[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

说明书

本发明公开了一种基于时间序列分解的季节性商品需求预测方法。本发明步骤如下：首先基于统计方法从历史需求数据分离出峰值序列s₁和常规值序列s₂；其次基于峰值序列s₁，对训练数据是否为峰值需求进行标注；然后利用两个分类器组成的复合分类器预测峰值出现概率p，并利用近期的历史数据计算峰值概率阈值α，基于峰值预测概率p和峰值概率阈值α进行回归策略选择，若p＞α，则利用K近邻模型进行峰值需求预测，否则，利用随机森林模型进行非峰值需求回归预测。本发明通过季节性峰值概率建模，同时利用多个回归模型对季节性需求分别预测，有效应对了季节性商品峰值的突发性，同时极大地提升了预测峰值的准确度，为企业采购季节性商品提供了有利的支撑。

技术领域

本发明属于信息预测技术领域，提供一种基于时间序列分解的季节性商品需求预测方法。一种适用于出库数据呈现周期变化的季节性物料的中长期预测方法。

背景技术

需求预测不仅涉及客户的需求管理，还对后续的订货、库存等运营起主导作用，直接影响着企业的利润增加。需求预测偏高，库存积压，增加企业的库存费用，不利于企业资金周转；需求预测偏低，无法满足当前客户需求，导致客户流失。因此，需求预测是多数企业，尤其是制造业、零售业，在供应链管理中面临的一大挑战。

传统的需求预测方法大多基于统计学的时间序列分析，比如指数平滑、(差分)移动自回归模型，这些模型对过去邻近时刻的历史依赖性强，对周期性需求尤其长周期需求预测有明显的滞后性，预测偏差较大。而对于季节性物料，需求曲线呈现明显的波峰，且峰值出现间隔时间较长，这就需要预测方法能提前预测到峰值的出现。

其他考虑到季节影响的模型，如SARIMAX，先对时序列做季节差分来消除季节影响，进而使用ARIMA模型来预测需求，适用于周期不大的情形。而实际中要预测的需求通常是提前期(Lead Time)需求，这样一来计算的周期较长，SARIMAX模型并不适用。此外，将时序列分解为趋势、季节扰动的三次指数平滑模型，使用前要先判断趋势/季节扰动是加法或乘法类型，在同时处理多个物料时有一定实现难度。相比之下，我们的模型通用性更好，易于进行批处理。

综上可见，大部分研究工作均没有考虑预测峰值的出现，本发明基于实际情况考虑峰值出现的影响因素，选取日平均温度、季度等天气因素作为特征，通过概率预测的方式预测峰值出现的概率。同时，本发明利用峰值序列对季节性物料的真实历史出库序列进行分解，考虑到峰值序列和常规值序列的特点采取不同的回归方法进行预测。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于时间序列分解的季节性商品需求预测方法。

本发明解决其技术问题所采用的技术方案包括以下步骤：

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、当前季度；

所述的四个季度，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]；