颖幡供应链销售和库存预测算法模型和应用系统技术方案

颖幡销售库存预测算法模型和应用系统，在对供应链上下游企业销售预测、采购计划与执行、库存补货等业务需求和痛点深入调研和分析的基础上，结合供应链业务管理、进销存管理、产业互联网供应链和电子商务等领域多年实战经验，运用神经网络、加权平均、线性微分方程和解空间等销售和库存预测技术，在理论联系实际基础上，研发基于库存商品SKU的安全库存预测模型，销售场景动态自适应销售预测模型和时间序列回归销售和库存预测算法模型，开发相应的颖幡销售和库存预测管理应用系统，并对算法模型和应用系统进行了多轮次实际生产数据的运行、参数调优和结果验证，为相关行业供应链运行体系效率提升和效益优化起到明显的推动作用。系效率提升和效益优化起到明显的推动作用。

【技术实现步骤摘要】
颖幡供应链销售和库存预测算法模型和应用系统


[0001][0002]本专利技术关于供应链销售和库存预测算法模型和应用系统，运用神经网络、加权平均、线性微分方程和解空间等销售预测技术，从销售预测基础阶段，即手工半自动销售预测，基于库存商品SKU的安全库存预测，根据干扰因子做出修正，得出供应链企业的采购、销售和库存计划。进而向销售预测进阶步骤过渡，达到数字化全自动销售预测，销售场景动态自适应预测，时间序列回归预测等综合预测模型迭代优化，解决供应链企业销售和库存管理的随意性和盲目性问题，促进供应链上下游企业的采购、库存和销售经营向着精益化方向发展。

技术介绍

[0003][0004]在供应链业务管理领域，常常会遇到销售预测不准确，导致针对上游的采购、加工，以及库存补货不及时或者超出市场预期，导致供不应求，即零售客户需求无法得到满足，或者供过于求，引起企业自身和供应链整体的浪费，最终导致客户满意度下降、供应链业务管理效率低下等种种弊端。
[0005]针对这些供应链上下游企业销售预测、采购计划与执行、库存补货等需求和痛点，上海颖幡技术公司研发面向供应链上下游中小企业的供应链销售预测系统，以供应链生态系统中动态视角，精准预测每个供应链环节的生产、供应和销售的预测能力和预测数据，给供应商各个节点上的企业经营管理提供准确的决策支持信息，让供应链上下游的中小企业更好地安排采购、生产加工和销售行为，带动整个供应链体系效率和效益的大幅提升。此举具有广阔的市场背景和企业需求支撑，较强的技术可行性。

技术实现思路

[0006][0007]通过技术手段构建供应链销售和库存预测算法模型和应用系统，运用神经网络、加权平均、线性微分方程和解空间等销售预测技术，从销售预测基础阶段，即手工半自动销售预测，基于库存商品SKU的安全库存预测，根据干扰因子做出修正，得出供应链企业的采购、销售和库存计划。进而向销售预测进阶步骤过渡，达到数字化全自动销售预测，销售场景动态自适应预测，时间序列回归预测等综合预测模型迭代优化。通过数学模型计算和修正，准确预测供应商流程中的销售和库存数据，解决企业供应链管理工作中面临的经营决策缺乏数据支撑、主观随意性等困难，是本专利技术的关键价值所在。
[0008]本专利技术目的通过四个方面技术方案得以实现：1.研发基于库存商品SKU的安全库存预测模型；2.研发销售场景动态自适应销售预测模型；3.研发时间序列回归销售和库存预测模型；4.根据预测结果创建供应链销售和库存管理计划。
[0009] 1. 研发基于库存商品SKU的安全库存预测模型基于库存商品SKU的安全库存预测模型是根据供应链需求预测模型演化得出安全库存预测模型，避免了多数安全库存预测模型采用的静态、独立、同分布需求预测的弊端，本专利技术采用了动态、关联和差异化求解的安全库存预测模型，较好地解决在供应链不同生命周期阶段和发展节点上的安全库存预测。根据颖幡供应链业务应用系统的实际运行情况分析，对于不同行业、不同商品、销售淡旺季等条件下，安全库存预测值会有较大的变化。
[0010]供应链涉及的利益相关方较多，牵一发而动全身。其中的安全库存是一个重要的节点。保障供应链体系中的安全库存精准度，对于供应链的高效、经济运行，保持较高的供应链参与方客户满意度，都具有重要的意义和影响作用。
[0011]当前普遍的安全库存预测基于统计学原理的安全库存确定和批量订货下的安全库存确定。主要解决大批量生产条件下的安全库存成本问题。
[0012]传统的库存预测方法通常是假定商品的需求分布，从商品的历史库存数据中估算预测值。使用一个基础的库存预测框架基于单一的预测时间序列和单一衡量预测误差进行库存预测的参数模型。
[0013]其实现实业务场景中影响库存预测的因素有多个，不仅仅限于库存历史数据，例如，宏观经济走势，疫情影响，商品价格指数，供应链拓扑架构布局、季节性因素等。
[0014]本专利技术采用了两种安全库存预测模型，线性回归预测模型和目标库函数预测模型，来应对不同业务场景和需求条件下的安全库存预测。
[0015]线性回归模型预测安全库存，采用线性回归模型的基础数据加上估计误差修正，来设置安全库存数值。
[0016]目标库函数预测安全库存，通过不同目标和服务水平约束下的库函数外推变量最小二乘法计算值，确定安全库存数据。
[0017]本专利技术使用的安全库存管理预测模型精度的影响因素包括：<1> 非线性性能函数水平的相关性；<2> 每一个供应链节点的预测安全库存控制变量；<3> 不同供应链节点之间的相互影响和依存关系。
[0018]本专利技术以评估性能函数和求解控制变量为两个基本点，推导安全库存预测计算框架。
[0019]使用离散事件仿真模型离线计算进行性能函数评估，建立以线性规划为特征的安全库存预测管理模型。
[0020]生产过程和物流阶段的安全库存服务水平是安全库存预测的重要影响因子和决策变量。安全库存预测的非线性性能函数与自变量之间的相互依赖关系，在以线性规划为特征的安全库存预测模型中得到充分体现。
[0021]在安全库存预测模型的实操过程中，本专利技术特别注意需求方差估计和预测误差分析。通过计算每一个供应链周期的库存商品需求方差与供货期函数关系，可以得出安全库存预测的供货期需求方差。
[0022]本专利技术通过模型数据计算结果分析，发现在安全库存预测模型中的移动平均和指数平滑相结合预测算法，可以显著提高批量订货策略下的需求方差表达式修正精度，并且巩固批次订货供应链业务流程的运行效率。
[0023] 2.研发销售场景动态自适应销售预测模型销售场景动态自适应销售预测模型可以根据不同的销售场景，动态自动确定采用不同的销售预测模型。
[0024]在现实的供应链业务中存在很多销售场景，比如供货配比商品陈列销售预测、微商营销影响路径预测，相关性分析商品促销销售预测，分客户群销售预测等。
[0025]本专利技术经过对销售场景的分析，以及销售预测模型的研究，得出不同的销售预测模型对应不同销售场景的适应性。
[0026]对供货配比商品陈列销售预测场景，适合采用关联规则预测模型。
[0027]对微商营销影响路径预测场景，适合采用社交网络预测模型。
[0028]对相关性分析商品促销销售预测场景，适合采用分类回归预测模型。
[0029]对分客户群销售预测场景，适合采用聚类分析预测模型。
[0030]不同销售场景对应销售预测模型图，如说明书附图1。
[0031]本专利技术所采取的用于供货配比商品陈列销售预测的关联规则预测模型是海量数据挖掘的一种算法，目标是从一系列事务中挖掘出频繁项以及对应的关联规则。关联规则预测模型广泛应用在商业超市等行业，协助超市发现一些具有相关联的商品购物行为，通过对商品的适当调整可以提高顾客的购物体验，提升超市的销售额。因此关联规则预测模型适用于供货配比商品陈列销售预测场景。...

