[發(fā)明專利]一種基于需求特性分析的需求預測模型選擇方法

在審

• 申請?zhí)枺?/td>: 201710423386.0
• 申請日: 2017-06-07
• 公開（公告）號: CN107292429A
• 公開（公告）日: 2017-10-24
• 發(fā)明（設計）人: 高峻峻;姜愛萍;鄭贇;夏浩;陳潔瓊
• 申請（專利權）人: 上海歐睿供應鏈管理有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06
• 代理公司: 杭州華鼎知識產權代理事務所(普通合伙)33217
• 代理人: 項軍

技術領域

本發(fā)明屬于需求預測算法領域，特別涉及一種基于需求特性分析的需求預測模型選擇方法。

背景技術

目前，產品需求預測算法一般為定量預測。定量預測是根據歷史和現在的統(tǒng)計數據資料，選擇或建立合適的數學模型，分析研究其發(fā)展變化的規(guī)律并對未來作出預測。

在現在的研究中，定量預測主要是基于少量實驗選擇預測模型，在選擇過程中影響因素很多，即使采用實驗方式選擇合適的模型，由于無法估算影響因素，導致存在很大的誤差，難以全面、準確地預測未來的產品需求，使得現有產品需求預測算法的可靠性較差。

發(fā)明內容

為了解決現有技術中存在的缺點和不足，本發(fā)明提供了一種基于需求特性分析的需求預測模型選擇方法，解決實際需求預測普遍存在的預測偏差過大的問題，提高了預測的可靠性。

為了達到上述技術目的，本發(fā)明提供了一種基于需求特性分析的需求預測模型選擇方法，包括：

分別獲取物料數據和項目數據，對所述物料數據和所述項目數據進行數據清洗，獲取清洗后的物料數據和清洗后的項目數據；

基于預設數據類型將所述清洗后的物料數據和所述清洗后的項目數據進行合并，得到合并后的月數據；

構建包括至少一種預測算法的預測模型，將所述合并后的月數據輸入至所述預測模型中，根據所述合并后的月數據中的預測值和實際需求值對所述預測算法進行篩選，得到與每個預測算法對應的權重值；

根據所述權重值以及與所述權重值對應的預測算法，確定最終需求預測模型。

可選的，對所述物料數據和所述項目數據進行數據清洗包括：

對物料數據進行一對一沖銷處理數據、單價異常的數據處理、物資編碼匹配、異動需求數據處理、去除季節(jié)性后異常值處理；

對項目數據進行項目數據分類、項目數據篩選。

可選的，所述對物料數據進行一對一沖銷處理數據、單價異常的數據處理、物資編碼匹配、異動需求數據處理、去除季節(jié)性后異常值處理包括：

一對一沖銷處理數據，包括選取一條需求數量為負的需求記錄，從所述需求記錄中提取物料編碼和工廠編碼，基于所述物料編碼和所述工廠編碼獲取預設數量月份的需求記錄，如果有所述匹配記錄的數量超過兩條，則選取距今最近的需求記錄，將所述距今最近的需求記錄以及所述需求數量為負的需求記錄中的需求數量置零；

單價異常的數據處理，包括計算需求記錄中的需求單價，根據物料編碼的合理需求單價區(qū)間，如果所述需求單價不在所述合理需求單價區(qū)間內，則進行人工干預處理；

物資編碼匹配，包括從新的協議庫存匹配表中選取目標物料以及與所述目標物料對應的標準物料編碼，在舊的協議庫存匹配表中選取與所述目標物料對應的歷史物料編碼，將所述標準物料編碼與所述歷史物料編碼進行匹配，建立存儲匹配關系的物料對照表；

異動需求數據處理，包括獲取歷史近N年的月數據，將月數據總和的均值 +M倍標準差為閾值，篩選出大于閾值的數據并進行處理；

去除季節(jié)性后異常值處理，包括計算每年每個月的季節(jié)因子，獲取歷史近R 年的每月的需求量除以對應月份的季節(jié)因得到平均值，將去除季節(jié)因子值之后的月數據的均值+T倍標準差為閾值，篩選出大于閾值的數據并進行處理；

其中，N、M、R、T的取值為正整數。

可選的，所述每年每個月的季節(jié)因子的公式：

每年每個月的季節(jié)因子＝當月實際需求量/本年每月平均需求量。

可選的，所述對項目數據進行項目數據分類、項目數據篩選包括：

項目數據分類，分類項目包括項目編號、項目名稱、公司名稱、項目大類、項目小類、電壓等級、建設屬性；

項目數據篩選，包括剔除不屬于配網范圍內的項目，以及無效的項目數據，其中，所述建設屬性為“取消”的數據為無效的項目數據。

可選的，所述基于預設數據類型將所述清洗后的物料數據和所述清洗后的項目數據進行合并，得到合并后的月數據包括：

將清洗后的物料數據和項目數據按協議庫存匹配表進行匹配，根據標準物料編碼以及需求數據所在的相同月份進行合并后生成月數據；

根據物資需求特性對合并后的月數據進行排序。

可選的，所述物資需求特性包括物資的重要性、平穩(wěn)性、季節(jié)性、趨勢性、連續(xù)性。

可選的，所述將合并后的月數據輸入至所述預測模型中，根據所述合并后的月數據中的預測值和實際需求值對所述預測算法進行篩選，得到與每個預測算法對應的權重值，包括：