CN101819668A - 基于产品固有生命周期特征的销售预测模型 - Google Patents

Abstract

本发明公开一种基于产品固有生命周期特征的销售预测模型，包括如下步骤：(1)利用聚类分析方法划分目标产品的生命周期，加权计算目标产品在进入市场阶段、稳定销售阶段和降价清理阶段的起始及结束时间；并据此进行以下步骤(2)至(4)；其中，(2)将会议共识预测方法与基于预测修正的概率模型相结合，得目标产品在进入市场阶段的销售数量预测数据；(3)利用时间序列或回归模型预测目标产品在稳定销售阶段的销售数量预测数据I_Phase2 ^s；(4)将会议共识预测方法与基于预测修正的概率模型结合，得目标产品在降价清理阶段的销售数量预测数据

；(5)由步骤(2)至(4)所得的各阶段销售预测数据，得到目标产品全生命周期的销售数量预测数据：

。

Description

基于产品固有生命周期特征的销售预测模型

技术领域

本发明涉及一种基于产品固有生命周期发展特征的组合型动态销售需求预测模型。

背景技术

预测分析是结合数理统计和运筹学的一项交叉学科技术。该技术被广泛应用在自然科学、工程技术、企业运营等各个领域。在企业运营中最常见的应用是对产品销售需求的预测。随着市场竞争的日趋激烈，产品需求预测的难度不断地提高，过去能够有效预测销售的传统数理模型逐渐无法适应环境的变化和有限的数据。此现象在高新技术行业最为显著，一方面新旧产品的更新换代频繁、生命周期短暂，另一方面品牌和产品的多样性和流行性导致消费者的购买行为多变。由于依赖历史数据的充足性和规律性，传统预测模型的适用性和准确性逐渐降低。在该现象的影响下，对现有预测技术的改进和创新受到了越来越多的重视。

理论界和工业界均认可并普遍采用的预测数学模型主要有以下几种：回归模型、时间序列模型和概率模型。回归模型是一种寻求自变量和应变值之间函数关系的分析方法，对函数形态清晰明显的数据形式较为适用，但在现实应用中，具有如此理想特征的数据非常少见，带有伴随有噪声和不规则性的数据难以用具体函数描述。时间序列需求预测模型是依据从历史数据组成的时间序列中找出预测对象的发展变化规律作为预测依据，常用时间序列预测模型有指数平滑法、随机时间序列模型。指数平滑法是通过对历史数据赋予随着时间的远离逐渐按指数函数收敛为零的权重系数并进行平滑处理，用以预测未来需求。随机时间序列模型是以统计学的原理寻找时间序列的变化特征、发展趋势与规律，然后未来需求的序列状态做出估计。实践证明随机时间序列模型在一定的条件下比指数平滑模型更为优越。然而，它对数据本身具备的统计性质要求较高，同时建模过程复杂。因此，指数平滑模型在数据质量欠佳的情形下仍然是更理想的预测方法。两种模型皆依赖于充足的数据用于对模型参数的拟合，在缺乏充足数据的情况下模型准的确度较低。概率预测模型不同于上述两类模型的确定性预测，而是以概率分布的形式描述需求作为一个随机变量发生的各种可能性及其概率值。这种方法的突出之处在于能够利用需求的概率分布进行决策和风险分析，最常见的应用范例是报童模型(Newsvendor Model)。由于运用的随机性的原理，概率预测模型用于预测生命周期短，不确定性强的产品时具有明显优于其它方法的效果。然而在产品需求呈现趋势性发展或历史数据不充足等情形下，该模型则难以适用。鉴于预测的复杂性和数学模型的局限性，目前常见的解决办法是通过采纳各方经验的会议方式达成对需求预测的共识，但因缺乏理论基础和数据分析，其准确度同样无法达到理想的水平。

