CN102385724A - 一种应用于库存管理的零配件组合需求预测信息处理方法 - Google Patents

Abstract

本发明涉及一种应用于库存管理的零配件组合需求预测信息处理方法，该方法包括以下步骤：1)取一部分历史销售数据作为方法学习数据，另一部分作为权重建立数据；2)对于每个零配件，用其方法学习数据分别对ARMA方法、多元线性回归方法和BP神经网络方法进行训练；用其权重建立数据分别对以上三种方法进行应用，得到不同方法的预测相对误差值；4)计算以上三种方法的权重；5)构建组合需求预测模型；6)预测所有零配件将来的销售需求。与现有技术相比，本发明适用于具有不同需求特征的零配件，具有客观性强，预测精度高，且具有在一定服务水平的前提下大幅度降低库存成本，提高供应链管理效率和客户满意度等优点。

Description

一种应用于库存管理的零配件组合需求预测信息处理方法

技术领域

本发明涉及一种组合需求预测信息处理方法，尤其是涉及一种应用于库存管理的零配件组合需求预测信息处理方法。

背景技术

1954年，Schmitt用组合预测方法预测美国37个城市的人口数量，提高了预测精度。1959年，J.M.Bates和C.W.J.Granger对组合预测方法进行了系统的研究，并于1969年首次提出了“组合预测”的思想，即综合考虑各单项预测方法的特点，将不同的单项预测方法进行组合。90年代以后，对组合预测的研究出现前所未有的热潮，学者也开始学习和使用“组合预测”方法，并取得一系列的预测成果。

夏景明(2004)运用灰色预测和神经网络预测结合的组合模型对宏观经济指标进行预测，对江苏省的实证检验证明，预测MAPE为2.1％，总的预测精度达到99.96％。Huseyin Ince(2006)的组合模型中包括线性模型ARIMA和VAR模型以及非线性方法SVR和MLP网络方法。将该模型应用于对汇率的预测中，结果表明该组合预测模型的预测精度明显优于单个模型。周文(2006)运用非线性平滑过渡自回归模型和广义自回归条件异方差模型作为单项预测模型来描述实际汇率的动态行为特征。研究结果表明组合预测优于单项预测方法。梁娜(2007)将SOM神经网络、主成分分析、BP神经网络有机地结合起来，构建了股市收盘价的实时组合预测模型。实证研究表明，预测精度有很大的提高。王瑛瑛(2008)运用ARIMA模型、GM(1，1)模型、RBF神经网络模型分别从线性与非线性角度对证券价格进行拟合与预测，然后结合三者中有用的信息集合，构建一个最优组合预测模型，对证券价格预测进行实证研究。结果表明组合预测模型的预测效果明显高于各单项预测方法。

但在制造业的零配件需求预测领域，还缺乏组合预测模型的研究。在汽车行业中，有许多学者进行了预测方面的研究。董天舒，李伟(2004)对湖北省国内生产总值、公路通车里程、客货运输周转量之间的相关性进行了定量分析，运用多元线性回归方法进行预测研究。郭应时，张生瑞和付昌会(2003)用主成分分析法对私人汽车购买意向影响因素进行了分析，确定了其影响指标，并建立了私人汽车购买意向的多输入、单输出的人工神经网络预测模型。PAN Zhi-gang和Han Ying(2005)运用基于灰色系统，多元回归和三次指数平滑的组合预测模型对中国汽车需求量进行预测，效果显著。陈光金(2007)运用B-J方法建立ARMA模型对我国汽车产量进行短期预测，预测效果较好。

综上所述，需求预测相关研究很多，在某些领域也得到较好的预测效果。但对于制造业零配件需求预测问题，由于零配件种类众多、各种零配件需求特点互不相同，在某一类零配件中预测效果良好的方法可能在另一类零配件中预测效果很差。因此，如果仅用一种前述方法实现不同类型零配件的需求预测会导致需求预测精度较低、稳定性差。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种不依赖于管理者的经验，客观性强，预测精度高，且在一定服务水平的前提下大幅度降低库存成本，提高供应链管理效率和客户满意度的应用于库存管理的零配件组合需求预测信息处理方法。