【技术保护点】

【技术特征摘要】
1.权利要求项1一种基于库存商品SKU的线性回归安全库存预测模型，其特征在于，其包括以下步骤：首先，通过线性回归模型计算得出单个供应链节点的基于库存商品SKU的安全库存基础数据结果；其次，利用安全库存统计历史数据求解单个供应链节点的误差修正值；第三，根据线性回归模型的计算结果值和统计历史数据的误差修正值，综合计算得出单个供应链节点的安全库存预测值；第四，利用上述第一步到第三步的方法，循环遍历计算每个供应链节点的线性回归安全库存预测值；第五，根据供应链不同节点之间的线性和非线性相关性函数，整体调优供应链节点的线性回归安全库存预测计算值。2.权利要求项2一种基于库存商品SKU的目标库函数安全库存预测模型，其特征在于，其包括以下步骤：首先，确定单个供应链节点在不同目标和服务水平协议等约束条件下的目标库函数；其次，利用最小二乘法外推法计算不同目标库函数的安全库存预测值；第三，求解单个供应链节点不同目标库函数安全库存预测计算值的加权平均值；第四，利用上述第一步到第三步的方法，循环遍历计算每个供应链节点的目标库函数安全库存预测值；第五，根据供应链不同节点之间的线性和非线性相关性函数，整体调优供应链节点的目标库函数安全库存预测计算值。3.权利要求项3 一种关联规则销售场景自适应预测模型，其特征在于，其包括以下步骤：首先，准备供货配比商品陈列销售预测场景的基础数据和业务规则；其次，从一组相关销售预测场景中执行频繁模式发现任务，确定频繁发生的任务项；第三，在已经确定的最大频繁发生任务项子集中，寻找置信度大于等于给定阈值的最小一致性关联规则；第四，将筛选出的关联规则应用于供货配比商品陈列销售预测场景，计算得出销售预测值；第五，采用泛函回归方法对关联规则得出的销售预测值进行指数迭代和对数调优。4.权利要求项4一种社交网络销售场景自适应预测模型，其特征在于，其包括以下步骤：首先，收集微商营销影响路径预测场景中的客户属性数据、客户行为数据和客户内容数据；其次，采用分类器算法预测、提炼与客户属性相互关联作用的属性元素主题；第三，采用向量机算法预测、提炼与客户行为相互关联作用的行为元素主题；第四，采用深度学习算法预测、提炼与客户内容相互关联作用的内容元素主题；第五，将计算得出的社交网络属性、行为和内容元素主题，应用到微商营销影响路径预测场景中，找出影响预测命中率的差异影响因子；
第六，把影响因子描述成高维向量，利用设定集成分类器反复学习和训练，提高微商营销影响路径预测的精准度和命中率。5.权利要求项5一种分类回归销售场景自适应预测模型，其特征在于，其包括以下步骤：首先，选择相关性分析商品促销销售预测场景，植入分类回归采集因子，收集分类和回归预测的基础数据；其次，利用促销商品相关的训练样本来进行促销销售预测训练，得到促销商品样本特征到样本标签的关系映射；第三，利用映射关系计算得出促销商品样本...

【专利技术属性】
技术研发人员：李丹，李林，张帅兵，相广俐，潘静薇，李凯奇，曹琳，
申请(专利权)人：上海颖幡技术有限公司，
类型：发明
国别省市：