一种基于深度学习的五金配件供应预测方法及系统技术方案

本发明专利技术公开了一种基于深度学习的五金配件供应预测方法及系统，涉及配件供应技术领域，该系统运行时，信息采集模块收集配件进销数据，同时对供应商与供应链收集销售量和运输订单信息，形成第一数据集，预处理模块对获取的第一数据集进行预处理，再从中提取季节性、时间线与供应量相关信息，作为第二数据集，建模训练模块对第一第二数据集进行分析，算法模型进行计算获取：节假日关联系数、库存趋势系数和供应链趋势系数后，再进行计算获取：预测指数，预测指数和预设阈值对比，获取等级供应预测方案，预测生成模块根据方案内容，对预设展示模板进行填充，并进行展示，提供给用户简易的交互功能，以便用户观察和了解趋势情况。便用户观察和了解趋势情况。便用户观察和了解趋势情况。

【技术实现步骤摘要】
一种基于深度学习的五金配件供应预测方法及系统


[0001]本专利技术涉及配件供应
，具体为一种基于深度学习的五金配件供应预测方法及系统。

技术介绍

[0002]人工智能领域的创新正在深刻地改变着商业和生产领域的各个方面。人工智能的快速演进已经让我们能够从庞大的数据中提取出有价值的信息和洞察，为决策提供更准确和智能的支持。在供应链管理领域，预测供应情况一直是一个关键性的挑战。为了更好地管理库存、采购和生产，基于深度学习技术的预测系统逐渐崭露头角，然而，当涉及五金配件供应预测时，由于其特定的季节性、时间性和供应链变动等因素，传统的预测方法往往无法满足高精度和复杂性的需求。
[0003]传统的园艺五金配件供应预测方法往往难以捕捉时间序列中的复杂模式和非线性关系，其中修枝剪、剪刀和铲子园艺五金配件，使用简单的统计模型无法准确地预测季节性和节假日特殊情况下的供应变化，此外，对于涉及大量数据和多个影响因素的复杂供应链系统来说，传统方法往往难以进行准确的数据挖掘和分析，这导致库存过剩、缺货，以及资源分配不合理问题。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供了一种基于深度学习的五金配件供应预测方法及系统，解决了
技术介绍
中提到的问题。
[0005]为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于深度学习的五金配件供应预测方法及系统，包括信息采集模块、预处理模块、建模训练模块、预测生成模块；所述信息采集模块收集八个月内的各类五金配件销售量以及库存量，以及各类五金配件的采购量，同时对供应商与供应链问卷调查收集销售量和运输订单信息，作为第一数据集；所述预处理模块用于对获取的第一数据集进行预处理，包括异常数据的检测与处理，同时对第一数据集进行特征提取，并从中提取季节性、时间线与供应量相关信息，作为第二数据集；所述建模训练模块用于对获取的第一数据集和第二数据集进行分类和分析，选择相应的算法模型进行训练计算，获取：节假日关联系数、库存趋势系数和供应链趋势系数后，再进行计算获取：预测指数；所述预测指数通过以下公式获取：；
所述节假日关联系数通过所述第一数据集和所述第二数据集计算获取；所述库存趋势系数通过所述第一数据集和所述第二数据集计算后对比获取；所述供应链趋势系数通过所述第一数据集和所述第二数据集计算后对比获取；式中，表示节假日关联系数的权重值，表示历史供应趋势系数的权重值，表示库存趋势系数的权重值，表示供应链趋势系数的权重值，表示修正常数；其中，，，，，其中，；所述预测生成模块通过所述建模训练模块获取的预测指数和预设阈值对比，获取等级供应预测方案，根据方案内容进行对预设模板进行填充后，将展示方案进行具体展示，并且提供简单交互功能。
