[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

摘要

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。

主权项

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、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]；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Ⅰ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Ⅰ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、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、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；步骤8：根据步骤6、步骤7得到峰值概率阈值α和峰值预测概率p，若p＞α，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。