[发明专利]一种基于销量预测的零售领域供应链库存优化方法

说明书

本发明涉及一种基于销量预测的零售领域供应链库存优化方法。其发明内容主要包括(1)基于多态特征融合的商品销量精准预测方法；(2)基于商品活跃度分类的物流约束下供应链库存优化方法。基于上述方法，提取并融合商品的多态特征数据，并根据商品预测销量进行活跃度分类来构建供应链库存优化模型，从而实现基于销量预测的零售领域供应链库存优化方法，加快资金周转。

技术领域

本发明涉及大数据应用与深度学习领域，一种基于销量预测的零售领域供应链库存优化方法。

背景技术

商品的供应链技术对于任何一家零售企业在市场上的竞争都会产生非常重要影响，传统门店对供应链库存数量的判断依赖于店长的个人经验，会存在库存堆积或库存不足等问题的出现。对于传统销量预测方法主要有时间序列分析法，如简单平均法，加权平均法或移动平均法等，对于异常销量数据，会存在预测精度不足等问题。近年来，随着以机器学习为代表的人工智能技术的快速发展，主要提出了人工神经网络、支持向量机等方法来进行销量预测，但它们往往采取单一的类型特征进行机器学习，如商品的历史销量，这同样会使得销量预测的精度不够准确。

除销量预测问题外，通过调查发现，在物流资源有限情况很难对供应链库存进行把控，难以实现零售领域的“零库存”目标，只能通过大量参数修正来减少缺货和库存堆积风险，这不仅耗费了大量人力成本，同时提高了不必要的周转成本。

因此，本发明针对上述问题，发明一种基于销量预测的零售领域供应链库存优化方法，该方案不仅可以提高销量预测准确率，降低缺货风险，同时还能够提升资金周转效率，从而降低公司成本。

发明内容

本发明旨在解决对商品销量的精准预测以及为零售领域提供供应链库存优化方法。

为此，本发明提出了一种基于销量预测的零售领域供应链库存优化方法，主要包括两个部分内容：

(1)基于多态特征融合的商品销量精准预测方法；

(2)基于商品活跃度分类的物流约束下供应链库存优化方法。

内容如下：

采用方法(1)分析影响商品销量的主要因素，除了提取商品历史销量统计特征外，还提取了特殊时间独热特征和关联商品销量特征等多态特征，并将提取后的特征进行多元线性回归或偏离度计算进行异常处理，最后滚动输入商品N日特征采用长短时记忆网络(LSTM，L0ng Short-Term Memory)回归模型不断拟合商品多类型特征，从而获得商品销量精准预测模型。(2)从方法(1)中预测到了未来一段时间的销量，商品历史M月销量，计算商品活跃度，根据商品历史活跃度对商品进行分类。构建满足物流约束的商品供应链库存优化模型。具体算法如下：

(1)基于多态特征融合的商品销量精准预测方法

通过对影响商品销量的主要因素进行分析，提取三类影响商品销量的主要特征，分别为：每日的销量长短时统计特征V_sales、特殊时间独热特征V_OneHot以及关联商品销量特征V_Association。