发明内容

本发明所要解决的技术问题是提供一种基于产品固有生命周期特征的销售预测模型，可用于提高对销售数量的预测精确度，克服现有预测模型的不足。

根据发明人的研究发现，一种新产品自推出市场到完全退市的过程中，其固有的生命周期特征具有明显的阶段性特征，具体表现为：第一，在新产品进入市场阶段，因为销售量具有很大的波动性，且缺乏与此新产品相关的历史数据，市场对这种新产品的销售预测的准确度较低；第二，在稳定销售阶段，新产品的销量经过一段时间的调整和震荡后会呈现明显的趋势性：仍在上升期的新产品会持续以逐渐减缓的增率上升直至达到销量的最大值；销售的最大值已过的新产品将以类似于原子半衰期的指数衰减形式逐渐进入生命周期的尾声，企业能够利用数据和模型在一定程度上对新产品在未来某一时刻的销售进行预测；第三，在降价清理阶段，市场倾向于采用降价促销策略在短时间内清理剩余库存，这种降价促销的策略可能创造新一轮的新增需求，亦可能加快产品的消亡；另一方面，旧一代产品的尾声往往伴随的是新一代的产品的启动，新旧产品交替也会加剧产品销量的剧烈波动和不稳定性。因此，在产品的降价清理阶段对产品的销售预测的准确度会再次降低。

综上所述，在新产品的进入市场阶段，产品的销售需求的波动性很大，由于缺乏足够的与产品销售相关的历史数据，而导致基本的和常用的统计模型和预测方法并不适用。在产品的稳定销售阶段，销量的趋势性逐渐增强，企业能够利用新产品在进入市场阶段所收集的新产品销量相关的历史数据建立模型，预测新产品在未来时刻的销量，产品的销量预测有所增强。在产品的降价清理阶段，虽然有该产品销售相关的历史数据，但是市场的清仓行为和新旧产品的更替导致产品销售在这个阶段剧烈波动，也使得产品的需求难以通过一般的模型进行准确的预测。因此，我们发现现存的几种预测模型方法在具有各自优点的同时，也存在着明显的局限性：它们虽然能够在一定程度上对新产品在稳定销售阶段的销量进行预测，但是预测准确度有限；此外，这些模型在对新产品在进入市场阶段和降价清理阶段的销量进行预测时的准确度则明显下降。

本发明的目的旨在针对产品所固有的生命周期阶段的特征，提供一种与之相适应的多种模型结合的组合型动态预测方法，提高新产品销售数量预测的精确度，克服现有预测模型的不足。

本发明基于产品固有生命周期特征的销售预测模型包括如下步骤：

(1)利用聚类分析方法划分目标产品的生命周期，并加权计算目标产品在进入市场阶段、稳定销售阶段和降价清理阶段的起始时间及结束时间；

(2)根据步骤(1)所得的目标产品在进入市场阶段的起始时间及结束时间，将会议共识预测方法与基于预测修正的概率模型相结合，得到目标产品在进入市场阶段的销售数量预测数据

(3)根据步骤(1)所得的目标产品在稳定销售阶段的起始时间及结束时间，利用时间序列模型或回归模型预测目标产品在稳定销售阶段的销售数量预测数据I_Phase2 ^s；

(4)根据步骤(1)所得的目标产品在降价清理阶段的起始时间及结束时间，将会议共识预测方法与基于预测修正的概率模型相结合，得到目标产品在降价清理阶段的销售数量预测数据

(5)根据步骤(2)至步骤(4)所得的各阶段的销售预测数据，通过式(1)得到目标产品的全生命周期的销售数量预测数据I_Final：

$I_{\mathrm{Final}}=[{\stackrel{\‾}{I}}_{\mathrm{Phase}1}^p,I_{\mathrm{Phase}2}^s,{\stackrel{\‾}{I}}_{\mathrm{Phase}3}^p]---\left(1\right).$

进一步地，本发明在步骤(1)中，以如下方式利用聚类分析方法划分目标产品的生命周期：

先根据目标产品的同类产品的历史销售数据，以所述同类产品的品牌、销售时间、所述销售时间中的销售数量、所述销售时间中的销售价格、生命周期中的任两种或两种以上作为因素构成所述同类产品的属性向量X，该属性向量X如式(2)所示：

X＝[x¹，x²，x³，x⁴，x⁵...]    (2)

式(2)中，X表示目标产品的同类产品，x¹表示该同类产品的品牌，x²表示该同类产品的销售时间，x³表示该同类产品在所述销售时间中的销售数量，x⁴表示该同类产品在所述销售时间中的销售价格，x⁵表示该同类产品的生命周期；

