为重 要。需求预测能够迅速响应市场的需求波动，满足用户不同需求，让企业提前做好 生产计划、采购计划、销售计划、人员和设备配备等，企业以需求预测为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于贝叶斯优化的RF订单需求预测方法，用以实现同时对多种商品的未来需求或销量进行预测，其特征在于，包括以下步骤：1)对历史订单销量数据集进行数据预处理，并划分训练数据集和测试数据集作为基于随机森林的订单需求预测模型的输入量和输出量；2)通过贝叶斯优化方法获取订单需求预测模型的最优超参数，得到最优的订单需求预测模型；3)基于优化后的订单需求预测模型对订单商品未来的销量进行预测。2.根据权利要求1所述的一种基于贝叶斯优化的RF订单需求预测方法，其特征在于，所述的步骤1)中，数据预处理具体包括以下步骤：11)采集历史订单销量数据并对数据进行清洗，去除重复数据和缺失数据，再将数据集划分为划分训练数据集和测试数据集；12)对数据集进行归一化处理，用以加快梯度下降求解最优值的速度和提高模型准确率；13)对特征进行构造，选择步长t为滑动窗口的长度，通过前t
‑
1个月的历史销量数据预测下一个月的订单需求，并对每一行数据通过滑动窗口进行划分；14)将产品的SKU值即产品的编号作为唯一区别不同产品的类别标识，并对订单中产品SKU值进行独热编码，作为额外的特征输入。3.根据权利要求2所述的一种基于贝叶斯优化的RF订单需求预测方法，其特征在于，所述的步骤12)中，采用min
‑
max标准化的方法将原始的历史订单销量数据通过线性变换使得取值范围在[0,1]之间。4.根据权利要求1所述的一种基于贝叶斯优化的RF订单需求预测方法，其特征在于，所述的步骤2)中，基于贝叶斯优化的订单需求预测模型的建模具体包括以下步骤：201)以均方差平均值MSE最小或R2_score平均值最大作为优化目标：202)建立贝叶斯对象，设定参数的优化范围，利用贝叶斯优化方法对订单需求预测模型进行优化；203)获取均方误差负值最大或R2_score得分最大的位置以及对应超参数的值；204)将贝叶斯优化得到的最优超参数带入模型中，并使用该模型对测试数据进行预测，并使用对模型做出评估。5.根据权利要求1所述的一种基于贝叶斯优化的RF订单需求预测方法，其特征在于，所述的步骤2)中，订单需求预测模型的训练方法具体包括以下步骤：211)根据数据构造特征值，将数据集划分训练样本和测试样本；212)选取M棵决策树作为弱分类器，使用bootstrap sample采样的方法从训练样本中采样M次作为M棵决策树的训练集{D1,D2,...D
M
}，对应决策树{T1(θ),T2(θ),...T
M
(θ)}；213)对于每棵决策树，在分裂节点时选择不放回的抽取n维特征，遍历每个特征的均方差值并选取最小均方差对应的特征作为最佳分裂特征；214)当决策树到终止条件即设置树的最大深度max

【专利技术属性】
技术研发人员：严怀成，王潇，张皓，李郅辰，王孟，田永笑，陈辉，张长柱，王曰英，施开波，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：