本发明的目的可以通过以下技术方案来实现：一种应用于库存管理的零配件组合需求预测信息处理方法，其特征在于，该方法包括以下步骤：1)从数据存储服务器提取历史销售订单信息；2)对历史销售订单信息进行预处理，去除畸变数据；3)取一部分历史销售数据作为方法学习数据，另一部分作为权重建立数据；4)选取一个零配件，用其方法学习数据分别对ARMA方法、多元线性回归方法和BP神经网络方法进行训练；5)用其权重建立数据分别对步骤4)中所述的三种方法进行训练，得到不同方法的预测相对误差值；6)根据不同方法的预测相对误差值，计算得到各方法的权重；7)将步骤4)中所述的三种方法与其对应权重进行组合，构建组合需求预测模型；8)预测该零配件将来的销售需求；9)判断预测是否结束，如果判断为是则结束，否则返回步骤4)。

所述的步骤2)中的对历史销售订单信息进行预处理包括相同零配件销售量合并、预测时间段划分、预测时间段内零配件销售量合并。

所述的预测时间段为以一个月为一个时间段。

所述的方法学习数据为销售数据的A部分，用于ARMA方法、多元线性回归方法和BP神经网络方法的学习；所述的权重建立数据为销售数据的B部分，用于得到三种方法的预测效果以计算其在预测方法中所占比重。

所述的A部分与B部分之和为整个销售数据总和。

所述的步骤5)中的预测相对误差值＝(预测销售值-真实销售值)/真实销售值。

所述的步骤6)中的计算得到各方法的权重，具体的计算方法为：

用步骤5)中得到的数据建立如下矩阵

$e=\left[\begin{array}{cccc}{e}_1\left(1\right)& e_2\left(1\right)& ...& e_M\left(1\right)\\ e_1\left(2\right)& e_2\left(2\right)& ...& e_M\left(2\right)\\ e_1\left(3\right)& e_2\left(3\right)& ...& e_M\left(3\right)\end{array}\right]$

其中e₁(1)表示ARMA方法在第1月的预测相对误差，e₁(2)表示多元线性回归方法在第1月的预测相对误差，e₁(3)表示BP神经网络方法在第1月的预测相对误差，e_M(1)表示ARMA方法在第M月的预测相对误差。

计算预测误差信息矩阵

$E_{3\×3}=\left[\begin{array}{ccc}\underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(1\right)*e_t\left(1\right)& \underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(1\right)*e_t\left(2\right)& \underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(1\right)*e_t\left(3\right)\\ \underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(2\right)*e_t\left(1\right)& \underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(2\right)*e_t\left(2\right)& \underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(2\right)*e_t\left(3\right)\\ \underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(3\right)*e_t\left(1\right)& \underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(3\right)*e_t\left(2\right)& \underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(3\right)*e_t\left(3\right)\end{array}\right]$

在组合需求预测模型中，待求的是权重向量W＝(w(1)，w(2)，w(3))^T，权重向量W^*的计算公式为

W^*＝(E^-1R)/(R^TE^-1R)。

所述的步骤7)中的组合需求预测模型为M(1)^*w(1)+M(2)^*w(2)+M(3)^*w(3)，其中M(1)、M(2)、M(3)分别表示ARMA方法、多元线性回归方法和BP神经网络方法，w(1)、w(2)、w(3)分别表示对应三种方法的权重。

与现有技术相比，本发明将ARMA方法、多元线性回归方法和BP神经网络方法进行有机结合，并可以实现三种预测方法的自动组合，从而不需为每种类型的零配件挑选合适的预测方法，便可以对具有不同特征的零配件实现需求的准确预测。由于不依赖于管理者的经验，因而客观性强，预测精度高，且在一定服务水平的前提下大幅度降低库存成本，提高供应链管理效率和客户满意度。

附图说明

图1为本发明的流程示意图；

图2为本发明的硬件结构示意图。

图2中1为第一客户端、2为第二客户端、3为第三客户端、4为第一应用服务器、5为第二应用服务器、6为数据存储服务器、7为第三应用服务器、8为备份服务器。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