再利用如式(3)所示的欧式距离公式筛选出目标产品的相似产品，根据相似产品的生命周期划分出目标产品的三个生命周期的阶段，

$d_{\mathrm{ij}}=\left|\right|X_i-X_j\left|\right|=\sqrt{{(x_i^1-x_j^1)}^2+{(x_i^2-x_j^2)}^2+{(x_i^3-x_j^3)}^2+{(x_i^4-x_j^4)}^2+{(x_i^5-x_j^5)}^2+...}---\left(3\right)$

式(3)中，X_i表示第i个目标产品，x_i ¹表示第i个目标产品的品牌，x_i ²表示第i个目标产品的销售时间，x_i ³表示第i个目标产品在其所述销售时间中的销售数量，x_i ⁴表示第i个目标产品在其所述销售时间中的销售价格，x_i ⁵表示第i个目标产品的生命周期；

X_j表示第j个同类产品，x_j ¹表示第j个同类产品的品牌，x_j ²表示第j个同类产品的销售时间，x_j ³表示第j个同类产品在其所述销售时间中的销售数量，x_j ⁴表示第j个同类产品在其所述销售时间中的销售价格，x_j ⁵表示第j个同类产品的生命周期；

d_ij表示第i个目标产品X_i与第j种同类产品X_j之间的欧式距离的大小。

进一步地，本发明在步骤(2)中，以如下方式将会议共识预测结果与基于预测修正的概率模型相结合得到目标产品在进入市场阶段的销售数量预测数据：

收集会议共识预测方法对目标产品进入市场阶段需求的预测结果I_Phase1 ^c，并利用基于预测修正的概率模型得到修正比例数值k₁ ^*，进而由式(4)得到目标产品在进入市场阶段的销售数量预测数据

${\stackrel{\‾}{I}}_{\mathrm{Phase}1}^p=k_1^{*}*I_{\mathrm{Phase}1}^c---\left(4\right).$

进一步地，本发明在步骤(3)中，以如下方式利用时间序列模型或回归模型预测目标产品在稳定销售阶段的销售数量预测数据I_Phase2 ^S：

若目标产品的相似产品在稳定销售阶段的历史销售数量呈现指数衰减趋势，则利用如式(5)所示的指数函数的回归模型预测得到目标产品在稳定销售阶段的销售数量预测数据，

$I_{\mathrm{Phase}2}^S=e^{a+b\×T}---\left(5\right),$

式(5)中，a、b为指数函数的回归参数，T表示目标产品开始进入市场阶段至进行该预测为止所经历的时间；

若目标产品的相似产品在稳定销售阶段的历史销售数量呈现非指数形式的趋势，则利用如式(6)-(9)所示的带趋势变化的指数平滑模型预测目标产品在稳定销售阶段的销售数量预测数据：

$I_{\mathrm{Phase}2}^s=[{\hat{i}}_t^S,{\hat{i}}_{t_2}^S,{\hat{i}}_{t_3}^S,...{\stackrel{\‾}{i}}_{T_{\mathrm{Phase}2}}]---\left(6\right)$

${\hat{i}}_{t+1}^S=S{m}_t+T{r}_t---\left(7\right)$

$S{m}_t=\mathrm{\α}\×i_t^S+(1-\mathrm{\α})(S{m}_{t-1}+T{r}_{t-1})---\left(8\right)$

Tr_t＝β(Sm_t-Sm_t-1)+(1-β)Tr_t-1    (9)

式(6)-(9)中，

为对t+1时刻对目标产品的销售数量的预测值；Sm_t表示平滑项；Tr_t表示趋势项。

若目标产品的相似产品在稳定销售阶段的历史销售数量呈现无规律状态，则利用式(6)以及如式(10)所示的普通指数平滑模型预测目标产品在稳定销售阶段的销售数量预测数据I_Phase2 ^S。

${\hat{i}}_{t+1}^S=\mathrm{\α}{i}_t^S+(1-\mathrm{\α}){\hat{i}}_t^S---\left(10\right)$

