本发明专利技术涉及库存预测技术领域，且公开了智能库存预测方法、系统、设备以及介质，包括：获取预设时间段的需求时间序列数据，并构建原始需求矩阵；进行差分处理，获取新的数据矩阵；构建LSTM神经网络模型，输出预测结果，进行相应处理得到最终输出结果；对预测结果进行指标评价；基于步骤S03中的最终输出结果获取库存数据；通过设有步骤S02与步骤S03，有利于从商品需求量入手，通过对商品需求量进行预测，从而获取预测的商品库存数量，在预测需求量时先对数据进行差分处理，以使不改变模型结构的前提下提高训练和预测效果，提升了训练效果，且减少了隐含层神经元数量变化造成的影响，利用更长范围的时间信息且在训练过程中避免了梯度消失和爆炸。
【技术实现步骤摘要】
本专利技术涉及库存预测，更具体地涉及智能库存预测方法、系统、设备以及介质。
技术介绍
1、商品库存量的预测方法是市场预测分析与商品生产销售决策的基础，是市场预测领域中的一个重要问题，在商品生产、销售等很多方面起着关键作用。
2、对于预测商品的库存量，现有技术中的预测方法是利用时间序列模型例如二次指数平滑或arima处理时间序列信号；公开号为cn106056239b的公开文件中，公开了一种产品库存预测方法及装置，对非平稳的信号分解得出相对平稳的imf分量，相比原始的eemd算法，能够有效解决现有技术中在包络线生成过程中的“过冲”和“欠冲”问题。此外，经由数据清洗、非平稳信号分解、平稳的imf分量预测和预测合并以及预测后修正这一系列步骤可以得到更加精确的预测结果。
3、但是在时间序列预测模型中，易发生梯度消失或梯度爆炸的问题，导致预测模型学习过程不稳定，预测效果变差，因此需要有效解决时间序列预测模型中梯度消失与梯度爆炸的问题，从而提高预测模型预测的精准性。
技术实现思路
>1、为了克服现有技本文档来自技高网...
【技术保护点】
1.智能库存预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的智能库存预测方法，其特征在于：所述步骤S01中的原始需求矩阵表示为[Q1,Q2,Q3,…,QT-1,QT]，其中，Qt为第t个时间点的商品需求量；t＝1、2、3……T。
3.根据权利要求1所述的智能库存预测方法，其特征在于：所述步骤S02中对原始需求矩阵进行差分处理的具体方式为：
4.根据权利要求1所述的智能库存预测方法，其特征在于：所述步骤S03中构建LSTM神经网络模型的具体方式为：
5.根据权利要求1所述的智能库存预测方法，其特征在于：所述步骤S05中获取库存数...
【技术特征摘要】
1.智能库存预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的智能库存预测方法，其特征在于：所述步骤s01中的原始需求矩阵表示为[q1,q2,q3,…,qt-1,qt]，其中，qt为第t个时间点的商品需求量；t＝1、2、3……t。
3.根据权利要求1所述的智能库存预测方法，其特征在于：所述步骤s02中对原始需求矩阵进行差分处理的具体方式为：
4.根据权利要求1所述的智能库存预测方法，其特征在于：所述步骤s03中构建lstm神经网络模型的具体方式为：
5.根据权利要求1所述的智能库存预测方法，其特征在于：所述步骤s05中获取库存数据的公式为：yt′＝y总-yt，其中，yt′为第t个时间点的预测商品库存数量，y总为商品总库存数量，yt为第t个时间点的预测商品需求量，t＝1、2、3……t。
6.根据权利要求4...
【专利技术属性】
技术研发人员：童文，
申请(专利权)人：深圳中气科技有限公司，
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。