CN101807271A - 基于广义邻近替代的产品需求预测方法 - Google Patents
基于广义邻近替代的产品需求预测方法 Download PDFInfo
- Publication number
- CN101807271A CN101807271A CN201010126374A CN201010126374A CN101807271A CN 101807271 A CN101807271 A CN 101807271A CN 201010126374 A CN201010126374 A CN 201010126374A CN 201010126374 A CN201010126374 A CN 201010126374A CN 101807271 A CN101807271 A CN 101807271A
- Authority
- CN
- China
- Prior art keywords
- product
- adjacent substitution
- generalized
- demand
- generalized adjacent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于广义邻近替代的产品需求预测方法。本方法是基于邻近替代的方式,提出一种广义邻近替代的定义,通过计算产品之间的邻近替代率,刻画产品之间的可替代程度,构建一个基于广义邻近替代的产品需求预测模型。本发明考虑了替代性情况下的需求预测,提高了需求预测的精度,提升了企业利润。
Description
技术领域
本发明涉及计算机领域和管理工程与科学领域,提出了一种基于广义邻近替代的产品需求预测方法。
背景技术
需求预测精度直接影响产品安全库存量,关系到企业利润和市场竞争力,是企业供应链管理中所有战略与规划决策的基础。自二十世纪八十年代,产品间的替代吸引了学者的目光,消费者在面临缺货时可以选择功能相近的产品来代替,既减少了零售商的缺货损失,也提升了企业利润和顾客满意度。但是,目前需求预测研究中大都没有考虑产品间的替代,或虽然考虑了,但在刻画替代性问题上仅假定替代率为一个确定值或随机变量,这对实践的指导意义是有限的,需要引入一种新的方法和工具来有效完成需求的替代率估计。目前该领域的研究中依然存在的问题是:(1)替代率估算时过于依赖专家的经验;(2)构建需求预测模型时采用的寻优算法为启发式算法,算法效率低。
在这样的背景下,产品间的可替代性对需求预测提出了新的挑战。而邻近替代是零售业环境中,同时考虑基于品类和基于缺货的替代条件下更为实际和有效的替代方式。它是指品类i只在邻近的两种品种内进行替代(即除序列的首尾两种品种外,其余品种的替代尝试次数为2)。广义邻近替代是对邻近替代的扩展,因为在实际生活中,顾客可选择的替代品可能不止上下可替代的两种产品。由于邻近替代的前提是将产品按一定规则排序后再在邻近的产品间进行替代,因此排序标准尤为重要。通常排序依据的标准就是影响产品替代性的产品属性。但是很难准确知道这些属性因素对替代性的具体影响,很可能经验上认为比较重要的因素在实际中的影响并不大。所以,如何客观地选择属性并确定其权重(用于衡量属性对替代性影响的程度)是基于替代率估计的需求预测方法的关键技术之一。
发明内容
本发明的目的在于要解决已有技术存在的问题,提供一种基于广义邻近替代的产品需求预测方法,通过估算各类产品间的广义邻近替代率,基于此建立一种基于支持向量机的需求预测模型。
为达到上述的发明目的,本发明采用下述技术方案:
一种基于广义邻近替代的产品需求预测方法,通过估算各类产品间的广义邻近替代率,基于此建立一种基于支持向量机的需求预测模型。具体操作步骤如下:
A、建模样本构造;
B、构造步骤A中的样本数据估算每个产品品类的属性权重值;
C、根据步骤B中得到的权重值,利用加权KMeans聚类算法,对所有的产品进行分类;
D、针对步骤C中的K类样本数据,对每一类的产品品类进行排序;
E、提出一种广义邻近替代的定义,计算产品间的广义邻近替代率;
F、利用步骤E中得到的广义邻近替代率,建立一个基于广义邻近替代的需求预测模型。上述步骤A中的建模样本是包括产品品类的名称、符号及相关的属性集合,所述符号是指广义邻近替代率估计算法的各条程序语句包含的常量名称、变量名称;其特征在于所述步骤A中的建模样本构造步骤如下:
A1、对于各产品品类的属性数据按照标准进行量化,将描述型数据转换为数值型数据;