式(10)中，

为对t+1时刻对目标产品V的销售数量的预测值；i_t ^S为t时刻的真实需求值，α为平滑参数。

进一步地，本发明在步骤(4)中，以如下方式运用基于预测修正的概率模型预测目标产品在降价清理阶段的销售数量预测数据：

收集会议共识预测方法得到目标产品在降价清理阶段的销售数量预测初始值I_Phase3 ^c，并利用基于预测修正的概率模型得到修正比例数值k₂ ^*，进而由式(11)得到目标产品在降价清理阶段的销售数量预测数据

${\stackrel{\‾}{I}}_{\mathrm{Phase}3}^p=k_2^{*}*I_{\mathrm{Phase}3}^c---\left(11\right).$

本发明与现有技术相比，具有的有益效果是：

1)针对产品本身所固有的生命周期特征，运用聚类分析的技术手段划分产品在生命周期不同阶段，依据产品发展的内在本质设计了将会议共识预测方法、基于预测修正的概率模型、时间序列模型和回归模型相组合的组合型动态预测模型，克服了产品生命周期的内在复杂性和单一预测模型的局限性。利用相似产品的特性，运用欧式距离筛选和确定目标产品的相似产品，并进一步将相似产品的历史纪录作为建立预测模型的样本基础，增强了预测模型的历史依据及可靠性。

2)在目标产品进入市场阶段的销售数量的预测方法上，与现有的会议共识预测方法相比，组合型动态模型方法进一步引入了基于修正的概率模型预测，增强了会议共识法的理论依据和数据支撑，有效地缓解了在这个阶段的产品的销售预测的不准确性问题。

3)在目标产品的稳定销售阶段的销售数量的预测方法上，与现有的统计预测模型相比，本发明组合动态模型依据目标产品的相似产品在稳定销售阶段的历史销售数据所呈现出的特点，从指数函数的回归模型、带趋势变化的指数平滑模型和时间序列模型中，选择最优的统计预测模型，使得各种不同的方法得到有针对性、最有效的应用，提高了预测的准确度。

4)在目标产品的降价清理阶段的销售数量预测方法上，与传统的会议共识预测方法相比，本发明组合型动态模型进一步引入了基于修正的概率模型预测，增强了会议共识法的理论依据和数据支撑，有效地缓解了在这个阶段的产品的销售预测的不准确性的问题。

附图说明

图1为产品所固有的全生命周期需求的特征图。

图2为本发明组合型动态预测模型对产品的销售预测结果与真实需求的比较图。

图3为传统的会议共识模型、统计模型与本发明组合型动态预测模型对产品销售预测的准确性的比较图。

具体实施方式

以下结合图1至图3和具体实施例进一步说明本发明，本发明的具体步骤如下：

(1)假定以产品V为待分析的目标产品，建立该产品V所在具体类别的同类产品的完整历史数据库，相关历史数据包括品牌、销售时间、该销售时间内的预测销售数量、该销售时间内的实际销售数量、该销售时间内的销售价格和生命周期。在数据库中运用聚类分析方法，由同类产品的品牌、生命周期、该销售时间内的实际销售数量和该销售时间内的销售价格组成属性向量X，该属性向量X如式(12)所示：

X＝[x¹，x²，x³，x⁴]    (12)

式(12)中，X表示产品V的同类产品，x¹表示该同类产品的品牌，x²表示该同类产品生命周期，x³表示该同类产品在所述销售时间内的实际销售数量，x⁴表示该同类产品在所述销售时间中的销售价格。

需要说明的是，在选择相关因素构造属性向量X时，需要使用历史数据中的任意两种或两种以上因素即可，但是选择的因素越多，越有利于提高被筛选出来的相似产品与目标产品的相似度，提高预测的准确度。因此，在该具体实施方式中，选择了同类产品的品牌、生命周期、该销售时间内的实际销售数量和该销售时间内的销售价格这四个因素来构造属性向量X。

进一步，利用如式(13)所示的欧式距离公式对产品V的同类产品进行筛选，

$d_{\mathrm{ij}}=\left|\right|X_i-X_j\left|\right|=\sqrt{{(x_i^1-x_j^1)}^2+{(x_i^2-x_j^2)}^2+{(x_i^3-x_j^3)}^2+{(x_i^4-x_j^4)}^2}---\left(13\right)$

