[发明专利]一种基于时间序列分解的季节性商品需求预测方法

权利要求书

1.一种基于时间序列分解的季节性商品需求预测方法，其特征在于，包括以下步骤：

步骤1：获取商品的采购提前期lt、历史日销售出库表、同时间段商品销售门店所在地区的天气数据表，对历史日销售出库表按照时间窗lt进行滚动求和，得到商品的lt销售出库表，对天气数据表提取特征；

所述的天气数据表包含日期和日平均温度；

所述的特征包括日平均温度、日平均温差、当前周和当前季度；

四个季度，每个季度对应一个0/1虚拟变量；

步骤2：确定测试数据集长度n₁，训练数据集长度n₂，提取峰值所需历史销售序列，该序列长度n₃，n₃＞n₂；记录峰值所需子序列s₀，子序列s₀长度为n₄；计算概率阈值所需历史序列s₃，历史序列s₃长度为n₅；长度单位为月，概率阈值区间为[0.1,0.9]，步长ε∈[0.002,0.01]；

步骤3：在测试期间的第t天，隔lt天向前取长度n₃的历史销售序列，从该序列起始点选取n₄长度的子序列s₀，将s₀中与平均值I的偏差超过三倍标准差S的出库值记为峰值，并将峰值所对应的时间点放在时间列表中；移动选取子序列s₀并记录所有峰值，剔除时间列表中重复的时间点，时间列表作为索引，对应的值作为峰值序列s₁；

所述的平均值I为子序列s₀的平均值；标准差S为子序列s₀的标准差；

步骤4：利用峰值序列s₁，标记训练数据是否为峰值：0代表非峰值，1代表峰值，对训练数据集增加标记列；

步骤5：合并训练数据集和天气数据表，将日平均温度、日平均温差、当前周和当前季度作为特征，用于判断测试期第t天的需求是否为峰值需求；

步骤6：将步骤5中的特征作为决策树分类器和K近邻分类器的输入，两个分类器分别预测峰值出现概率p₁,p₂，最终峰值预测概率p_t为p₁,p₂的算术平均值；

步骤7：对测试期间的第t天，向前隔lt天取n₅长度的历史序列s₃计算该天的峰值概率阈值α_t；

步骤8：根据步骤6、步骤7得到峰值概率阈值α_t和峰值预测概率p_t，若p_tα_t，判定为峰值需求，转向步骤9，否则判定为非峰值需求，转步骤10；

步骤9：若判断为峰值需求，则将峰值序列s₁与天气数据表合并，将特征作为自变量，峰值作为因变量，使用K近邻回归模型对峰值需求进行预测；

步骤10：若为非峰值需求，对训练数据按月聚合，计算月中位数，用月中位数代替原来的峰值，得到常规值序列s₂，使用随机森林进行回归预测，回归变量包括第t天的日平均温度、日平均温差、当前周、当前季度以及第t-lt天的lt销售出库量。

2.根据权利要求1所述的一种基于时间序列分解的季节性商品需求预测方法，其特征在于步骤3所述的提取峰值序列s₁的方法，具体包括以下步骤：

(3.1)从第t天往前推lt+n₃天作为开始时间节点，取长度n₄的lt子序列s₀，计算s₀的平均值和标准差，将s₀中与平均值的偏差超过三倍标准差的出库值，记为峰值；

(3.2)每次移动1天直至提取结束时间节点为第t天往前推lt+n₄，重复步骤(3.1)的操作直到得到所有峰值，剔除重复值后得到最终的峰值序列s₁。

3.根据权利要求2所述的一种基于时间序列分解的季节性商品需求预测方法，其特征在于步骤7所述的计算概率阈值方法，具体包括以下步骤：

(7.1)对每一个阈值α_i∈[0.1,0.9]，步长为ε，根据步骤6计算峰值预测概率p_i，若p_iα_i，判定为峰值，否则为非峰值；

(7.2)计算评价指标精确率precision、召回率recall、F₁值：

precision＝m_r/m_pred

recall＝m_r/m

其中，m表示s₃内真实峰值总个数，m_pred表示预测出峰值总数，m_r表示预测正确峰值个数；

(7.3)选取最大的F₁值对应的阈值作为最佳的峰值概率阈值α_t。