[发明专利]一种基于大数据的物流供应链需求预测方法

说明书

本发明请求保护一种基于大数据的物流供应链需求预测方法，包括：101对数据进行预处理操作；102对经过预处理的数据进行特征工程构建；103提取目标之间的关系特征；104提取输入输出空间的目标敏感特征；105建立机器学习模型，根据供应链的历史需求数据进行预测。本发明主要是通过提取关于物流供应链需求预测目标的输入输出空间的敏感特征来处理输入空间和输出空间的复杂关系，建立机器学习模型，从而预测供应链在未来5周内的需求，使得商家能够在正确的时间给用户最有效服务。

技术领域

本发明属于机器学习、多目标回归及大数据处理技术领域，尤其基于大数据的物流供应链需求预测方法。

背景技术

随着经济全球化和知识经济时代的到来，高新技术的迅猛发展，商品结构越来越复杂，寿命周期越来越短，用户需求的不确定性和个性化程度增加，市场环境竞争日益激烈，人们的需求日益多样化，市场环境由简单静态的卖方市场逐步变成复杂动态的买房市场，供应链管理应运而生。企业管理如何适应新的竞争环境，已成为广大管理理论研究者及实际工作者关注的焦点。

需求预测是供应链管理中需求管理的内容，是供应链运作的源头，也是供应链优化的起点。如果预测需求与实际需求误差过大，将会对供应链运作带来巨大的影响，增加供应链运作成本，降低客户满意度。另一方面，提升需求预测准确性，则可以大大降低供应链运作成本，提升服务质量，使供应链成员企业从中受益。

现今的市场环境使企业正在面临无止境的计划和决策，对未来需求的预测构成了供应链管理中战略和规划性决策的基础。所有拉动流程又都是根据市场需求的反应来运行的，在上述两种情况下，供应链管理者采用的第一个步骤就是预测顾客未来的需求量。再好的商品，如果不能准确的预测到实际的市场需求，就是造成供应的不足或者过剩，进而影响到企业的库存水平和运作成本。现有的方法通过简单的将历史数据处理后作为训练数据构建模型或者基于历史数据构建时间序列的单目标回归模型，来预测商家客流量，由于没有考虑到多个目标之间对供应链需求行为的影响综合程度，这些方法的预测精度并不是很理想。

本专利针对这些方面所做的包括使用层次聚类提取目标之间的关系特征，为每个预测目标提取输入输出空间的目标敏感特征等工作大大提高了针对这一供应链需求预测的精度。同时，需求的预测是驱动整个供应链的重要因素，准确的需求预测可以降低供应链企业所面临的市场不确定性，为决策提供科学依据，可以说，准确的预测使供应链企业追求的共同目标。

发明内容

本发明提供一种基于大数据的物流供应链需求预测方法对供应链中商品销量数据和供应链信息数据进行分析，旨在有效地预测商家在未来的销量，进而促使供应链企业能够在正确的时间给用户最有效的服务，具有一定的实现意义。

本发明的技术方案如下：

一种基于大数据的物流供应链需求预测方法，其包括以下步骤：

101、对供应链的历史需求数据进行包括异常值在内的预处理操作；

102、对经过预处理的数据进行特征工程构建；特征工程构建主要包括：历史需求数据特征、时间特征。

103、采用层次聚类得到目标之间的关系特征；

104、对含有目标之间的关系的数据，得到输入输出空间的目标敏感特征；

105、建立机器学习模型，根据供应链的历史需求数据进行预测。

进一步的，所述步骤101对供应链需求历史销量数据预处理操作，包括以下步骤：

S1011、将历史数据分为训练集和测试集两部分，统计历史数据中供应链需求历史数据的缺失值个数，并统计供应链各个商品的缺失比例，对于缺失比例低于70％的商品，使用该商家对应星期几的销量均值填充；若缺失比例超过70％，则保留距离目标预测日期最近2周的销量，其他全部删除。