[0006]优选的，所述信息采集模块包括虚拟信息采集单元和供应链调查单元；所述虚拟信息采集单元用于根据商家进销管理系统软件获取八个月内的各类五金配件销量，包括日销量和月销量，以及各类五金配件的库存数据，包括现存库存总量、月补货量和平均日销量；所述平均日销量通过以下公式获取：；式中，表示八个月的天数，通过八个月的日销量和八个月的月销量进行计算所述平均日销量，以便增加所述平均日销量的准确率；所述供应链调查单元通过电话调查供应商和供应链，获取最近八个月内的五金配件的销量和运输订单信息，包括销售数量、邮政编码代表的销售地点、运输配件类型数量和配件总数量；所述第一数据集通过所述虚拟信息采集单元和所述供应链调查单元采集获的数据进行集成。
[0007]优选的，所述预处理模块包括异常检测单元和特征提取单元；所述异常检测单元用于检测和处理采集到的数据中的异常值，并对其做出处理包括去重、删除异常值、修正和验证，以确保数据的准确性；所述特征提取单元用于对所述第一数据集进行特征提取，从中提取节假日、周末和工作日与供应量和销售量的关联关系，包括节假日销售量、周末销售量、和工作日销售量。
[0008]所述第二数据集包括：节假日销售量、周末销售量、和工作日销售量
；优选的，所述建模训练模块包括算法选择单元和趋势预测单元；所述算法选择单元用于根据所述第一数据集和第二数据集信息，选择合适的算法模型，包括ARIMA模型、SARIMA模型、Prophet模型、随机森林模型和神经网络模型；所述趋势预测单元用于根据确定的算法模型对所述第一数据集和第二数据集进行建立模型，进行分析和训练，以获取：节假日关联系数、历史供应趋势系数、库存趋势系数、供应链趋势系数和预测指数。
[0009]优选的，所述节假日关联系数通过以下公式获取：；式中，表示节假日销售量的权重值，表示周末销售量，表示工作日销售量的权重值；其中，，，，其中，，表示修正常数；通过节假日关联系数能够得到所述节假日销售量和所述周末销售量与所述工作日销售量销量的差值，通过差值能够得出销售量和普通工作日之间的关联关系，其中，节假日关联系数表示八个月内销售量和普通工作日关联关系较强，节假日关联系数表示八个月内销售量和普通工作日关联关系较弱。
[0010]优选的，所述库存趋势系数通过以下公式获取：；；式中，代表月份，包括一至八月，通过表示当月库存结余量，通过当月库存结余量减去月销量得到差值，通过八个月差值得到库存趋势系数是增加还是降低；优选的，所述供应链趋势系数通过以下公式获取：；式中，、、和分别表示销售数量、销售地点邮政编码、运输配件类型数量和配件总数量的权重值；其中，，，，，
其中，，表示修正常数；通过邮政编码代表的销售地点的销售数量和当地的供应链获取的运输配件类型数量和配件总数量计算总和，得到供应链趋势系数，当供应链趋势系数时，存在趋势增加情况，当供应链趋势系数时，存在趋势降低的情况。
[0011]优选的，所述预测指数和预设阈值对比，获取等级供应预测方案：，获取一级供应评价，增加供应量，具体为原供应量的2倍，预测未来配件销量呈持续上升趋势，因此，增加供应以满足预期的销售增长；，获取二级供应评价，少量增加供应量，具体为原供应量的1.4倍，预测未来配件销量保持稳定上涨，基于现有的供应水平增加一定量，稳定提高库存应对；，获取三级供应评价，稳定供应量，具体和原供应量保持一致，预测未来配件销量保持稳定状态；，获取四级供应评价，降低供应量，具体为原供应量的0.8倍，预测未来配件销量会下降，缩少供应以减少库存积压；，获取五级供应评价，停止进货，预测未来配件销量急剧下降，缩减供应量以减少库存积压。
[0012]优选的，所述预测生成模块包括模板填充单元和可视化单元；所述模板填充单元用于获取的等级供应预测方案的内容信息包括，实际供应数据、销售趋势数据、供应趋势数据和历史数据，对预设的模板进行填充，形成展示方案内容；所述可视化单元用于展示方案内容，进行具体展示，包括柱状图、饼图和折线图，同时展示实际供应相关数据和历史数据，以便比较预测结果和实际情况，并提供简单交互功能用于选择不同的展示方式和具体操作功能。