A2、采用归一化、离散化数据预处理技术进行处理,得到最终用于建模的样本数据。
上述步骤B中的估算每个产品品类的属性权重值方法的步骤如下:
B1、对步骤A中得到的样本数据中各品类的属性变量作回归分析,计算各属性的复相关系数ρi;
B2、将属性的权重值wi定义为各属性复相关系数倒数的绝对值,其计算公式如下:
上述步骤C中的利用加权KMeans聚类算法,对所有的产品进行分类的操作步骤如下:
C1、任意选取K个样本作为初始的簇中心;
C2、根据每个聚类中所有对象的均值,计算样本集中每个对象与这些中心对象的加权欧式距离,并根据最小距离重新对相应的对象进行划分;
C3、计算簇的平均值,得到新的K个簇的中心;
C4、重复步骤C2和C3,直到满足迭代次数,这样相似的产品将划分为一类。
上述步骤D中的品类排序方法步骤如下:
D1、对每个品种赋一个属性加权和,并针对该品种挑选m个属性;
D2、利用步骤B中计算得到的相应的权重,计算每类品种的属性加权和;
D3、根据D2中的属性加权和对品种进行非递减排序。
上述步骤E中提出一种广义邻近替代的思想,并计算广义邻近替代率矩阵的操作步骤如下:
E1、提出一种广义邻近替代的定义;
E2、分别计算每一个类中基于品类的广义邻近替代率矩阵;
E3、分别计算每一个类中基于缺货的广义邻近替代率矩阵;
上述的广义邻近替代的定义如下:
E11、品类i只在邻近的N种品种内进行广义N次替代,即除序列的首尾N种品种外,其余品种的替代尝试次数为2*N;
E12、基于品类的广义邻近替代是指当消费者的第一选择是品种j,但因品种j未被包含在该类产品中而转向品种i的比例,其中产品i是产品j的广义邻近产品;
E13、基于缺货的广义邻近替代是指消费者因品种j缺货而转向品种i的比例,其中产品i是产品j的广义邻近产品。
上述步骤E2所述的基于品类的广义邻近替代率估计方法的操作步骤如下:
E21、以αij来描述基于品类的广义邻近替代率,其计算公式如下:
其中prj表示顾客的忠诚度,Dit表示i产品在t时期的初始需求(假设为广义N次邻近替代,则1≤r≤N)。
上述步骤E3所述的基于缺货的广义邻近替代率估计方法的操作步骤如下:
E31、分别计算每一个类中各数据样本间的加权欧氏距离dij,其计算公式如下:
其中xi={xi1,xi2,...xip}T,xj={xj1,xj2,...xjp}T分别表示两个对象,wk(k=1,2,…,p)表示每个变量的权重。
E32、将基于缺货的广义邻近替代率刻画为距离的函数,其计算公式如下:
βij=(1-dij)·prj,1≤i≤n,j=i-1,i+1
上述步骤F所述的基于广义邻近替代的需求预测方法的操作步骤如下:
F1、分析广义邻近替代率与需求预测间的关系,分别计算产品的核心需求和有效需求;
F2、建立基于支持向量机的需求预测模型。
上述步骤F1所述的产品的核心需求和有效需求的操作步骤如下:
F11、产品j在t时期的核心需求等于在t时期的基本需求加上由于产品j基于品类替代下的产品需求;
F12、产品j在t时期的有效需求等于在t时期的核心需求加上由于产品j缺货,被广义邻近的产品i替代所产生的需求。
本发明与已有技术相比较,具有如下面显而易见的突出实质性特点和显著有点:本发明提出了一种广义邻近替代的思想,能够更为精确地估算产品间的替代率,在一定程度上提高了产品需求预测的精度。
附图说明
图1是基于广义邻近替代的产品需求预测方法操作的流程图
图2是基于广义邻近替代的产品需求预测模型的具体操作流程图
具体实施方式
本发明的优选实施例结合附图说明如下:
实施例一:本实施基于广义邻近替代的产品需求预测方法是基于邻近替代的方式,提出一种广义邻近替代的定义,通过计算产品之间的邻近替代率,刻画产品之间的可替代程度,构建一个基于广义邻近替代的产品需求预测模型。具体操作步骤如下:
A、建模样本构造;
B、构造步骤A中的样本数据估算每个产品品类的属性权重值;
C、根据步骤B中得到的权重值,利用加权KMeans聚类算法,对所有的产品进行分类;
D、针对步骤C中的K类样本数据,对每一类的产品品类进行排序;
E、提出一种广义邻近替代的定义,计算产品间的广义邻近替代率;
F、利用步骤E中得到的广义邻近替代率,建立一个基于广义邻近替代的产品需求预测模型。
实施例二:本实施例与实施例一基本相同,特别之处如下:上述步骤A中的建模样本是包括产品品类的名称、符号及相关的属性集合,所述符号是指广义邻近替代率估计算法的各条程序语句包含的常量名称、变量名称;其特征在于所述步骤A中的建模样本构造步骤如下:
