System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及数据预测,特别是涉及一种供应链需求预测方法、装置和计算机设备。
技术介绍
1、随着经济全球化的发展,信息技术能力不断提升,市场竞争的日益激烈和市场需求的快速多变都给企业带来了难得的机遇和挑战,企业在面临全球市场巨大商机的同时也面临着交货期需要不断缩短的巨大压力,要求企业具有应对市场不断变化作出科学预测的能力。
2、需求预测是对未来需求的预期,需求预测是企业制定战略规划、生产安排、销售计划,尤其是供应链管理计划的重要依据。准确的预测可以降低库存、减少存货、保证生产连续、降低成本和改进服务,是企业供应链管理中最重要的环节,也是供应链管理工作的龙头。
3、目前,现有的供应链需求预测方法主要是通过构建预测模型,并基于历史数据获取模型的参数,将模型的参数输入到预测模型中,得到供应链需求的预测结果。现有的供应链需求预测方法,因为输入模型的参数与实际的应用场景的关联性不强,导致供应链需求预测结果不准确。
4、然而,对于现有技术中因为输入模型的参数与实际的应用场景的关联性不强,导致供应链需求预测结果不准确的问题,仍没有得到解决。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种供应链需求预测方法、装置和计算机设备。
2、第一方面,本申请提供了一种供应链需求预测方法。所述方法包括:
3、响应于针对目标产品的预测需求,获取所述目标产品的目标历史销量数据、以及影响所述目标历史销量数据的外部环境数据;
4、将所述目
5、通过残差神经网络模型的各个子残差网络对各个目标历史子销量数据进行特征提取得到时间特征数据;通过全连接神经网络模型对所述外部环境数据进行特征提取,得到环境特征数据;对所述时间特征数据和所述环境特征数据进行融合,得到融合特征数据;
6、通过激活函数对所述融合特征数据进行处理,预测出所述目标产品的销量值。
7、在其中一个实施例中,所述将所述目标历史销量数据按照不同的时间周期进行划分,得到至少一个目标历史子销量数据,包括:
8、将所述目标历史销量数据按照天进行划分,得到按天划分的目标历史子销量数据;和/或将所述目标历史销量数据按照周进行划分,得到按月划分的目标历史子销量数据;和/或将所述目标历史销量数据按照月进行划分,得到按月划分的目标历史子销量数据。
9、在其中一个实施例中,所述通过残差神经网络模型的各个子残差网络对各个目标历史子销量数据进行特征提取得到时间特征数据,包括:
10、通过所述残差神经网络模型的第一子残差网络对所述按天划分的目标历史子销量数据进行特征提取得到时间特征数据;和/或通过所述残差神经网络模型的第二子残差网络对所述按周划分的目标历史子销量数据进行特征提取得到时间特征数据;和/或通过所述残差神经网络模型的第三子残差网络对所述按月划分的目标历史子销量数据进行特征提取得到时间特征数据。
11、在其中一个实施例中,所述残差神经网络的各个子残差网络均包括多个卷积层,每两个卷积层之间级联预设个数的残差单元。
12、在其中一个实施例中,在通过残差神经网络模型的各个子残差网络对各个目标历史子销量数据进行特征提取得到时间特征数据之前,还包括:
13、对输入到残差神经网络模型的所述各个目标历史子销量数据采用批正则化法进行正则化处理,得到正则化处理后的各个目标历史子销量数据。
14、在其中一个实施例中,所述通过全连接神经网络模型对所述外部环境数据进行特征提取,得到环境特征数据,包括:
15、利用所述全连接神经网络模型的隐藏层,对所述外部环境数据进行多层次的特征抽象处理,得到所述外部环境数据的各个特征抽象数据;
16、利用所述全连接神经网络模型的归一化层,对所述各个特征抽象数据进行批量归一化处理,得到归一化后的各个特征抽象数据;
17、将所述归一化后的各个特征抽象数据,作为所述环境特征数据。
18、在其中一个实施例中,所述对所述时间特征数据和所述环境特征数据进行融合,得到融合特征数据,包括:
19、采用向量拼接法,对所述时间特征数据和所述环境特征数据进行融合,得到所述融合特征数据。
20、第二方面,本申请还提供了一种供应链需求预测装置。所述装置包括:
21、数据获取模块,用于响应于针对目标产品的预测需求,获取所述目标产品的目标历史销量数据、以及影响所述目标历史销量数据的外部环境数据;
22、数据划分模块,用于将所述目标历史销量数据按照不同的时间周期进行划分,得到至少一个目标历史子销量数据;