一种应用于库存管理的零配件组合需求预测信息处理方法，该方法能够准确预测不同类型汽车零配件的需求，合理控制库存中的不同汽车零配件产品量，较少库存成本，提高订单满足率。

如图2所示，第二客户端2：由多台PC或手提电脑组成，可以是通用的计算机，也可以是限定终端专用的计算机；第二客户端2的使用者为各级经销商和零售商；第二客户端2通过VPN与第一应用服务器4连接；第二客户端2向第一应用服务器4发送采购订单信息；

第三客户端3：由多台PC或手提电脑组成，可以是通用的计算机，也可以是限定终端专用的计算机；第三客户端3的使用者为企业内销售、财务管理人员；第三客户端3通过企业内部局域网与第一应用服务器4连接；

第一客户端1：由多台PC或手提电脑组成，可以是通用的计算机，也可以是限定终端专用的计算机；第一客户端1的使用者为采购、物流、库存管理人员；第一客户端1通过企业内部局域网与第三应用服务器5相连；

第一应用服务器4：2-4个至强处理器(CPU)，内存4GB以上，10M以上独享带宽；第一应用服务器4接受来自第二客户端2的各级经销商和零售商的采购订单信息，来自第三客户端3的采购订单审核信息、采购订单确认信息、采购订单修改信息和货款到账信息，来自第三应用服务器5的不同零配件当前库存余量和分布状况；第一应用服务器4向第三应用服务器5发送发货指令，向数据存储服务器发送销售订单信息；

数据存储服务器6：1个至强处理器(CPU)，内存1GB以上，3个或3个以上SCSI硬盘组成RAID5磁盘阵列；数据存储服务器的数据库采用SQL server 2000；数据存储服务器接受来自第一应用服务器4的所有产品的销售订单信息；数据存储服务器向第二应用服务器7发送其所需的历史销售订单信息；

第二应用服务器7：2-4个至强处理器(CPU)，内存4GB以上；第二应用服务器7根据数据存储服务器中存储的历史销售订单信息，实现不同零配件需求的预测；

第三应用服务器5：2-4个至强处理器(CPU)，内存4GB以上；第三应用服务器5接受来自第一应用服务器4的发货指令，来自第二应用服务器7的不同零配件的预测需求，来自第一客户端1的不同零配件的库存信息；第三应用服务器5向第一应用服务器4发送发货完成信息、所有零配件当前库存余量和分布状况，向第三客户端1的仓库管理人员发送发货指令，向第一客户端1的采购人员发送零配件采购指令；

第四应用服务器4中运行客户管理和订单管理流程。

客户管理方法对各级经销商和零售商进行管理，管理各级经销商和零售商的企业基本资料、采购人员信息、最小采购批量、采购周期、采购折扣等信息；

订单管理方法对各级经销商和零售商的采购订单进行管理，管理采购产品目录、采购产品批量、采购产品货款、不同零配件的当前库存量和出售价格，以决定接受、修改或取消订单；

订单管理的处理流程为：

(1)各级经销商和零售商通过第二客户端2递交不同零配件的采购订单；

(2)第一应用服务器4把各级经销商和零售商的采购订单信息汇总，并递交给销售人员，订单信息表如表1所示，表中DID表示订单编号、PID表示零配件编号、PD表示零配件名称；

(3)销售人员审核各级经销商和零售商的采购订单。根据不同零配件当前价格和第三应用服务器5提供的当前库存量，销售人员决定是否接受订单。如果接受订单，则向各级经销商和零售商发送订单确认和支付货款通知，向财务人员发送收款通知，进入第(5)步；如果不接受订单，则向经销商或零售商发送订单修改通知，进入第(4)步；

(4)各级经销商和零售商收到订单修改通知后可选择修改订单或取消订单。如果是修改订单，则把修改后的订单作为新的订单进行递交，返回到第(1)步；如果是取消订单，则结束此次订购流程；

(5)各级经销商和零售商通过现金、网上支付、邮局汇款或是银行电汇等方式支付货款，财务管理人员查收货款后通过第一应用服务器4向销售人员发送收款确认信息，销售人员向物流管理人员发送订单信息，物流管理人员根据订单信息和仓库中零配件分布的情况，通过第三应用服务器5向对应区域的仓库管理人员发送发货指令、向运输人员发送运输指令；

