[發明專利]一種基于深度時空神經網絡的需求預測方法、系統及計算機可讀存儲介質

在審

• 申請號: 202010586879.8
• 申請日: 2020-06-24
• 公開（公告）號: CN111882157A
• 公開（公告）日: 2020-11-03
• 發明（設計）人: 呂賜興;晏曉輝
• 申請（專利權）人: 東莞理工學院
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q30/02;G06Q50/04;G06N3/04;G06N3/08
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 張金福

為了對未來的需求進行更好的預測，本發明公開了一種基于深度時空神經網絡的需求預測方法，包括以下步驟：采集歷史訂單的需求序列數據，對采集歷史訂單的需求序列數據進行預處理，得到預處理后的歷史訂單的需求序列數據；基于預處理后的歷史訂單的需求序列數據構建數據集；搭建基于注意力機制和因果擴展卷積的神經網絡的需求序列預測模型；利用數據集對需求序列預測模型進行訓練，得到訓練后的需求序列預測模；通過預處理后的歷史訂單的需求序列數據，結合訓練后的需求序列預測模，得到未來的需求預測結果。本發明還公開了一種基于深度時空神經網絡的需求預測系統，以及對應存儲有需求預測方法和/或需求預測系統的計算機可讀存儲介質。

技術領域

本發明涉及信息預測領域，更具體地，涉及一種基于深度時空神經網絡的需求預測方法、系統及計算機可讀存儲介質。

背景技術

制造業供應風險的影響因素識別及供應風險的管理和控制成為了提升制造效率的關鍵。其中，制造供應鏈需求信息的預測是研究中的一個關鍵點，因為準確的預測能夠有效避免牛鞭效應。顯然，供應鏈的遞歸效應決定了應當先預測下游的需求信息，然后根據需求產生相應訂單，最后根據訂單信息才能制定生產決策，并為庫存管理提供依據.所以精準的需求預測可以控制庫存成本，縮減供應提前期，同時降低斷貨、缺貨的風險。

現有的預測方法主要包括定性法、因果關系法、仿真法和時間序列法。

定性方法主要依賴于人的主觀判斷，適用于只能獲得很少的歷史數據或專家的意見十分重要的場合，適用場景有限。主要有集體討論法、類比法、市場研究法、德爾菲法。

因果關系法假定需求預測與某些外界因素(如經濟狀況、利率)等高度相關，找到這些外界因素與需求之間的關聯性，通過預測外界因素的變化來預測需求。

仿真法通過建立仿真模型，通過仿真模型模擬需求方來預測需求。

時間序列數據法利用相關的預測模型，以歷史數據作為輸入，基于歷史觀察數據來預測未來的需求。如何找到并描述時間序列數據的變化規律，建立相應的預測模型從而降低模型的預測誤差對時間序列數據預測至關重要。

發明內容

本發明克服了上述現有的技術不足，提供一種基于深度時空神經網絡的需求預測方法、系統及計算機可讀存儲介質。本發明結合實際需求數據突發性較強和時空依賴的特點進行模型訓練和定量預測，其可以顯著提高需求預測的精度。

為解決上述技術問題，本發明的技術方案如下：

一種基于深度時空神經網絡的需求預測方法，包括以下步驟：

采集歷史訂單的需求序列數據，對采集歷史訂單的需求序列數據進行預處理，得到預處理后的歷史訂單的需求序列數據；

基于預處理后的歷史訂單的需求序列數據構建數據集，所述的數據集包括輸入需求序列數據和預測結果序列數據；并數據集劃分為訓練數據子集和測試數據子集；所述的輸入需求序列數據包括預處理后的歷史訂單的需求序列數據；

搭建基于注意力機制和因果擴展卷積的神經網絡的需求序列預測模型；

利用數據集對需求序列預測模型進行訓練，得到訓練后的需求序列預測模型；

通過預處理后的歷史訂單的需求序列數據，結合訓練后的需求序列預測模型，得到未來的需求預測結果。

本發明中通過基于因果擴展卷積的神經網絡模型實現對供應鏈需求的預測功能，有效的提高了預測準確性，并且當數據樣本差異性較大時，基于因果擴展卷積的神經網絡模型的優勢更加顯著。

在一種優選的方案中，所述的預處理包括以下子步驟：

對采集歷史訂單的需求序列數據中存在缺失信息的需求序列數據和存在錯誤的需求序列數據進行刪除；