式(13)中，X_i表示产品V，x_i ¹表示产品V的品牌，x_i ²表示产品V的生命周期，x_i ³表示产品V在其所述销售时间中的实际销售数量，x_i ⁴表示产品V在其所述销售时间中的销售价格；

X_j表示第j个同类产品，x_j ¹表示第j个同类产品的品牌，x_j ²表示第j个同类产品的生命周期，x_j ³表示第j个同类产品在其所述销售时间中的实际销售数量，x_j ⁴表示第j个同类产品在其所述销售时间中的销售价格；

d_ij表示第i个目标产品X_i与第j种同类产品X_j之间的欧式距离的大小。

本发明模型中，产品V的相似产品的种数可为任意数。但为得到更好的预测结果，本发明可根据式(11)中的因素的个数和d_ij值的大小来确定产品V的相似产品，即：产品V的相似产品的种数不大于式(11)中的因素的个数，并且各相似产品所对应的d_ij值越小越好。

以下以产品N、产品E、产品L和产品M作为产品V的相似产品为例说明本发明。将产品N、产品E、产品L和产品M的产品生命周期的各个阶段的时间长度利用公式(14)进行加权计算，可以得到如图2所示的产品V的生命周期的不同阶段。

$T_{\mathrm{PhaseX}}^o=\underset{j=1...n}{\mathrm{\Σ}}{a}_j{T}_{\mathrm{PhaseX}}^j---\left(14\right)$

式(14)中，T_PhaseX ^o表示产品V的第X个阶段的时间长度，T_PhaseX ^j表示相似产品j第X个阶段的时间长度，a_j为加权平均系数，

d_i，j表示第j种相似产品产品与产品V的欧式距离。

在图2中，横坐标表示销售时间，纵坐标表示销售额。由图2可见，本发明的该实施例中，产品V的生命周期的第一个阶段为产品V进入市场阶段，其持续时间约为17周；产品V的生命周期的第二个阶段为稳定销售阶段，其持续时间约为22周；产品V的生命周期的第三个阶段为降价清理阶段，其持续时间约为17周。

(2)根据步骤(1)所得的目标产品在进入市场阶段的起始时间及结束时间，采用传统的会议共识预测方法对产品V在进入市场阶段的销售数量进行预测，记录为

表示在从产品V进入市场开始后，在t₁时刻的销售数量预测值。

利用基于预测修正的概率模型计算修正的比例数值k₁ ^*：在步骤(1)的历史数据库中，收集得到会议共识预测方法对产品N、产品E、产品L和产品M在进入市场阶段时的销售数量预测值I_Phase1 ⁱ和真实销售数量值

计算二者的比例值k，对得到的所有比例值k进行频率统计，并计算相应概率值。得到比例值k的概率分布图以及累积概率分布图。结合实际情况，根据对预测准确度的需要，选择决策的置信区间α(α＝[0，100％])，通常情况下，取α为95％。在累积概率分布图中得出其所对应的修正比例数值。

$k_1^{*}=F\left(k\right|\mathrm{Pr}\left(k\right)=\mathrm{\α})$

进而由式(15)可以得到产品V在进入市场阶段的销售数量预测数据

${\stackrel{\‾}{I}}_{\mathrm{Phase}1}^p=k_1^{*}*I_{\mathrm{Phase}1}^c---\left(15\right).$

在本发明的该实施例中，以传统的会议共识预测方法对产品的全生命周期需求预测的结果I_Phase1 ^c作为与本发明组合型动态模型分析对比的基准。在目标产品V的新产品进入市场阶段，基于预测修正的概率模型通过分析四种相似产品的历史数据建立预测值与实际值比值的概率分布函数，设置置信区间为95％，得到相对应的修正比值为

修正后的预测结果

(3)在产品V的稳定销售阶段，本实施例中的产品V的相似产品在稳定销售阶段的历史销售数量呈现无规律状态，因此确定使用如式(16)和式(17)所示的普通型指数平滑模型，预测结果记录为I_Phase2 ^S。

