一种基于MAGRU的物流仓储需求量预测方法技术

物流仓库精益管理为仓库运营提供了重要依据，不合理的订货量会影响仓库管理效率，浪费运营成本，造成资源闲置浪费或货物囤积等现象。本文针对商品预测准确性率较低提出了一种基于MAGRU的货物需求量预测方法。首先，对原始序列时间特征编码并嵌入特征向量中。其次，在编码器阶段利用注意力机制和GRU对输入特征进行提取，捕获关键序列。在解码器阶段重复编码器的过程，利用注意力机制和GRU提取编码后的序列特征，最后，用仓储需求量数据集训练优化该模型，通过指标RMSE和MAE来评价该模型。以某商品需求量数据为例，在不同参数下进行大量实验，验证该模型的有效性。实验结果表明，MAGRU与现有方法相比有着更显著的改进。与现有方法相比有着更显著的改进。与现有方法相比有着更显著的改进。

【技术实现步骤摘要】
一种基于MAGRU的物流仓储需求量预测方法


[0001]本专利技术专利涉及一种仓库商品需求量预测方法，在物流仓库管理领域具有极其重要的应用前景。

技术介绍

[0002]在物流行业内，仓库精益管理为产品制造、仓库运营提供了重要依据，大大节省了商业成本，而越来越受到业界重视。但不合理的商品储量会严重影响仓库管理效率，浪费运营商成本，降低用户体验，造成资源闲置浪费或货物囤积等现象。一些对保存时限有较高要求的商品，例如食品、药品等都需要较为准确的库存量预测，另一些定制化程度高的商品如一些特殊零件、芯片等需要按需定做，需要提供长时间序列预测。
[0003]为了解决上述问题，对商品需求量预测问题的研究尤为重要。需求预测以商品信息、历史需求信息作为基本信息，从中挖掘出潜在的需求规律，通过特定的算法找到其周期季节特性，从而提高仓库利用效率，降低仓库管理成本。
[0004]仓储需求量预测流程如下：(1)明确预测商品的基本信息，如商品类别、商品品牌、在各类销售平台的访问与收藏记录和商品的历史需求信息，例如每月、每周或每日的销售记录等其他信息；(2)通过一种商品的各类信息，包括历史需求数据和自身特征，找到适用于该商品未来需求量进行预测的算法；(3)将商品自身特征与历史需求量综合考虑，用基于统计学方法的对未来值进行预测。
[0005]目前在对物流需求预测问题的研究大多集中在传统时间序列方法上，关注历史需求数据是需求预测的重点，但仅关注历史需求量间的关系，而较少考虑影响商品的自身特征，这样会忽略掉影响需求量的外部特征，影响预测效果。也有学者使用机器学习方法预测商品需求量，但是对于一些定制化程度高的商品，例如机械零部件、芯片等需要对其提供较长序的预测，传统时间序列方法和机器学习方法都不能满足这一现实需求，在实际应用的能力有局限。本专利技术在模型捕获长序依赖方面进行了改进，能够捕获由历史需求数据组成序列中的关键序列，同时也考虑到商品自身特征对需求量的影响。在门控循环单元的基础上引入了注意力机制，并重复多次这一过程，极大的提高了预测的准确性。大量的实验证明，本专利技术对于长序列预测的准确性有较大提升，并且结构简单，适用于现实场景。