(6)仓库管理人员拣货、备货后，运输人员把零配件运往各级经销商和零售商，同时把发货完成信息和不同零配件的发货后库存量和分布状况返回到第一应用服务器4，第一应用服务器4则把已完成的订单信息作为销售订单存储到数据存储服务器中。

表1订单信息表

DID

PID

PD

数量

单价

时间

客户

1

TG G05005B3

汽车水泵

30

120

2009.1.2

G021010

2

SV C43001A1

外球笼

50

110

2009.1.6

G030202

第二应用服务器7中处理组合需求预测流程。

组合需求预测主要功能包括销售订单数据预处理、单项预测方法选取、单项预测方法组合、需求预测。

(1)销售订单信息的预处理。对来自数据存储服务器的销售订单信息进行预处理，包括相同零配件销售量合并、预测时间段划分(应用企业以一个月为一个时间段)、预测时间段内零配件销售量合并等，形成可用于预测的销售数据，如表2所示。

(2)销售数据的划分：将零配件销售数据分成两部分，一部分称为方法学习数据，用于ARMA方法、多元线性回归方法和BP神经网络方法的学习，另一部分称为权重建立数据，用于得到三种方法的预测效果以计算其在预测预测方法中所占比重。假设某个汽车零配件需求实际数据记为Y_t，(t＝1，2，…，N，N+1，…，N+M)，N+M为销售数据总长度，则前N个数据为学习数据，后M个数据为权重建立数据，M＝[N/10]，[·]表示取整。

(3)选取一个零配件，先用方法学习数据(前N个数据)分别对ARMA方法、多元线性回归方法和BP神经网络方法进行训练，再用权重建立数据分别此三种方法进行测试。在测试中，分别用ARMA方法、多元线性回归方法和BP神经网络方法对N+1至N+M个月的需求进行预测，得到不同方法的预测相对误差，预测相对误差＝(预测销售值-真实销售值)/真实销售值；

(4)基于ARMA方法、多元线性回归方法和BP神经网络方法的预测相对误差，确定每种方法对应的权重W，预测相对误差越小则该方法的权重越大，所有方法的权重加和为1；

(5)将ARMA方法、多元线性回归方法和BP神经网络方法与对应权重进行组合，构建组合需求预测模型：M(1)^*w(1)+M(2)^*w(2)+M(3)^*w(3)，其中M(1)、M(2)、M(3)分别表示ARMA方法、多元线性回归方法和BP神经网络方法，w(1)、w(2)、w(3)分别表示各个方法的权重；

(6)使用第五步中建立的组合需求预测模型预测该零配件将来的销售需求；

(7)重复上述(3)-(6)步，直到为所有零配件需求预测完成。

其中，各个模型的权重确定方法如下：

在第三步中，不同方法测试得到的预测相对误差矩阵如公式(1)所示，其中e₁(1)表示ARMA方法在第N+1月的预测相对误差，e₁(2)表示多元线性回归方法在第N+1月的预测相对误差，e₁(3)表示BP神经网络方法在第N+1月的预测相对误差，e_M(1)表示ARMA方法在第N+M月的预测相对误差。

$e=\left[\begin{array}{cccc}{e}_1\left(1\right)& e_2\left(1\right)& ...& e_M\left(1\right)\\ e_1\left(2\right)& e_2\left(2\right)& ...& e_M\left(1\right)\\ e_2\left(3\right)& e_2\left(3\right)& ...& e_M\left(3\right)\end{array}\right]---\left(1\right)$

在组合需求预测模型中，待求的是权重向量W＝(w(1)，w(2)，w(3))^T，目标是使该模型从第N+1月至第N+M月预测相对误差的平方和最小，以使该模型具有较高的预测精度。因此，组合需求预测模型中权重的求解等价于求解规划问题(2)：

$\left\{\begin{array}{c}\min S=\underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t^2\\ s.t.R\·W=1\end{array}\right.,\mathrm{whereR}=\left[\begin{array}{ccc}1& 1& 1\end{array}\right]---\left(2\right)$