$I_{\mathrm{Phase}2}^s=[{\hat{i}}_t^S,{\hat{i}}_{t_2}^S,{\hat{i}}_{t_3}^S,...{\stackrel{\‾}{i}}_{T_{\mathrm{Phase}2}}]---\left(16\right)$

${\hat{i}}_{t+1}^S=\mathrm{\α}{i}_t^S+(1-\mathrm{\α}){\hat{i}}_t^S---\left(17\right)$

式中，

为对t+1时刻对目标产品V的销售数量的预测值；i_t ^S为t时刻的真实需求值，α为平滑参数。

需要说明的是，本发明是针对目标产品V的相似产品在稳定销售阶段的销售数量趋势的具体特征，选用不同的时间序列模型或回归模型预测目标产品在稳定销售阶段的销售数量预测数据I_Phase2 ^S。但是对于不同的目标产品及其相似产品在稳定销售阶段的销售数量趋势，除了上述普通型指数平滑模型外，还存在其他两种适用模型，具体阐述如下：

若目标产品的相似产品在稳定销售阶段的历史销售数量呈现指数衰减趋势，则利用如式(18)所示的指数函数的回归模型预测得到目标产品在稳定销售阶段的销售数量预测数据，

$I_{\mathrm{Phase}2}^S=e^{a+b\×T}---\left(18\right),$

式(18)中，a、b为指数函数的回归参数，T表示目标产品开始进入市场阶段至进行该预测为止所经历的时间；通过将筛选得到的目标产品的相似产品的历史销售数量带入公式(18)，计算可以得到回归参数a、b的值，将a、b值带入(18)式，选择需要预测的时间值T，即可计算得到目标产品的销售数量的预测数据。

若目标产品的相似产品在稳定销售阶段的历史销售数量呈现非指数形式的趋势，则利用式(16)以及如式(19)-(21)所示的带趋势变化的指数平滑模型预测目标产品在稳定销售阶段的销售数量预测数据：

${\hat{i}}_{t+1}^S=S{m}_t+T{r}_t---\left(19\right)$

$S{m}_t=\mathrm{\α}\×i_t^S+(1-\mathrm{\α})(S{m}_{t-1}+T{r}_{t-1})---\left(20\right)$

Tr_t＝β(Sm_t-Sm_t-1)+(1-β)Tr_t-1    (21)

式(19)-(21)中，

为对t+1时刻对目标产品的销售数量的预测值，其计算公式由平滑项Sm_t和趋势项Tr_t组成；α、β为回归系数，是通过将目标产品的相似产品的实际销售数量的数据带入式(20)和(21)以后，回归计算而得；Sm_t表示平滑项，通过平滑参数α对前一时刻的实际销售数量i_t ^S和预测的销售数量数据进行平滑处理得到；Tr_t表示趋势项，通过参数β平滑参数对前一时刻的实际销售数量的趋势变化和预测的销售数量的数据趋势进行平滑处理得到。

如式(19)-(21)所示的带趋势变化的指数平滑模型属于时间序列模型的一种。当目标产品的相似产品在稳定销售阶段的历史销售数量呈现非指数形式的趋势时，本发明也可使用其他时间序列模型预测目标产品在稳定销售阶段的销售数量预测数据，但以使用如式(19)-(21)所示的带趋势变化的指数平滑模型的效果更佳。

(4)在产品V的降价清理阶段，以与步骤(2)相同的方法，收集会议共识预测方法得到目标产品在降价清理阶段的销售数量的预测初始值I_Phase3 ^c。在95％的置信区间下，对应的修正比值则修正后的预测结果

(5)将以上步骤(2)至步骤(4)得到的三个阶段的销售数量预测结果汇总得到产品V的全生命周期的销售数量预测数据如图2所示。图2中，横坐标表示销售时间，纵坐标表示产品V的销售额。图2中示出了本发明所采用的组合动态预测模型的销售数量的预测数值和产品V实际的销售数量。从图2可以看到，本发明所采用的组合动态预测模型的销售数量的预测数值的变化趋势符合产品V实际的销售数量的变化趋势。进一步地，由表1可知，本发明组合型动态模型预测的准确度综合值平均达到83％。