23、特征提取模块,用于通过残差神经网络模型的各个子残差网络对各个目标历史子销量数据进行特征提取得到时间特征数据;通过全连接神经网络模型对所述外部环境数据进行特征提取,得到环境特征数据;对所述时间特征数据和所述环境特征数据进行融合,得到融合特征数据;
24、以及预测模块,用于通过激活函数对所述融合特征数据进行处理,预测出所述目标产品的销量值。
25、第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的供应链需求预测方法。
26、第四方面,本申请还提供了一种供应链需求预测平台。包括数据接收模块、需求预测模块、以及展示模块;
27、所述数据接收模块,用于接收预测需求;
28、所述需求预测模块,用于实现上述第一方面所述的供应链需求预测方法的步骤,得到预测结果;
29、所述展示模块,用于基于接收用户的数据展示需求,显示所述预测结果。
30、上述供应链需求预测方法、装置和计算机设备,通过响应于针对目标产品的预测需求,获取目标产品的目标历史销量数据和影响目标历史销量数据的外部环境数据,进而将目标历史销量数据按照不同的时间周期进行划分,得到至少一个目标历史子销量数据,然后通过残差神经网络模型的各个子残差网络对各个目标历史子销量数据进行特征提取得到时间特征数据,以及通过全连接神经网络模型对外部环境数据进行特征提取,得到环境特征数据。对时间特征数据和环境特征数据进行融合,得到融合特征数据,进而通过激活函数对融合特征数据进行处理,预测出目标产品的销量值。其通过目标产品的历史销量数据与影响目标历史销量数据的外部环境数据,利用残差神经网络进行时间特征数据的提取,利用全连接神经网络进行环境特征数据的提取,进而将时间特征数据和环境特征数据进行融合,得到融合后的融合特征数据,通过多维数据的获取,使得融合特征数据与时间和外部影响因素相关,使得融合特征数据与实际应用场景的关联性增强,进而能够得到准确的预测结果。解决了现有技术中因为输入模型的参数与实际的应用场景的关联性不强,导致供应链需求预测结果不准确的问本文档来自技高网...
【技术保护点】
1.一种供应链需求预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的供应链需求预测方法,其特征在于,所述将所述目标历史销量数据按照不同的时间周期进行划分,得到至少一个目标历史子销量数据,包括:
3.根据权利要求2所述的供应链需求预测方法,其特征在于,所述通过残差神经网络模型的各个子残差网络对各个目标历史子销量数据进行特征提取得到时间特征数据,包括:
4.根据权利要求1所述的供应链需求预测方法,其特征在于,所述残差神经网络的各个子残差网络均包括多个卷积层,每两个卷积层之间级联预设个数的残差单元。
5.根据权利要求1所述的供应链需求预测方法,其特征在于,在通过残差神经网络模型的各个子残差网络对各个目标历史子销量数据进行特征提取得到时间特征数据之前,还包括:
6.根据权利要求1所述的供应链需求预测方法,其特征在于,所述通过全连接神经网络模型对所述外部环境数据进行特征提取,得到环境特征数据,包括:
7.根据权利要求1所述的供应链需求预测方法,其特征在于,所述对所述时间特征数据和所述环境特征数据进行融合,得
8.一种供应链需求预测装置,其特征在于,所述装置包括:
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至权利要求7中任一项所述的方法的步骤。
10.一种供应链需求预测平台,其特征在于,包括数据接收模块、需求预测模块、以及展示模块;
...【技术特征摘要】
1.一种供应链需求预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的供应链需求预测方法,其特征在于,所述将所述目标历史销量数据按照不同的时间周期进行划分,得到至少一个目标历史子销量数据,包括:
3.根据权利要求2所述的供应链需求预测方法,其特征在于,所述通过残差神经网络模型的各个子残差网络对各个目标历史子销量数据进行特征提取得到时间特征数据,包括:
4.根据权利要求1所述的供应链需求预测方法,其特征在于,所述残差神经网络的各个子残差网络均包括多个卷积层,每两个卷积层之间级联预设个数的残差单元。
5.根据权利要求1所述的供应链需求预测方法,其特征在于,在通过残差神经网络模型的各个子残差网络对各个目标历史子销量数据进行...
【专利技术属性】
技术研发人员:操涛涛,熊巍,郑博方,刘伟棠,陈立力,周明伟,
申请(专利权)人:浙江大华技术股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。