一种基于混合神经网络的企业库存预测方法技术

本发明专利技术提出了一种基于混合神经网络的企业库存预测方法，用于解决网络训练时间长

【技术实现步骤摘要】
一种基于混合神经网络的企业库存预测方法


[0001]本专利技术涉及企业资源管理信息化领域，尤其涉及一种基于混合神经网络的企业库存预测方法
。

技术介绍

[0002]信息化的快速发展，给企业带来了新的挑战
。
企业必须适应新的要求并不断提高技术标准
。
近年来，人力资源
、
物流及仓储成本的不断攀升，导致零件制造成本不断上升，而准确的库存预测有助于企业据此调整生产计划，降低制造成本，有助于实现企业利润最大化
。
[0003]库存预测是根据企业的历史库存数据，通过科学的方法和逻辑，对近期库存的水平做出推测，以此来提前应对市场以及客户方面可能出现的突发性问题
。
有效的库存预测能够为企业降低库存成本，为生产或者采购计划提供依据
。
因此库存预测是企业重点关注的问题之一
。
[0004]在现有的应用和研究中有利用移动平均法
、
指数平滑法等传统方法进行预测的，然而传统方法的数据限制较高，需要水平型历史数据，且对远期数据赋重较少
。
现阶段也有学者用神经网络等方法进行预测，其方法中会面临网络训练时间长
、
数据特征挖掘不全面导致的准确度不够高等问题，需进一步改进
。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种基于混合神经网络的企业库存预测方法
。
首先为了降低神经网络训练的复杂度，选用
PCA
>主成分分析法确定影响库存预测的关键因素，实现降维
。
其次根据考虑到库存具有相关性特征，为了挖掘该特征，采用
BiGRU
网络通过上下文挖掘库存的相关性特征
。
最后采用
BP
神经网络进行库存预测，在构建网络过程中采用二分分割法确定隐藏层节点数量，优化隐藏层节点选择问题
。
[0006]本专利技术通过以下技术方案实现：
[0007]步骤1：从影响库存预测的候选因素中确定关键因素，得到由关键因素构成的库存每月历史数据；
[0008]步骤2：将由关键因素构成的过去
n
个月的库存历史数据输入
BiGRU
网络，对库存物料中的相关性特征进行特征加强；
[0009]步骤3：将步骤2中
BiGRU
网络的输出
{H1,H2…
H
t
…
H
n
}
作为
BP
神经网络的输入，得到对第
n+1
个月库存的预测结果
。
[0010]进一步的，候选因素包括库存的当月出库量
、
当月订单量
、
现有库存量
、
到货平均周期
、
供应商数量
、
客户数量
、
退货量
、
临采量
。
[0011]当月出库量：当月出库量直接反映了实际出库情况，它可以用作库存预测的一个重要指标
。
较高的出库量可能需要更多的库存来满足需求，而较低的出库量可能意味着库存过剩
。
[0012]当月订单量：当月订单量代表了未来的趋势
。
通过分析订单量的变化，可以预测未来的库存需求
。
订单量的增加可能意味着库存需求将增加，而订单量的减少可能意味着库存需求将减少
。
[0013]现有库存量：现有库存量反应当前的库存基数
。
[0014]到货平均周期：到货平均周期指从下订单到收到货物的实际时间，对于所有的订单进行加权平均得到订单的到货平均周期
。
[0015]供应商数量：供应商数量影响了采购的灵活性和供应链的稳定性
。
如果依赖单一供应商，可能存在供应中断的风险
。
多个供应商可以提供备用选择，以应对供应链问题，并确保库存的稳定供应
。
[0016]客户数量：客户数量对库存需求有直接影响
。
较多的客户可能意味着更高的销售和库存需求，而较少的客户可能导致库存需求减少
。
[0017]退货量：退货量是指顾客退还的产品数量
。
退货量的增加可能需要调整库存水平，以应对退货的影响
。
退货量的减少可能意味着库存需求减少
。
[0018]临采量：临时采购量是指临时增加的采购量，用于满足额外的需求或应对突发情况
。
临采量的增加可能需要增加库存，以应对临时需求的增加
。
[0019]通过
PCA
主成分分析法确定影响库存预测的真正因素，同时也完成了降维，得到库存每月历史数据的向量表示
。
[0020]进一步的，步骤2进一步包括，
BiGRU
由一层向前的
GRU
网络和一层向后的
GRU
网络组成，向前
GRU
网络包含多个向前
GRU
单元，向后
GRU
网络包含多个向后
GRU
单元，第
i
个月的库存历史数据会同时提供给第
i
个向前
GRU
单元以及第
i
个向后的
GRU
单元，
i
＝
1、
…
、n
，向前
GRU
单元根据过去的历史数据实现对当前时刻历史数据的加强，向后
GRU
单元根据未来的历史数据实现对当前时刻历史数据的加强，将第
i
个向前
GRU
单元与第
i
个向后的
GRU
单元的输出结果进行拼接得到
H
i
，从不同方向实现对第
i
个月的库存历史数据的相关性特征加强
。
[0021]进一步的，
BP
神经网络隐含层的节点数采用二分分割法确定
。
[0022]进一步的，通过二分分割法确定隐藏层节点个数具体包括，
[0023]首先通过经验公式确定节点数大致范围，经验公式如下：
[0024][0025]其中，
K
代表隐含层节点数，
p
代表输入层节点个数，
q
代表输出层节点个数，
a
是1到
10
之间的常数，由
a
的范围确定
K
的范围为
k1到
k2；
[0026]将
k1、k2、k3＝
(k1+k2)/2
分别带入
BP
神经网络，用同一组样本分别进行训练，分别比较不同的隐含层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于混合神经网络的企业库存预测方法，其特征在于：步骤1：从影响库存预测的候选因素中确定关键因素，得到由关键因素构成的库存每月历史数据；步骤2：将由关键因素构成的过去
n
个月的库存历史数据输入
BiGRU
网络，对库存物料中的相关性特征进行特征加强；步骤3：将步骤2中
BiGRU
网络的输出
{H1,H2…
H
t
…
H
n
}
作为
BP
神经网络的输入，得到对第
n+1
个月库存的预测结果
。2.
根据权利要求1所述的一种基于混合神经网络的企业库存预测方法，其特征在于：候选因素包括库存的当月出库量
、
当月订单量
、
现有库存量
、
到货平均周期
、
供应商数量
、
客户数量
、
退货量
、
临采量
。3.
根据权利要求1或2所述的一种基于混合神经网络的企业库存预测方法，其特征在于：步骤2进一步包括，
BiGRU
由一层向前的
GRU
网络和一层向后的
GRU
网络组成，向前
GRU
网络包含多个向前
GRU
单元，向后
GRU
网络包含多个向后
GRU
单元，第
i
个月的库存历史数据会同时提供给第
i
个向前
GRU
单元以及第
i
个向后的
GRU
单元，
i
＝
1、
…
、n
...

【专利技术属性】
技术研发人员：佘士耀，陶文健，田路强，宋春丽，袁芳芳，陈子豪，王一霄，
申请(专利权)人：中国船舶集团有限公司第七一八研究所，
类型：发明
国别省市：