[0013]一种基于深度学习的五金配件供应预测方法及系统，包括以下步骤：步骤一：通过采集模块收集各类五金配件销售量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的五金配件供应预测系统，其特征在于：包括信息采集模块、预处理模块、建模训练模块和预测生成模块；所述信息采集模块收集八个月内的各类五金配件销售量以及库存量，以及各类五金配件的采购量，同时对供应商与供应链问卷调查收集销售量和运输订单信息，作为第一数据集；所述预处理模块用于对获取的第一数据集进行预处理，包括异常数据的检测与处理，同时对第一数据集进行特征提取，并从中提取季节性、时间线与供应量相关信息，作为第二数据集；所述建模训练模块用于对获取的第一数据集和第二数据集进行分类和分析，选择相应的算法模型进行训练计算，获取：节假日关联系数、库存趋势系数和供应链趋势系数后，再进行计算获取：预测指数；所述预测指数通过以下公式获取：；所述节假日关联系数通过所述第一数据集和所述第二数据集计算获取；所述库存趋势系数通过所述第一数据集和所述第二数据集计算后对比获取；所述供应链趋势系数通过所述第一数据集和所述第二数据集计算后对比获取；式中，表示节假日关联系数的权重值，表示历史供应趋势系数的权重值，表示库存趋势系数的权重值，表示供应链趋势系数的权重值，表示修正常数；其中，，，，，其中，；所述预测生成模块通过所述建模训练模块获取的预测指数和预设阈值对比，获取等级供应预测方案，根据方案内容进行对预设模板进行填充后，将展示方案进行具体展示，并且提供简单交互功能。2.根据权利要求1所述的一种基于深度学习的五金配件供应预测系统，其特征在于：所述信息采集模块包括虚拟信息采集单元和供应链调查单元；所述虚拟信息采集单元用于根据商家进销管理系统软件获取八个月内的各类五金配件销量，包括日销量和月销量，以及各类五金配件的库存数据，包括现存库存总量、月补货量和平均日销量；所述平均日销量通过以下公式获取：；式中，表示八个月的天数，通过八个月的日销量和八个月的月销量进行
计算所述平均日销量，以便增加所述平均日销量的准确率；所述供应链调查单元通过电话调查供应商和供应链，获取最近八个月内的五金配件的销量和运输订单信息，包括销售数量、邮政编码代表的销售地点、运输配件类型数量和配件总数量；所述第一数据集通过所述虚拟信息采集单元和所述供应链调查单元采集获的数据进行集成。3.根据权利要求1所述的一种基于深度学习的五金配件供应预测系统，其特征在于：所述预处理模块包括异常检测单元和特征提取单元；所述异常检测单元用于检测和处理采集到的数据中的异常值，并对其做出处理包括去重、删除异常值、修正和验证，以确保数据的准确性；所述特征提取单元用于对所述第一数据集进行特征提取，从中提取节假日、周末和工作日与供应量和销售量的关联关系，包括节假日销售量、周末销售量、和工作日销售量；所述第二数据集包括：节假日销售量、周末销售量、和工作日销售量。4.根据权利要求1所述的一种基于深度学习的五金配件供应预测系统，其特征在于：所述建模训练模块包括算法选择单元和趋势预测单元；所述算法选择单元用于根据所述第一数据集和第二数据集信息，选择合适的算法模型，包括ARIMA模型、SARIMA模型、Prophet模型、随机森林模型和神经网络模型；所述趋势预测单元用于根据确定的算法模型对所述第一数据集和第二数据集进行建立模型，进行分析和训练，以获取：节假日关联系数、历史供应趋势系数、库存趋势系数、供应链趋势系数和预测指数。5.根据权利要求3所述的一种基于深度学习的五金配件供应预测系统，其特征在于：所述节假日关联系数通过以下...

【专利技术属性】
技术研发人员：张明成，穆长卫，杨俊生，丁树立，高世民，
申请(专利权)人：阳信东泰精密金属有限公司，
类型：发明
国别省市：