[發(fā)明專(zhuān)利]一種產(chǎn)品需求預(yù)測(cè)方法及產(chǎn)品需求預(yù)測(cè)裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201610902912.7
• 申請(qǐng)日: 2016-10-17
• 公開(kāi)（公告）號(hào): CN107958297B
• 公開(kāi)（公告）日: 2021-10-26
• 發(fā)明（設(shè)計(jì)）人: 陳新杰;趙志洪;齊泉
• 申請(qǐng)（專(zhuān)利權(quán)）人: 華為技術(shù)有限公司
• 主分類(lèi)號(hào): G06Q10/04
• 分類(lèi)號(hào): G06Q10/04;G06Q30/02
• 代理公司: 深圳市深佳知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44285
• 代理人: 王仲凱

本發(fā)明公開(kāi)了一種產(chǎn)品需求預(yù)測(cè)方法，包括：根據(jù)產(chǎn)品階段以及調(diào)整狀態(tài)，對(duì)產(chǎn)品調(diào)整記錄進(jìn)行采樣得到第一樣本集，根據(jù)第一樣本集建立判斷模型；根據(jù)初始預(yù)測(cè)值以及修正預(yù)測(cè)值，對(duì)產(chǎn)品歷史預(yù)測(cè)值進(jìn)行采樣得到第二樣本集，根據(jù)第二樣本集建立目標(biāo)回歸模型；獲取當(dāng)前階段的初始預(yù)測(cè)值以及當(dāng)前產(chǎn)品階段；使用判斷模型對(duì)當(dāng)前產(chǎn)品階段進(jìn)行處理，確定當(dāng)前調(diào)整狀態(tài)；若當(dāng)前調(diào)整狀態(tài)為需要調(diào)整，則將當(dāng)前階段的初始預(yù)測(cè)值代入目標(biāo)回歸模型計(jì)算，輸出當(dāng)前階段的修正預(yù)測(cè)值。本發(fā)明還提供一種可以實(shí)現(xiàn)上述方法的產(chǎn)品需求預(yù)測(cè)裝置。本發(fā)明能夠?qū)ΜF(xiàn)有預(yù)測(cè)結(jié)果進(jìn)行優(yōu)化，提高產(chǎn)品需求預(yù)測(cè)的準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，尤其涉及一種產(chǎn)品需求預(yù)測(cè)方法及產(chǎn)品需求預(yù)測(cè)裝置。

背景技術(shù)

產(chǎn)品需求預(yù)測(cè)是企業(yè)經(jīng)營(yíng)中的關(guān)鍵環(huán)節(jié)，用于指導(dǎo)企業(yè)的生產(chǎn)和備貨。過(guò)大的產(chǎn)品需求預(yù)測(cè)會(huì)導(dǎo)致庫(kù)存量過(guò)多，庫(kù)存成本風(fēng)險(xiǎn)增加。過(guò)小的需求預(yù)測(cè)會(huì)導(dǎo)致訂單滿足率不高，客戶(hù)滿意度下降。隨著數(shù)據(jù)科學(xué)的發(fā)展以及企業(yè)對(duì)數(shù)據(jù)的重視程度越來(lái)越高，許多企業(yè)開(kāi)始使用大數(shù)據(jù)相關(guān)的技術(shù)進(jìn)行產(chǎn)品需求預(yù)測(cè)。產(chǎn)品需求預(yù)測(cè)方法包括時(shí)間序列預(yù)測(cè)法、多元回歸分析法等，需求預(yù)測(cè)模型包括自回歸積分滑動(dòng)平均模型(AutoregressiveIntegrated Moving Average Model，簡(jiǎn)稱(chēng)ARIMA)、嶺回歸模型(也稱(chēng)為Ridge回歸模型)等。

在現(xiàn)有技術(shù)中，產(chǎn)品需求的預(yù)測(cè)方法大致如下：根據(jù)產(chǎn)品需求的歷史數(shù)據(jù)(如產(chǎn)品歷史訂單)建立時(shí)間序列模型；根據(jù)產(chǎn)品需求的預(yù)測(cè)因子(如季節(jié)性、天氣、預(yù)測(cè)因子相關(guān)系數(shù)、促銷(xiāo)活動(dòng)影響等)建立回歸模型；通過(guò)模擬器分別對(duì)時(shí)間序列模型以及回歸模型進(jìn)行評(píng)估；根據(jù)評(píng)估結(jié)果，使用貝葉斯集成方法將時(shí)間序列模型和回歸模型合并，輸出預(yù)測(cè)結(jié)果，如圖1所示。