最后将传统的会议共识预测方法和统计模型以及本发明的组合型动态模型对产品V的销售数量的预测数据分别与产品V的真实销售数量的数据进行对比并计算预测准确度，其结果如图3和表1所示。准确度的定义为预测的误差(真实需求偏离预测需求的绝对值)与预测值的比值：

误差＝|预测值-真实值|

表1

准确度	进入市场阶段	稳定销售阶段	降价清理阶段	综合
					会议共识法	66％	80％	83％	75％
统计模型	69％	90％	79％	80％
					组合型动态模型	74％	90％	84％	83％

图3和表1表明，无论是会议共识预测方法还是统计模型法，单一的预测模型在产品全生命周期的表现都无法保持一致的准确性。主要表现为：会议共识预测方法在产品销售数量不确性较大的进入市场阶段和降价清理阶段的预测准确性比较优越，而在稳定销售阶段的表现则不如统计模型。本发明的组合型动态预测模型则充分发挥了会议共识预测方法和单一的统计模型的优势，使得全生命周期整体的销售预测准确度达到最优。

Claims (5)

1.一种基于产品固有生命周期特征的销售预测模型，其特征是包括如下步骤：

(1)利用聚类分析方法划分目标产品的生命周期，并加权计算目标产品在进入市场阶段、稳定销售阶段和降价清理阶段的起始时间及结束时间；

(2)根据步骤(1)所得的目标产品在进入市场阶段的起始时间及结束时间，将会议共识预测方法与基于预测修正的概率模型相结合，得到目标产品在进入市场阶段的销售数量预测数据

(3)根据步骤(1)所得的目标产品在稳定销售阶段的起始时间及结束时间，利用时间序列模型或回归模型预测目标产品在稳定销售阶段的销售数量预测数据I_Phase2 ^s；

(4)根据步骤(1)所得的目标产品在降价清理阶段的起始时间及结束时间，将会议共识预测方法与基于预测修正的概率模型相结合，得到目标产品在降价清理阶段的销售数量预测数据

(5)根据步骤(2)至步骤(4)所得的各阶段的销售预测数据，通过式(1)得到目标产品的全生命周期的销售数量预测数据I_Final：

$I_{\mathrm{Final}}=[{\stackrel{\‾}{I}}_{\mathrm{Phase}1}^p,I_{\mathrm{Phase}2}^s,{\stackrel{\‾}{I}}_{\mathrm{Phase}3}^p]---\left(1\right).$

2.根据权利要求1所述的基于产品固有生命周期特征的销售预测模型，其特征是：在步骤(1)中，以如下方式利用聚类分析方法划分目标产品的生命周期：

先根据目标产品的同类产品的历史销售数据，以所述同类产品的品牌、销售时间、所述销售时间中的销售数量、所述销售时间中的销售价格、生命周期中的任两种或两种以上作为因素构成所述同类产品的属性向量X，该属性向量X如式(2)所不：

X＝[x¹，x²，x³，x⁴，x⁵...]             (2)

式(2)中，X表示目标产品的同类产品，x¹表示该同类产品的品牌，x²表示该同类产品的销售时间，x³表示该同类产品在所述销售时间中的销售数量，x⁴表示该同类产品在所述销售时间中的销售价格，x⁵表示该同类产品的生命周期；

再利用如式(3)所示的欧式距离公式筛选出目标产品的相似产品，根据相似产品的生命周期划分出目标产品的三个生命周期的阶段，

$d_{\mathrm{ij}}=\left|\right|X_i-X_j\left|\right|=\sqrt{{(x_i^1-x_j^1)}^2+{(x_i^2-x_j^2)}^2+{(x_i^3-x_j^3)}^2+{(x_i^4-x_j^4)}^2+{(x_i^5-x_j^5)}^2+...}---\left(3\right)$

式(3)中，X_i表示第i个目标产品，x_i ¹表示第i个目标产品的品牌，x_i ²表示第i个目标产品的销售时间，x_i ³表示第i个目标产品在其所述销售时间中的销售数量，x_i ⁴表示第i个目标产品在其所述销售时间中的销售价格，x_i ⁵表示第i个目标产品的生命周期；