其中，S为组合需求预测模型M个月预测相对误差的平方和。该问题最优解表示为W^*，权重向量的计算公式为(3)：

W^*＝(E^-1R)/(R^TE^-1R)(3)

其中，E为3×3方阵，叫做预测误差信息矩阵，如公式(4)：

$E_{3\×3}=\left[\begin{array}{ccc}\underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(1\right)*e_t\left(1\right)& \underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(1\right)*e_t\left(2\right)& \underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(1\right)*e_t\left(3\right)\\ \underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(2\right)*e_t\left(1\right)& \underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(2\right)*e_t\left(2\right)& \underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(2\right)*e_t\left(3\right)\\ \underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(3\right)*e_t\left(1\right)& \underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(3\right)*e_t\left(2\right)& \underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(3\right)*e_t\left(3\right)\end{array}\right]---\left(4\right)$

第三应用服务器5中处理仓库管理和收货管理相关流程，主要功能包括发货指令接受、拣货、备货和发货、安全库存设定、库存预警、采购计划制定。

仓库管理的处理流程为：

(1)仓库管理人员接受来自第一应用服务器4的发货指令，根据零配件存放区域情况生成拣货单；

(2)根据拣货单规定的时间、零配件种类、数量、区域和条码号，操作人员采用叉车到各库位拣货，从库位取走物品前需扫描货物和库位的条码，记录货物的出库信息存入第三应用服务器5，将拣货取得的产品放至发货区的指定区域，等待核对；

(3)由出入库管理人员和承运商人员分别核对订单和实物；

(4)根据发货指令，运输车辆按时到达并把待发货物发送到指定的地址。

(5)发货完成后，仓库管理人员输入更新指令，方法更新仓库中零配件的库存量和分布状况，存储与第三应用服务器5中，并把这些更新信息发送给第一应用服务器4。库存信息表如表3所示，表中库存位置C1L3D5表示20个汽车水泵存放于C1货架第3层的D5区域内。

(6)从第二应用服务器7获取预测的销售量信息，并根据企业制定的服务水平确定各个零配件的安全库存量。

(7)对比更新后的零配件库存量和安全库存量。如果零配件当前库存量小于安全库存量，发出预警信息，通知管理人员采购不足的零配件，零配件采购量＝安全库存量-当前库存量；如果零配件当前库存量大于安全库存量，结束此流程。

(8)采购的零配件到达仓库，仓库管理人员接收零配件，扫描零配件的条码后入库。第一应用服务器4存储所采购零配件的产品信息和分布状况，更新所有零配件的库存余量和分布状况信息，并向第一应用服务器4发送这些信息。

表3库存信息表

PID	PD	库存位置	数量	时间
					TGG05005B3	汽车水泵	C1L3D5	20	2009.1.1
SVC43001A1	外球笼	C1L2D6	50	2009.1.1

收货管理的处理流程为：

(1)采购到货，货物堆放与仓库指定地点；

(2)拆开供应商的运输包装，核对送货单信息是否一致(避免出现多件、短缺、错件等情况)；

(3)质检，检查货物有无外观不良、尺寸超差、性能缺陷等问题，如果有问题，视情况采取让步接受、挑选、返工、退货、报废或索赔等措施；

(4)填写收货单，生成包装计划(包括包装用材物料计划、包装产品列表等信息)，运输车辆获出门单；

(5)向包装厂下达要货计划、根据包装计划打印包装派工单和货物存放单，凭包装派工单领配件包装材料，并打印标签和条码；

(6)领取包装材料后进行包装，包装过程中检验员凭包装派工单核对配件号码、包装数量、包装要求、包装材料号码、包装材料数量、包装外标签和条码，无误后方能包装，此外检验员需现场监督包装工按包装要求进行包装；

(7)包装抽检，配件包装完成后，检验员要进行抽检工作，抽查比例为10％，如有问题则需返工，如确认无误后可按检验章同意入库；

(8)入库，将包装好的货物按照货物存放单规定的区域入库，通过条码扫描将货物信息和库存位置存入电脑，更新所有零配件的库存余量和分布状况信息。

Claims (8)