現(xiàn)有的需求預(yù)測(cè)方法依賴(lài)于已知的有規(guī)律的預(yù)測(cè)因子，當(dāng)已知的預(yù)測(cè)因子出現(xiàn)兩次以上，才能進(jìn)行有效估計(jì)。然而，現(xiàn)有的需求預(yù)測(cè)模型考慮的預(yù)測(cè)因子有限，還有很多隱含的預(yù)測(cè)因子沒(méi)有加入需求預(yù)測(cè)模型，在實(shí)際應(yīng)用中隱含的預(yù)測(cè)因子對(duì)需求影響很大，因此預(yù)測(cè)結(jié)果與實(shí)際需求往往有較大出入，預(yù)測(cè)準(zhǔn)確率不高。

發(fā)明內(nèi)容

本發(fā)明提供了一種產(chǎn)品需求預(yù)測(cè)方法及產(chǎn)品需求預(yù)測(cè)裝置，能夠提高預(yù)測(cè)準(zhǔn)確率。

第一方面提供了一種產(chǎn)品需求預(yù)測(cè)方法，包括：產(chǎn)品需求預(yù)測(cè)裝置根據(jù)第一樣本屬性，對(duì)產(chǎn)品調(diào)整記錄進(jìn)行采樣得到第一樣本集，根據(jù)第一樣本集建立判斷模型；根據(jù)第二樣本屬性，對(duì)產(chǎn)品歷史預(yù)測(cè)值進(jìn)行采樣得到第二樣本集，根據(jù)第二樣本集建立目標(biāo)回歸模型；獲取待處理數(shù)據(jù)，待處理數(shù)據(jù)包括當(dāng)前階段的初始預(yù)測(cè)值以及當(dāng)前產(chǎn)品階段；使用判斷模型對(duì)當(dāng)前產(chǎn)品階段進(jìn)行處理，確定當(dāng)前調(diào)整狀態(tài)；若當(dāng)前調(diào)整狀態(tài)為需要調(diào)整，則將當(dāng)前階段的初始預(yù)測(cè)值代入目標(biāo)回歸模型計(jì)算，輸出當(dāng)前階段的修正預(yù)測(cè)值，當(dāng)前階段的修正預(yù)測(cè)值用于制定當(dāng)前階段的生產(chǎn)計(jì)劃；若當(dāng)前調(diào)整狀態(tài)為不需要調(diào)整，則輸出當(dāng)前階段的初始預(yù)測(cè)值。其中，第一樣本屬性包括產(chǎn)品階段以及調(diào)整狀態(tài)，第二樣本屬性包括初始預(yù)測(cè)值以及修正預(yù)測(cè)值，產(chǎn)品階段為產(chǎn)品生命周期中的一個(gè)階段。

由此可見(jiàn)，修正預(yù)測(cè)值為業(yè)務(wù)專(zhuān)家結(jié)合產(chǎn)品階段，將專(zhuān)家經(jīng)驗(yàn)進(jìn)行訓(xùn)練得到改良的需求預(yù)測(cè)模型，相比于現(xiàn)有產(chǎn)品需求預(yù)測(cè)系統(tǒng)，本發(fā)明實(shí)施例中改良預(yù)測(cè)模型考慮的預(yù)測(cè)因子更多，因此使用本發(fā)明提供的產(chǎn)品需求預(yù)測(cè)方法能夠提高預(yù)測(cè)精度。

在一種可能的實(shí)現(xiàn)方式中，產(chǎn)品需求預(yù)測(cè)裝置根據(jù)第一樣本集建立判斷模型具體可以通過(guò)以下方式實(shí)現(xiàn)：產(chǎn)品需求預(yù)測(cè)裝置從第一樣本集中選取第一訓(xùn)練集，將第一訓(xùn)練集進(jìn)行訓(xùn)練得到判斷模型，判斷模型為邏輯回歸模型、決策樹(shù)模型或隨機(jī)森林模型。本發(fā)明實(shí)施例可以選取第一樣本集中的全部或部分樣本建立多種判斷模型，然后利用判斷模型對(duì)產(chǎn)品需求進(jìn)行預(yù)測(cè)，可見(jiàn)本發(fā)明實(shí)施例具有良好的靈活性。