[發明專利]一種基于時間序列分解的季節性商品需求預測方法

有效

• 申請號: 201811445998.0
• 申請日: 2018-11-29
• 公開（公告）號: CN109741082B
• 公開（公告）日: 2021-04-06
• 發明（設計）人: 陳燦;王一君;謝新麗;吳珊珊
• 申請（專利權）人: 杭州覽眾數據科技有限公司
• 主分類號: G06F16/00
• 分類號: G06F16/00;G06Q30/02;G06N3/00
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

1.一種基于時間序列分解的季節性商品需求預測方法，其特征在于，包括以下步驟：

步驟1：獲取商品的采購提前期lt、歷史日銷售出庫表、同時間段商品銷售門店所在地區的天氣數據表，對歷史日銷售出庫表按照時間窗lt進行滾動求和，得到商品的lt銷售出庫表，對天氣數據表提取特征；

所述的天氣數據表包含日期和日平均溫度；

所述的特征包括日平均溫度、日平均溫差、當前周和當前季度；

四個季度，每個季度對應一個0/1虛擬變量；

步驟2：確定測試數據集長度n₁，訓練數據集長度n₂，提取峰值所需歷史銷售序列，該序列長度n₃，n₃＞n₂；記錄峰值所需子序列s₀，子序列s₀長度為n₄；計算概率閾值所需歷史序列s₃，歷史序列s₃長度為n₅；長度單位為月，概率閾值區間為[0.1,0.9]，步長ε∈[0.002,0.01]；

步驟3：在測試期間的第t天，隔lt天向前取長度n₃的歷史銷售序列，從該序列起始點選取n₄長度的子序列s₀，將s₀中與平均值I的偏差超過三倍標準差S的出庫值記為峰值，并將峰值所對應的時間點放在時間列表中；移動選取子序列s₀并記錄所有峰值，剔除時間列表中重復的時間點，時間列表作為索引，對應的值作為峰值序列s₁；

所述的平均值I為子序列s₀的平均值；標準差S為子序列s₀的標準差；

步驟4：利用峰值序列s₁，標記訓練數據是否為峰值：0代表非峰值，1代表峰值，對訓練數據集增加標記列；

步驟5：合并訓練數據集和天氣數據表，將日平均溫度、日平均溫差、當前周和當前季度作為特征，用于判斷測試期第t天的需求是否為峰值需求；

步驟6：將步驟5中的特征作為決策樹分類器和K近鄰分類器的輸入，兩個分類器分別預測峰值出現概率p₁,p₂，最終峰值預測概率p_t為p₁,p₂的算術平均值；

步驟7：對測試期間的第t天，向前隔lt天取n₅長度的歷史序列s₃計算該天的峰值概率閾值α_t；

步驟8：根據步驟6、步驟7得到峰值概率閾值α_t和峰值預測概率p_t，若p_tα_t，判定為峰值需求，轉向步驟9，否則判定為非峰值需求，轉步驟10；

步驟9：若判斷為峰值需求，則將峰值序列s₁與天氣數據表合并，將特征作為自變量，峰值作為因變量，使用K近鄰回歸模型對峰值需求進行預測；

步驟10：若為非峰值需求，對訓練數據按月聚合，計算月中位數，用月中位數代替原來的峰值，得到常規值序列s₂，使用隨機森林進行回歸預測，回歸變量包括第t天的日平均溫度、日平均溫差、當前周、當前季度以及第t-lt天的lt銷售出庫量。

2.根據權利要求1所述的一種基于時間序列分解的季節性商品需求預測方法，其特征在于步驟3所述的提取峰值序列s₁的方法，具體包括以下步驟：

(3.1)從第t天往前推lt+n₃天作為開始時間節點，取長度n₄的lt子序列s₀，計算s₀的平均值和標準差，將s₀中與平均值的偏差超過三倍標準差的出庫值，記為峰值；

(3.2)每次移動1天直至提取結束時間節點為第t天往前推lt+n₄，重復步驟(3.1)的操作直到得到所有峰值，剔除重復值后得到最終的峰值序列s₁。

3.根據權利要求2所述的一種基于時間序列分解的季節性商品需求預測方法，其特征在于步驟7所述的計算概率閾值方法，具體包括以下步驟：

(7.1)對每一個閾值α_i∈[0.1,0.9]，步長為ε，根據步驟6計算峰值預測概率p_i，若p_iα_i，判定為峰值，否則為非峰值；

(7.2)計算評價指標精確率precision、召回率recall、F₁值：

precision＝m_r/m_pred

recall＝m_r/m

其中，m表示s₃內真實峰值總個數，m_pred表示預測出峰值總數，m_r表示預測正確峰值個數；

(7.3)選取最大的F₁值對應的閾值作為最佳的峰值概率閾值α_t。