一种基于神经网络模型和Xgboost的订单销量预测方法及装置制造方法及图纸

本发明专利技术提供了一种基于神经网络模型和Xgboost的订单销量预测方法，属于人工智能技术领域。它解决了现有技术无法准确预测未来订单数据等问题。本基于神经网络模型和Xgboost的订单销量预测方法以下步骤：步骤S1:构建神经网络模型，预测下个月的sku销量，输出多个区间的预测值；步骤S2：训练分类模型Xgboost，判别最佳区间。本发明专利技术具有将过往历史数据通过神经网络模型输出得到τ个区间的预测值，再通过Xgboost模型判别哪个区间的预测值最佳，将判别为最佳的预测值作为下一个周期的订单销量预测值等优点。预测值等优点。预测值等优点。

【技术实现步骤摘要】
一种基于神经网络模型和Xgboost的订单销量预测方法及装置


[0001]本专利技术属于人工智能
，特别涉及一种基于神经网络模型和Xgboost的订单销量预测方法及装置。

技术介绍

[0002]对于大多数生产制造企业，目前都在向以销定产方式进行销售，生产，供应链协同等方向的转型和升级。但面对瞬息万变的市场经济，无法准确的预测销售订单量，成为了现在企业的一大痛点和难点。订单预测的偏差导致企业库存积压而爆品脱销，生产和库存成本增加等一系列的问题和重大经济损失。
[0003]现在常见的销售订单预测方法是人工手动预测。由“客户”及需求者对下个周期的销售情况基于过往经验、季节性变化或供应者给出的销售策略进行订单预测报由上级供应者。供应者进行汇总及统一管理后输出至生产供应者的生产部分进行生产。预测级别一般是sku级，sku为最小存货单位，指一款商品，每款都有出现一个sku，便于电商品牌识别商品。因人类无法精确地掌握过多且负责的资料，仅依赖经验、先前的订单及库存资料，采用简单的回归或时间序列分析未来订单，无法确保其客观的预测准确率，及预测结果对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络模型和Xgboost的订单销量预测方法，其特征在于，包括以下步骤：步骤S1：构建神经网络模型，预测下个月的sku销量，输出多个区间的预测值：步骤S1.a：通过相加的方式聚合相同sku但是不同渠道的订单销量数据集；步骤S1.b：构建训练以及验证订单销量数据集，将最后一个月数据作为验证数据集；X＝{x1，x2，...,x
t
},x1＞0D
s
＝{X
i
，X
i+1
，...，X
k
}，
ꢀꢀꢀ
(1)D
s
为训练数据集，t为输入长度，k为sku单品数量；步骤S1.c：区分静态特征以及动态特征：静态特征为可预知特征，所述的静态特征包括动态特征；动态特征为不可预知特征；步骤S1.d：对静态特征进行类别编码：对n个渠道特征每个赋予1至n的数字编码，再对静态特征映射，并与动态特征拼接：η1＝Softmax(W1X
s
+b1)η2＝W2η1+b
22
X
s
为编码后的动态特征，W为模型权重，b为模型偏差值，z
i
为输入向量的元素，
⊙
为矩阵向量乘积；步骤S1.e：拼接映射后的静态特征以及经过标准归一化的动态特征：步骤S1.e：拼接映射后的静态特征以及经过标准归一化的动态特征：μ为均值，σ为标准差，X
t
为归一化后的动态特征，为模型输入；步骤S1.f：通过长短记忆模型LSTM来捕捉数据前后信息：LSTM网络由在时刻T的输入数据记忆细胞C
t
、瞬时记忆细胞隐藏门h
t
、遗忘门f
t
、输出门o
t
组成，计算过程中提取记忆细胞中的有效信息，丢弃无效信息，得到输出，丢弃、记忆、输出由最后时刻的隐层状态h
t
‑1控制，通过当前的输入数据放入输出、遗忘、记忆门中计算输出：H＝{h0，h1，...，h
n
‑1}；步骤S1.g：利用多头注意力集中机制赋予特征不同的权重，步骤S1.g：利用多头注意力集中机制赋予特征不同的权重，A为每个头的注意力，W
Q
、W
K
、W
V
等是模型参数，其中W
V
为各头共享权重，d为特征数量，最
后拼接每个头的注意力得到输出步骤S1.h：将通过全连接层得到模型的输出，输出为区间型指标：步骤S1.i：损失函数为区间型损失函数，(
·
)
+
＝max(0，..)，M为样本个数，τ为设置的区间个数，q为设置的区间：...

【专利技术属性】
技术研发人员：李珣，张乐，郭盛，余卓阳，沈诣钦，武恺莉，
申请(专利权)人：杭州鼎澜科技有限公司，
类型：发明
国别省市：