X_j表示第j个同类产品，x_j ¹表示第j个同类产品的品牌，x_j ²表示第j个同类产品的销售时间，x_j ³表示第j个同类产品在其所述销售时间中的销售数量，x_j ⁴表示第j个同类产品在其所述销售时间中的销售价格，x_j ⁵表示第j个同类产品的生命周期；

d_ij表示第i个目标产品X_i与第j种同类产品X_j之间的欧式距离的大小。

3.根据权利要求1所述的基于产品固有生命周期特征的销售预测模型，其特征是：在步骤(2)中，以如下方式将会议共识预测结果与基于预测修正的概率模型相结合得到目标产品在进入市场阶段的销售数量预测数据

收集会议共识预测方法对目标产品进入市场阶段需求的预测结果I_Phase1 ^c，并利用基于预测修正的概率模型得到修正比例数值k₁ ^*，进而由式(4)得到目标产品在进入市场阶段的销售数量预测数据

${\stackrel{\‾}{I}}_{\mathrm{Phase}1}^p=k_1^{*}*I_{\mathrm{Phase}1}^c---\left(4\right).$

4.根据权利要求1所述的基于产品固有生命周期特征的销售预测模型，其特征是：在步骤(3)中，以如下方式利用时间序列模型或回归模型预测目标产品在稳定销售阶段的销售数量预测数据I_Phase2 ^S：

若目标产品的相似产品在稳定销售阶段的历史销售数量呈现指数衰减趋势，则利用如式(5)所示的指数函数的回归模型预测得到目标产品在稳定销售阶段的销售数量预测数据，

$I_{\mathrm{Phase}2}^S=e^{a+b\×T}---\left(5\right),$

式(5)中，a、b为指数函数的回归参数，T表示目标产品开始进入市场阶段至进行该预测为止所经历的时间；

若目标产品的相似产品在稳定销售阶段的历史销售数量呈现非指数形式的趋势，则利用如式(6)-(9)所示的带趋势变化的指数平滑模型预测目标产品在稳定销售阶段的销售数量预测数据：

$I_{\mathrm{Phase}2}^s=[{\hat{i}}_t^S,{\hat{i}}_{t_2}^S,{\hat{i}}_{t_3}^S,...{\stackrel{\‾}{i}}_{T_{\mathrm{Phase}2}}]---\left(6\right)$

${\hat{i}}_{t+1}^S={\mathrm{Sm}}_t+{\mathrm{Tr}}_t---\left(7\right)$

${\mathrm{Sm}}_t=\mathrm{\α}\×i_t^S+(1-\mathrm{\α})({\mathrm{Sm}}_{t-1}+{\mathrm{Tr}}_{t-1})---\left(8\right)$

Tr_t＝β(Sm_t-Sm_t-1)+(1-β)Tr_t-1        (9)

式(6)-(9)中，

为对t+1时刻对目标产品的销售数量的预测值；Sm_t表示平滑项；Tr_t表示趋势项；

若目标产品的相似产品在稳定销售阶段的历史销售数量呈现无规律状态，则利用式(6)以及如式(10)所示的普通指数平滑模型预测目标产品在稳定销售阶段的销售数量预测数据I_Phase2 ^S。

${\hat{i}}_{t+1}^S={\mathrm{\αi}}_t^S+(1-\mathrm{\α}){\hat{i}}_t^S---\left(10\right)$

式(10)中，

为对t+1时刻对目标产品V的销售数量的预测值；i_t ^S为t时刻的真实需求值，α为平滑参数。

5.根据权利要求1所述的基于产品固有生命周期特征的销售预测模型，其特征是：在步骤(4)中，以如下方式运用基于预测修正的概率模型预测目标产品在降价清理阶段的销售数量预测数据：

收集会议共识预测方法得到目标产品在降价清理阶段的销售数量预测初始值I_Phase3 ^c，并利用基于预测修正的概率模型得到修正比例数值k₂ ^*，进而由式(11)得到目标产品在降价清理阶段的销售数量预测数据

${\stackrel{\‾}{I}}_{\mathrm{Phase}3}^p=k_2^{*}*I_{\mathrm{Phase}3}^c---\left(11\right).$

Images