A1、对于各产品品类的属性数据按照标准进行量化,将描述型数据转换为数值型数据;
A2、采用归一化、离散化数据预处理技术进行处理,得到最终用于建模的样本数据。
B1、对步骤A中得到的样本数据中各品类的属性变量作回归分析,计算各属性的复相关系数ρi;
B2、将属性的权重值wi定义为各属性复相关系数倒数的绝对值,其计算公式如下:
上述步骤C中的利用加权KMeans聚类算法,对所有的产品进行分类的操作步骤如下:
C1、任意选取K个样本作为初始的簇中心;
C2、根据每个聚类中所有对象的均值,计算样本集中每个对象与这些中心对象的加权欧式距离,并根据最小距离重新对相应的对象进行划分;
C3、计算簇的平均值,得到新的K个簇的中心;
C4、重复步骤C2和C3,直到满足迭代次数,这样相似的产品将划分为一类。
上述步骤D中的品类排序方法步骤如下:
D1、对每个品种赋一个属性加权和,并针对该品种挑选m个属性;
D2、利用步骤B中计算得到的相应的权重,计算每类品种的属性加权和;
D3、根据D2中的属性加权和对品种进行非递减排序。
上述步骤E中提出一种广义邻近替代的思想,并计算广义邻近替代率矩阵的操作步骤如下:
E1、提出一种广义邻近替代的定义;
E2、分别计算每一个类中基于品类的广义邻近替代率矩阵;
E3、分别计算每一个类中基于缺货的广义邻近替代率矩阵;
上述的广义邻近替代的定义如下:
E11、品类i只在邻近的N种品种内进行广义N次替代,即除序列的首尾N种品种外,其余品种的替代尝试次数为2*N;
E12、基于品类的广义邻近替代是指当消费者的第一选择是品种j,但因品种j未被包含在该类产品中而转向品种i的比例,其中产品i是产品j的广义邻近产品;
E13、基于缺货的广义邻近替代是指消费者因品种j缺货而转向品种i的比例,其中产品i是产品j的广义邻近产品。
上述步骤E2所述的基于品类的广义邻近替代率估计方法的操作步骤如下:
E21、以αij来描述基于品类的广义邻近替代率,其计算公式如下:
其中prj表示顾客的忠诚度,Dit表示i产品在t时期的初始需求(假设为广义N次邻近替代,则1≤r≤N)。
上述步骤E3所述的基于缺货的广义邻近替代率估计方法的操作步骤如下:
E31、分别计算每一个类中各数据样本间的加权欧氏距离dij,其计算公式如下:
其中xi={xi1,xi2,...xip}T,xj={xj1,xj2,...xjp}T分别表示两个对象,wk(k=1,2,…,p)表示每个变量的权重。
E32、将基于缺货的广义邻近替代率刻画为距离的函数,其计算公式如下:
βij=(1-dij)·prj,1≤i≤n,j=i-1,i+1
上述步骤F所述的基于广义邻近替代的需求预测方法的操作步骤如下:
F1、分析广义邻近替代率跟需求预测间的关系,分别计算产品的核心需求和有效需求;
F2、建立基于支持向量机的需求预测模型。
上述步骤F1所述的产品的核心需求和有效需求的操作步骤如下:
F11、产品j在t时期的核心需求等于在t时期的基本需求加上由于产品j基于品类替代下的产品需求;
F12、产品j在t时期的有效需求等于在t时期的核心需求加上由于产品j缺货,被广义邻近的产品i替代所产生的需求。
实施例三:
本实施例所述方案的应用环境是面向零售企业多品类销售的产品需求预测问题。
下面结合说明书附图和具体实施方式对本发明作进一步详细的说明。
参照图1,示出了本实施例的基于广义邻近替代的产品需求预测方法操作的流程图。操作步骤如下:
步骤101、对样本的属性数据进行数据预处理,整理成所需的样本格式。
步骤102、利用步骤101得到的属性样本,根据不同的属性重要度不同,对所有的品类的属性权重赋值。
步骤103、对所有的品类利用加权聚类算法进行分类,划分为不用的Cluster,这样每个Cluster内的样本相似性最大。
步骤104、对每个Cluster内的所有样本按照一定的排序规则进行非递减排序。这个排序的规则定义为每个品类的属性加权和。
步骤105、计算每个Cluster内的每个样本被上下相邻近的N类产品替代的替代率矩阵,得到产品间的广义邻近替代率。
步骤106、利用步骤105中得到的广义邻近替代率,建立一个基于广义邻近替代的产品需求预测模型。
实施例四:
参照图2,示出了本实施例的基于广义邻近替代的产品需求预测模型的具体操作流程(假设广义N次)。
步骤201、对样本的属性数据进行数据预处理,整理成所需的样本格式。