技术实现思路

[0006]本专利技术克服了目前仓库商品需求量预测问题中存在的长序预测不准确，复杂预测方法实现代价过高，预测是对节假日、商品自身特征缺乏考虑等缺点，提出了一种基于MA(多层注意力，Multi Layer Attention)
‑
GRU(Gated recurrent Unit，门控循环单元)的物流仓储需求预测方法，为物流仓库中商品的需求量提供可靠预测，节省物流商家运营成本，提升用户体验。
[0007]本专利技术主要包括五个部分：(1)确定方法的输入输出(2)对商品历史信息的时间进行节假日编码(3)构建多层注意力门控循环单元编码器(4)构建多层注意力门控循环单元
解码器(5)专利技术有效性验证。
[0008]下面分别介绍以上五部分的内容:
[0009]1、确定方法的输入输出。商品的各类信息包括商品的历史需求信息和商品自身信息，将这些信息作为我们的模型训练数据集。历史需求信息包括商品销售的日期以及销量，这样可以使我们更好的把握商品量与时间的关系，挖掘商品的季节性需求因素、节假日影响因素等。而商品的自身信息包括其品牌信息、品类信息等，这些外源条件的变化也会影响到需求量。商品各类信息组成的矩阵作为本方法的输入，其中包括日期、商品类型、销售平台商品被浏览次数、商品被收藏次数、商品品牌、成交金额、成交件数等属性。方法的输出为商品需求量的预测值，对未来商品需求量进行预测。
[0010]2、对商品历史信息的时间进行节假日编码。节假日及季节是商品需求预测的重要环节，有的商品其需求量不受节假日影响，而有的商品需求却与节假日密切相关，因此对商品进行节假日编码并加以分析是预测商品需求量的基础。将编码后的信息嵌入商品需求历史数据中，同样作为商品特征加以分析，对提高预测的准确率有重要的作用。
[0011]3、构建多层注意力门控循环单元编码器。门控循环单元捕获商品需求关系的线性依赖与非线性依赖时，注意力机制可以找到关键变化序列。基于此，本专利技术提出了将门控循环单元与自注意力相结合并堆叠多层的编码器，具体是指，将一个时间片内的数据作为编码器的输出，首先利用注意力机制求取时间片内各节点的注意力权重，将计算得到权重分配给时间片内各分量，并将各分量作为门控循环单元(以下用缩写GRU表示)的输入，编码器输出的结果即为GRU隐藏层所组成的向量。
[0012]4、构建多层注意力门控循环单元解码器。为了进一步提取编码器得到的向量的特征，捕获序列的线性与非线性关系，本专利技术在解码器阶段同样使用注意力层与GRU实现。首先计算编码器输出向量的注意力权重，之后将权重与向量分量相乘并累加，得到的结果作为GRU的输入，GRU的隐藏层输出即为未来需求量预测结果。
[0013]5、方法有效性验证。通过在公开的仓库货物需求量数据集上的实验证明，对比其他前沿的研究，本专利技术对不同长度时间的预测任务，及不同的商品，本专利技术都能提供更高的预测准确率。
[0014]本专利技术为实现上述目的所采取的详细实施步骤如下：
[0015]步骤1：先确定模型的输入输出，选择合适的训练数据集。模型需要输入仓库运营中采集到的商品需求时序数据。单条数据可表示为表示其中D表示日期，A为商品的各类属性，Q是当日商品的需求量。从数据集中采集m个样本大小的数据集{x
(1)
,...,x
(m)
}作为模型的训练样本。
[0016]步骤2：根据商品需求量的时间信息进行日期嵌入。将每一条商品的日期数据D编码为年、月、周内星期、是否节日4条属性，将4条属性嵌入原始商品数据中，替换原来的日期数据。可以将日期嵌入后的数据定义为这样可以将数据的时间特征加以提取，有效捕获影响需求的日期因素。
[0017]步骤3：数据集预处理。数据集的组成对本方法的训练过程存在影响，因此，对数据集预处理也是本专利技术的必要步骤之一。将原始数据集中的异常数据、极端数据删除，并用后续的数据填补，此外还对数据进行归一化，本专利技术采用最大最小归一化，将数据控制在一定
范围内。
[0018]步骤4：基于训练数据集，按时间步划分序列并计算序列中各分量注意力权重；首先，根据步骤4.1按照设定的时间步划分数据集，其次根据步骤4.2计算注意力权重。通过对输入序列权重的提取，可以找到影响需求的关键序列，从而给与关键序列更多的注意力，提升预测的准确性。
[0019]构建编码器的具体步骤如下：
[0020]步骤4.1：根据时间步划分输入序列。训练数据集可以表示为{x1,x2,...,x
t
}，将一个时间步下的序列输入注意力层，计算各分量权重。
[0021]步骤4.2：根据步骤4.1的一个时间步序列，计算序列中各分量注意力权重。计算注意力的公式为：
[0022][0023]将权重压缩本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MAGRU的物流仓储需求量预测方法，包括增加对原数据进行数据嵌入，自注意力机制与循环门控单元的结合，其特征在于，首先将商品的日期做数据嵌入，提取影响需求量的节假日及季节性特征，且在编码器阶段利用注意力机制提取输入序列的关键部分，并利用循环门控单元实现对序列的编码，在解码器阶段再次利用注意力机制捕获编码器输出的关键序列，通过门控循环单元实现对未来需求量的预测，通过多层注意力机制的作用，以实现提高预测准确率的目标，其分解具体步骤包括下述步骤：步骤1：先确定模型的输入输出，选择合适的训练数据集，模型需要输入仓库运营中采集到的商品需求时序数据，单条数据可表示为表示其中D表示日期，A为商品的各类属性，Q是当日商品的需求量，从数据集中采集m个样本大小的数据集{x
(1)
,...,x
(m)
}作为模型的训练样本；步骤2：根据商品需求量的时间信息进行日期嵌入，将每一条商品的日期数据D编码为年、月、周内星期、是否节日4条属性，将4条属性嵌入原始商品数据中，替换原来的日期数据，可以将日期嵌入后的数据定义为这样可以将数据的时间特征加以提取，有效捕获影响需求的日期因素；步骤3：数据集预处理，数据集的组成对本方法的训练过程存在影响，因此，对数据集预处理也是本发明的必要步骤之一，将原始数据集中的异常数据、极端数据删除，并用后续的数据填补，此外还对数据进行归一化，本发明采用最大最小归一化，将数据控制在一定范围内；步骤4：基于训练数据集，按时间步划分序列并计算序列中各分量注意力权重，首先，根据步骤4.1按照设定的时间步划分数据集，其次根据步骤4.2计算注意力权重，通过对输入序列权重的提取，可以找到影响需求的关键序列，从而给与关键序列更多的注意力，提升预测的准确性；构建编码器的具体步骤如下：步骤4.1：根据时间步划分输入序列，训练数据集可以表示为{x1,x2,...,x
t
}，将一个时间步下的序列输入注意力层，计算各分量权重；步骤4.2：根据步骤4.1的一个时间步序列，计算序列中各分量注意力权重，计算注意力的公式为：将权重压缩在[0,1]且各分量权重和为1，计算公式如下：对序列分配权重，使每个分量体现不同的重要性，我们将这一时间片下的向量记录为步骤4.3：根据...

【专利技术属性】
技术研发人员：田冉，王灏篷，马忠彧，刘颜星，王楚，王晶霞，李新梅，
申请(专利权)人：西北师范大学，
类型：发明
国别省市：