1.一种应用于库存管理的零配件组合需求预测信息处理方法，其特征在于，该方法包括以下步骤：

1)从数据存储服务器提取历史销售订单信息；

2)对历史销售订单信息进行预处理，去除畸变数据；

3)取一部分历史销售数据作为方法学习数据，另一部分作为权重建立数据；

4)选取一个零配件，用其方法学习数据分别对ARMA方法、多元线性回归方法和BP神经网络方法进行训练；

5)用其权重建立数据分别对步骤4)中所述的三种方法进行训练，得到不同方法的预测相对误差值；

6)根据不同方法的预测相对误差值，计算得到各方法的权重；

7)将步骤4)中所述的三种方法与其对应权重进行组合，构建组合需求预测模型；

8)预测该零配件将来的销售需求；

9)判断预测是否结束，如果判断为是则结束，否则返回步骤4)。

2.根据权利要求1所述的一种应用于库存管理的零配件组合需求预测信息处理方法，其特征在于，所述的步骤2)中的对历史销售订单信息进行预处理包括相同零配件销售量合并、预测时间段划分、预测时间段内零配件销售量合并。

3.根据权利要求2所述的一种应用于库存管理的零配件组合需求预测信息处理方法，其特征在于，所述的预测时间段为以一个月为一个时间段。

4.根据权利要求1所述的一种应用于库存管理的零配件组合需求预测信息处理方法，其特征在于，所述的方法学习数据为销售数据的A部分，用于ARMA方法、多元线性回归方法和BP神经网络方法的学习；所述的权重建立数据为销售数据的B部分，用于得到三种方法的预测效果以计算其在预测方法中所占比重。

5.根据权利要求4所述的一种应用于库存管理的零配件组合需求预测信息处理方法，其特征在于，所述的A部分与B部分之和为整个销售数据总和。

6.根据权利要求1所述的一种应用于库存管理的零配件组合需求预测信息处理方法，其特征在于，所述的步骤5)中的预测相对误差值＝(预测销售值-真实销售值)/真实销售值。

7.根据权利要求1所述的一种应用于库存管理的零配件组合需求预测信息处理方法，其特征在于，所述的步骤6)中的计算得到各方法的权重，具体的计算方法为：

用步骤5)中得到的数据建立如下矩阵

$e=\left[\begin{array}{cccc}{e}_1\left(1\right)& e_2\left(1\right)& ...& e_M\left(1\right)\\ e_1\left(2\right)& e_2\left(2\right)& ...& e_M\left(2\right)\\ e_1\left(3\right)& e_2\left(3\right)& ...& e_M\left(3\right)\end{array}\right]$

其中e₁(1)表示ARMA方法在第1月的预测相对误差，e₁(2)表示多元线性回归方法在第1月的预测相对误差，e₁(3)表示BP神经网络方法在第1月的预测相对误差，e_M(1)表示ARMA方法在第M月的预测相对误差。

计算预测误差信息矩阵

$E_{3\×3}=\left[\begin{array}{ccc}\underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(1\right)*e_t\left(1\right)& \underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(1\right)*e_t\left(2\right)& \underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(1\right)*e_t\left(3\right)\\ \underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(2\right)*e_t\left(1\right)& \underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(2\right)*e_t\left(2\right)& \underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(2\right)*e_t\left(3\right)\\ \underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(3\right)*e_t\left(1\right)& \underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(3\right)*e_t\left(2\right)& \underset{t=1}{\overset{M}{\mathrm{\Σ}}}{e}_t\left(3\right)*e_t\left(3\right)\end{array}\right]$

在组合需求预测模型中，待求的是权重向量W＝(w(1)，w(2)，w(3))^T，权重向量W^*的计算公式为

W^*＝(E^-1R)/(R^TE^-1R)

8.根据权利要求1所述的一种应用于库存管理的零配件组合需求预测信息处理方法，其特征在于，所述的步骤7)中的组合需求预测模型为M(1)^*w(1)+M(2)^*w(2)+M(3)^*w(3)，其中M(1)、M(2)、M(3)分别表示ARMA方法、多元线性回归方法和BP神经网络方法，w(1)、w(2)、w(3)分别表示对应三种方法的权重。

Images