[发明专利]一种间断需求的预测方法

说明书

本发明涉及一种间断需求的预测方法，其特征在于：通过提取分类模型训练特征预测特征分类模型训练特征预测特征和聚类特征F₃；先对产品进行聚类，对每一个类别分别训练是否有需求的分类模型M₁；对每一个类别分别训练需求量的回归预测模型M₂；用M₁预测未来每个产品是否有需求；若预测存在需求，则用M₂预测具体的需求量；每隔一段时间，重复聚类、模型训练过程。该方法通过多任务进行分解，有助于提升模型的表征能力。

技术领域

本发明涉及机器学习和供应链管理的交叉领域,尤其是涉及对消费者的间断需求进行模式挖掘和预测的方法。

背景技术

间断需求是指在产品销售的时间序列中，存在某些间歇性时段产品有库存而需求量或销量为0。在供应链管理中，间断需求往往意味着产品容易过期、过时或滞销，这将对库存效率优化、降低运营成本带来巨大的挑战。事实上，在任何供应链中，任何产品都可能存在间断需求。这类产品往往在总库存价值占据比较高的比例，比如60％(Johnston et al.,2003)，尤其是航空航天配件、汽车零售、奢侈品、大型机械等；Molenaers(2010)分析的案例中，石化企业54％的库存产品已经5年没有动销。因此，改进间断需求的预测方法，对辅助供应链管理决策、提升组织的供应链运营效率、降低库存成本，具有较大的现实意义和应用价值。

目前的预测方法更多的是集中在传统时间序列框架，包括ARIMA、指数平滑、移动平均以及Croston法等(1972)。其中，Croston方法在实际中有较多应用，且已经嵌入SAP、Forecast Pro.等ERP系统。该方法考虑了需求发生概率和需求量的分解，利用指数平滑分别更新每一期的正需求量和需求间隔，需求量/需求间隔即是每一期的预测结果。该方法有3个不足：1)预测结果存在系统性正偏，2)在经历数期的0需求以后，预测结果变得不可用；3)未能充分利用大量的业务相关数据。

“互联网+”时代下，各个行业的数据量呈爆发式增长，很多过去不能收集的数据现在都变为可能。这就需要我们开发出能够充分利用大量的新增数据进行间断需求预测的方法。按照分而治之的思想，我们把间断需求的预测分为两个阶段：1)是否有需求的分类预测，2)需求量的回归预测。结合机器学习的方法，充分利用大数据背景下的全渠道、全链路信息。

发明内容

为了解决上述存在的技术问题，本发明采用了以下方案：

一种间断需求的预测方法，其特征在于：包括以下步骤：

1)确定任务目标为预测未来T期的N个产品的需求；

2)收集历史需求信息、产品相关信息以及未来的营销计划数据；

3)分别提取N个产品、历史T₀期的历史信息构建分类训练特征N个产品、未来T期的历史信息构建分类预测特征对历史需求进行标记，如果需求大于0，则标记为1，否则标记为0；

4)提取N个产品、历史T₀期的历史信息构建回归模型训练特征N个产品、未来T期的历史信息构建回归模型预测特征

5)对N个产品提取聚类特征F₃，进行聚类，得到K个类别；

6)根据聚类结果，分别对K个类别训练分类预测模型M₁和回归预测模型M₂；

7)用M₁对N个产品未来T期进行是否有需求的分类预测；

8)如果产品n，未来第t期的分类结果为有需求，即预测值为1，则用M₂预测需求数值，其中n∈[1,N],t∈[1,T]；

9)每隔T_it期，重复聚类和模型训练过程。