步骤202、根据替代的两种类型,计算基于品类的产品替代率矩阵,得到产品间基于品类的广义邻近替代率。
步骤203、计算基于缺货的产品替代率矩阵,得到产品间基于缺货的广义邻近替代率。
步骤204、建立基于品类替代的核心需求模型,则某一品类的核心需求等于基本需求加上基于品类替代下的产品需求。
步骤205、建立基于缺货替代的有效需求模型,某一品类在一段时期内的有效需求等于在该时期内的核心需求加上由于该品类缺货,被广义邻近的产品替代所产生的需求。
步骤206、对得到的有效需求重组样本,建立基于支持向量机的需求预测模型。根据零售业实际情况及经验,确定预测方法的输入属性和输出属性。然后将样本集划分为训练样本和测试样本,训练样本用于SVM回归建模,测试样本用于方法的验证和评估。
以上对本说明中基于广义邻近替代的需求预测方法,进行了详细的介绍。本文结合说明书附图和具体实施步骤进行阐述只是用于帮助理解本发明的方法和核心思想;同时,对于本领域的一般技术人员,依据本发明的方法和思想,在具体实施方式和应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (11)
1.一种基于广义邻近替代的产品需求预测方法,其特征在于基于邻近替代的方式,通过计算产品之间的邻近替代率,刻画产品之间的可替代程度,构建一个基于广义邻近替代的产品需求预测模型;具体操作步骤如下:
A、建模样本构造;
B、构造步骤A中的样本数据估算每个产品品类的属性权重值;
C、根据步骤B中得到的权重值,利用加权KMeans聚类算法,对所有的产品进行分类;
D、针对步骤C中的K类样本数据,对每一类的产品品类进行排序;
E、提出一种广义邻近替代的定义,计算产品间的广义邻近替代率;
F、利用步骤E中得到的广义邻近替代率,建立一个基于广义邻近替代的产品需求预测模型。
2.根据权利要求1所述的基于广义邻近替代的产品需求预测方法,其特征在于所述步骤A中的建模样本是包括产品品类的名称、符号及相关的属性集合,所述符号是指广义邻近替代率估计算法的各条程序语句包含的常量名称、变量名称;所述步骤A中的建模样本构造步骤如下:
A1、对于各产品品类的属性数据按照标准进行量化,将描述型数据转换为数值型数据;
A2、采用归一化、离散化数据预处理技术进行处理,得到最终用于建模的样本数据。
4.根据权利要求1所述的基于广义邻近替代的产品需求预测方法,其特征在于所述步骤C中的利用加权KMeans聚类算法,对所有的产品进行分类的操作步骤如下:
C1、任意选取K个样本作为初始的簇中心;
C2、根据每个聚类中所有对象的均值,计算样本集中每个对象与这些中心对象的加权欧式距离,并根据最小距离重新对相应的对象进行划分;
C3、计算簇的平均值,得到新的K个簇的中心;
C4、重复步骤C2和C3,直到满足迭代次数,这样相似的产品将划分为一类。
5.根据权利要求1所述的基于广义邻近替代的产品需求预测方法,其特征在于所述的步骤D中的品类排序方法步骤如下:
D1、对每个品种赋一个属性加权和,并针对该品种挑选m个属性;
D2、利用步骤B中计算得到的相应的权重,计算每类品种的属性加权和;
D3、根据D2中的属性加权和对品种进行非递减排序。
6.根据权利要求1所述的基于广义邻近替代的产品需求预测方法,其特征在于所述步骤E中提出一种广义邻近替代的思想,并计算广义邻近替代率矩阵的操作步骤如下:
E1、提出一种广义邻近替代的定义;
E2、分别计算每一个类中基于品类的广义邻近替代率矩阵;
E3、分别计算每一个类中基于缺货的广义邻近替代率矩阵。
7.根据权利要求6所述的基于广义邻近替代的产品需求预测方法,其特征在于步骤E1所述的广义邻近替代的定义如下:
E11、品类i只在邻近的N种品种内进行广义N次替代,即除序列的首尾N种品种外,其余品种的替代尝试次数为2*N;
E12、基于品类的广义邻近替代是指当消费者的第一选择是品种j,但因品种j未被包含在该类产品中而转向品种i的比例,其中产品i是产品j的广义邻近产品;
E13、基于缺货的广义邻近替代是指消费者因品种j缺货而转向品种i的比例,其中产品i是产品j的广义邻近产品。
10.根据权利要求1所述的基于广义邻近替代的产品需求预测方法,其特征在于步骤F所述的基于广义邻近替代的需求预测方法的操作步骤如下:
F1、分析广义邻近替代率与需求预测间的关系,分别计算产品的核心需求和有效需求;
F2、建立基于支持向量机的需求预测模型。
11.根据权利要求1所述的基于广义邻近替代的需求预测方法,其特征在于步骤F1所述的产品的核心需求和有效需求的操作步骤如下:
F11、产品j在t时期的核心需求等于在t时期的基本需求加上由于产品j基于品类替代下的产品需求;
F12、产品j在t时期的有效需求等于在t时期的核心需求加上由于产品j缺货,被广义邻近的产品i替代所产生的需求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010126374A CN101807271A (zh) | 2010-03-17 | 2010-03-17 | 基于广义邻近替代的产品需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010126374A CN101807271A (zh) | 2010-03-17 | 2010-03-17 | 基于广义邻近替代的产品需求预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101807271A true CN101807271A (zh) | 2010-08-18 |
Family
ID=42609054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010126374A Pending CN101807271A (zh) | 2010-03-17 | 2010-03-17 | 基于广义邻近替代的产品需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101807271A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617466A (zh) * | 2013-12-13 | 2014-03-05 | 李敬泉 | 一种商品需求预测模型的综合评价方法 |
CN106971107A (zh) * | 2017-03-01 | 2017-07-21 | 北京工业大学 | 一种数据交易的安全定级方法 |
WO2018188402A1 (zh) * | 2017-04-12 | 2018-10-18 | 华为技术有限公司 | 产品需求预测方法及装置 |
CN108694542A (zh) * | 2018-05-14 | 2018-10-23 | 北京辰森世纪科技股份有限公司 | 物资申购信息的处理方法、装置及设备 |
CN110321475A (zh) * | 2019-05-22 | 2019-10-11 | 深圳壹账通智能科技有限公司 | 数据列表的排序方法、装置、设备及存储介质 |
CN112712222A (zh) * | 2019-10-24 | 2021-04-27 | 北京沃东天骏信息技术有限公司 | 物品调度方法和系统 |
-
2010
- 2010-03-17 CN CN201010126374A patent/CN101807271A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617466A (zh) * | 2013-12-13 | 2014-03-05 | 李敬泉 | 一种商品需求预测模型的综合评价方法 |
CN103617466B (zh) * | 2013-12-13 | 2016-09-28 | 中储南京智慧物流科技有限公司 | 一种商品需求预测模型的综合评价方法 |
CN106971107A (zh) * | 2017-03-01 | 2017-07-21 | 北京工业大学 | 一种数据交易的安全定级方法 |
CN106971107B (zh) * | 2017-03-01 | 2021-02-05 | 北京工业大学 | 一种数据交易的安全定级方法 |
WO2018188402A1 (zh) * | 2017-04-12 | 2018-10-18 | 华为技术有限公司 | 产品需求预测方法及装置 |
CN108694542A (zh) * | 2018-05-14 | 2018-10-23 | 北京辰森世纪科技股份有限公司 | 物资申购信息的处理方法、装置及设备 |
CN110321475A (zh) * | 2019-05-22 | 2019-10-11 | 深圳壹账通智能科技有限公司 | 数据列表的排序方法、装置、设备及存储介质 |
