[發(fā)明專利]一種基于特征融合的供應(yīng)鏈循環(huán)包裝箱需求預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210713481.5
• 申請(qǐng)日: 2022-06-22
• 公開（公告）號(hào): CN115204468A
• 公開（公告）日: 2022-10-18
• 發(fā)明（設(shè)計(jì)）人: 廖偉智;曹陽;陰艷超;閻德勁
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06N3/04;G06N3/08
• 代理公司: 成都啟慧金舟知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 51299
• 代理人: 何媛

本發(fā)明公開了一種基于特征融合的供應(yīng)鏈循環(huán)包裝箱需求預(yù)測(cè)方法，通過構(gòu)建基于特征融合的供應(yīng)鏈循環(huán)包裝箱需求預(yù)測(cè)模型；模型訓(xùn)練；使用訓(xùn)練好的模型進(jìn)行供應(yīng)鏈循環(huán)包裝箱需求預(yù)測(cè)。本發(fā)明分別使用長(zhǎng)短期記憶網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)提取數(shù)據(jù)的時(shí)序特征和全局特征，更全面、充分地提取數(shù)據(jù)特征；本發(fā)明通過拼接、投影、殘差連接一系列操作進(jìn)行時(shí)序特征和全局特征的融合，使模型有效利用不同數(shù)據(jù)特征。

技術(shù)領(lǐng)域

本發(fā)明涉及供應(yīng)鏈循環(huán)包裝箱需求預(yù)測(cè)技術(shù)領(lǐng)域，具體是一種基于特征融合的供應(yīng)鏈循環(huán)包裝箱需求預(yù)測(cè)方法。

背景技術(shù)

零部件供應(yīng)鏈中，第三方循環(huán)包裝箱提供商專門為零部件供應(yīng)商提供各類可循環(huán)零部件包裝箱，提供商以一對(duì)多的模式對(duì)一定數(shù)量的包裝箱進(jìn)行運(yùn)營(yíng)管理，專注于將包裝箱在各客戶群體節(jié)點(diǎn)間進(jìn)行流轉(zhuǎn)，箱體成本是其經(jīng)營(yíng)成本中占比最大的部分。在包裝箱質(zhì)量和數(shù)量一定的情況下，被服務(wù)群體或節(jié)點(diǎn)越多、箱體流轉(zhuǎn)越快，經(jīng)營(yíng)成本越低，即投入更少量的包裝箱為更多的零部件供應(yīng)商主體提供服務(wù)才是實(shí)現(xiàn)降本、達(dá)到增效的根本途徑。包裝箱得以“快速流轉(zhuǎn)”的前提是能及時(shí)、準(zhǔn)確的獲取各型號(hào)包裝箱需求量，以便提供商提前有的放矢地進(jìn)行箱體清潔、整理、配套等繁瑣、耗時(shí)的備貨工作，從而快速響應(yīng)客戶需求、及時(shí)配送箱體。包裝箱需求預(yù)測(cè)成為包裝箱提供商亟需解決的關(guān)鍵任務(wù)。

國(guó)內(nèi)外眾多學(xué)者在需求預(yù)測(cè)方法方面進(jìn)行了大量的研究和實(shí)踐，這些研究主要有統(tǒng)計(jì)學(xué)方法、傳統(tǒng)機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法三大類。統(tǒng)計(jì)學(xué)方法的研究主要集中在以自回歸移動(dòng)平均模型為代表的一類方法上，此類方法雖然被廣泛應(yīng)用，但是由于該模型只是線性模型，對(duì)于數(shù)據(jù)中的非線性部分難以處理，于是一系列具有非線性建模能力的機(jī)器學(xué)習(xí)模型被學(xué)者們提出來。盡管傳統(tǒng)機(jī)器學(xué)習(xí)取得了比較優(yōu)秀的預(yù)測(cè)效果，但是這類算法依舊存在特征學(xué)習(xí)能力不足、嚴(yán)重依賴特征工程以及難以適應(yīng)大規(guī)模數(shù)據(jù)等問題。

隨著深度學(xué)習(xí)的發(fā)展，深度神經(jīng)網(wǎng)絡(luò)在多領(lǐng)域表現(xiàn)出優(yōu)秀的性能，研究人員開始采用深度網(wǎng)絡(luò)模型進(jìn)行需求預(yù)測(cè)任務(wù)。這類技術(shù)大多基于長(zhǎng)短期記憶網(wǎng)絡(luò)，更多的關(guān)注數(shù)據(jù)的時(shí)序特征，通過時(shí)序特征完成需求預(yù)測(cè)任務(wù)。

綜上，現(xiàn)有技術(shù)具有以下缺陷：

1、統(tǒng)計(jì)學(xué)方法更擅長(zhǎng)處理線性數(shù)據(jù)，難以處理數(shù)據(jù)中的非線性部分；

2、傳統(tǒng)機(jī)器學(xué)習(xí)方法特征學(xué)習(xí)能力不足且難以適應(yīng)大規(guī)模數(shù)據(jù)的場(chǎng)景；

3、深度學(xué)習(xí)方法大多基于長(zhǎng)短期記憶網(wǎng)絡(luò)，更多的關(guān)注數(shù)據(jù)時(shí)序特征，數(shù)據(jù)特征未被完全利用。

發(fā)明內(nèi)容

本發(fā)明針對(duì)上述方法難以處理數(shù)據(jù)非線性部分、特征學(xué)習(xí)能力不足和數(shù)據(jù)特征未被完全利用等缺點(diǎn)，提出一種基于特征融合的供應(yīng)鏈循環(huán)包裝箱需求預(yù)測(cè)方法。該方法通過長(zhǎng)短期記憶網(wǎng)絡(luò)時(shí)序展開的特性和卷積神經(jīng)網(wǎng)絡(luò)逐層堆疊的特性分別對(duì)應(yīng)的提取數(shù)據(jù)時(shí)序特征和全局特征，并將以上兩種特征通過拼接、投影、殘差連接一系列操作進(jìn)行特征融合，提升模型提取任務(wù)相關(guān)特征的能力、提高對(duì)數(shù)據(jù)特征的學(xué)習(xí)和利用。

本發(fā)明的目的主要通過以下技術(shù)方案實(shí)現(xiàn)：

一種基于特征融合的供應(yīng)鏈循環(huán)包裝箱需求預(yù)測(cè)方法，包括以下步驟：

(1)構(gòu)建基于特征融合的供應(yīng)鏈循環(huán)包裝箱需求預(yù)測(cè)模型；

(2)模型訓(xùn)練；

(3)使用訓(xùn)練好的模型進(jìn)行供應(yīng)鏈循環(huán)包裝箱需求預(yù)測(cè)。

通過將通過長(zhǎng)短期記憶網(wǎng)絡(luò)時(shí)序展開的特性和卷積神經(jīng)網(wǎng)絡(luò)逐層堆疊的特性分別對(duì)應(yīng)的提取數(shù)據(jù)時(shí)序特征和全局特征，并將以上兩種特征通過拼接、投影、殘差連接一系列操作進(jìn)行特征融合，提升模型提取任務(wù)相關(guān)特征的能力、提高對(duì)數(shù)據(jù)特征的學(xué)習(xí)和利用。

預(yù)測(cè)模型包括輸入層、嵌入層、特征提取層、特征融合層和輸出層。

輸入層接收數(shù)據(jù)輸入并傳遞至下一層。