CN112712222A (zh) * | 2019-10-24 | 2021-04-27 | 北京沃东天骏信息技术有限公司 | 物品调度方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aw et al. | R&D investment, exporting, and productivity dynamics | |
Rostami‐Tabar et al. | Demand forecasting by temporal aggregation | |
Yasar et al. | Productivity and exporting status of manufacturing firms: Evidence from quantile regressions | |
Drechsel et al. | The performance of short-term forecasts of the German economy before and during the 2008/2009 recession | |
CN101807271A (zh) | 基于广义邻近替代的产品需求预测方法 | |
CN103617459A (zh) | 一种多影响因素下商品需求信息预测方法 | |
Kádárová et al. | The proposal of an innovative integrated BSC–DEA model | |
CN103440589A (zh) | 门店选址系统及方法 | |
Chen et al. | Developing a performance index with a Poisson process and an exponential distribution for operations management and continuous improvement | |
CN103514491A (zh) | 一种电力负荷预测方法 | |
CN105209984A (zh) | 用于确定技术系统输出值的模型的方法 | |
Sinclair et al. | Evaluating a vector of the Fed’s forecasts | |
CN112330121B (zh) | 一种配电网自动化建设投资效益评估方法 | |
CN110020173A (zh) | 用于优化搜索排序的方法、装置及电子设备 | |
CN107958297A (zh) | 一种产品需求预测方法及产品需求预测装置 | |
CN112651543A (zh) | 一种基于vmd分解与lstm网络的日用电量预测方法 | |
CN103649942B (zh) | 利用参数估计的零售预估 | |
Sharma et al. | Comparative analysis of machine learning techniques in sale forecasting | |
CN102789598B (zh) | 一种以机器特征属性为区间数的作业车间瓶颈识别方法 | |
Faisal et al. | An approach to measure supply chain agility | |
Su et al. | Design of a replenishment system for a stochastic dynamic production/forecast lot-sizing problem under bullwhip effect | |
Ferrara et al. | GDP nowcasting with ragged‐edge data: a semi‐parametric modeling | |
CN105260944A (zh) | 一种基于lssvm算法与关联规则挖掘的统计线损计算方法 | |
Dhali et al. | Determination of optimal smoothing constants for Holt-Winter’s multiplicative method | |
Hsu et al. | Applied multivariate forecasting model to tourism industry |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20100818 |