CN106056239B - 一种产品库存预测方法及装置 - Google Patents

一种产品库存预测方法及装置 Download PDF

Info

Publication number
CN106056239B
CN106056239B CN201610349331.5A CN201610349331A CN106056239B CN 106056239 B CN106056239 B CN 106056239B CN 201610349331 A CN201610349331 A CN 201610349331A CN 106056239 B CN106056239 B CN 106056239B
Authority
CN
China
Prior art keywords
inventory
data
point
value
initial
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.)
Active
Application number
CN201610349331.5A
Other languages
English (en)
Other versions
CN106056239A (zh
Inventor
范叶亮
杜强
周锋
卢周
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jingdong Technology Holding Co Ltd
Original Assignee
Beijing Jingdong Financial Technology Holding Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Financial Technology Holding Co Ltd filed Critical Beijing Jingdong Financial Technology Holding Co Ltd
Priority to CN201610349331.5A priority Critical patent/CN106056239B/zh
Publication of CN106056239A publication Critical patent/CN106056239A/zh
Application granted granted Critical
Publication of CN106056239B publication Critical patent/CN106056239B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation, e.g. linear programming, "travelling salesman problem" or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/08Logistics, e.g. warehousing, loading, distribution or shipping; Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G06Q10/087Inventory or stock management, e.g. order filling, procurement, balancing against orders
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/28Logistics, e.g. warehousing, loading, distribution or shipping

Abstract

本发明提供一种产品库存预测方法及装置,该方法包括:获取的预设时间段的库存时间序列数据,并对库存时间序列数据进行数据清洗;通过识别插值点,利用插值法对库存时间序列数据进行分解,以得到对应的IMF分量和残差;利用时间序列模型对这些IMF分量和残差进行预测得到对应的预测值,合并这些预测值得到初始库存量预测值;对初始库存量预测值进行修正处理得到最终库存量预测值。通过本发明提供的种产品库存预测方法及装置,可以得到更加精确的预测结果。

Description

一种产品库存预测方法及装置
技术领域
本发明涉及计算机软件领域,具体涉及一种产品库存预测方法及装置。
背景技术
随着科技的不断进步,产品的生命周期越来越短,尤其是电子类产品。不同于其他产品,短生命周期产品的生命周期大多从几个月到三年之间。短生命周期产品作为一类特殊的产品具有自己的特征,例如缺乏历史数据,市场需求波动较大和具有季节性等。为了企业的正常销售,企业需要维持一定量的库存,但企业往往难以掌控合适的库存数量。如果产品库存量较小,极易出现产品无法满足市场的情况,影响了企业的正常销售业绩;如果产品库存量较大,在产品的销售后期极易出现产品需求量迅速下滑的情况,使得企业积累过剩的库存,增加了企业的库存成本。如果在产品已经退出市场之后仍然剩余大量库存,那么企业将面临由于备件无处使用而导致更多的损失的情况。通过上述描述可知,准确地预测产品的库存量对于企业来说具有至关重要的意义。
时间序列模型是根据系统观测得到的时间序列数据,通过曲线拟合和参数估计来建立数学模型的理论和方法。它一般采用曲线拟合和参数估计方法(如非线性最小二乘法)进行。时间序列分析常用在国民经济宏观控制、区域综合发展规划、企业经营管理、市场潜量预测、气象预报、水文预报、地震前兆预报、农作物病虫灾害预报、环境污染控制、生态平衡、天文学和海洋学等方面。对于预测产品的库存量,现有技术中的预测方法是利用时间序列模型例如二次指数平滑(Double Exponential Smoothing,DES)或ARIMA(Autoregressive Integrated Moving Average)处理时间序列信号,但是DES和ARIMA两种方法仅适用于处理平稳信号,对于随机波动较大的非线性、非平稳信号处理数据表现并不是很好。也就是说,传统的预测方法是建立在以平稳时间序列信号为的基础上进行的,而在实际应用场景中时间序列信号多为非平稳信号,因此直接套用传统的预测方法的预测效果较差。
针对现有技术中的问题,原始EEMD算法可以对非平稳信号进行分解,但是原始EEMD算法对插值点和插值方法的选择,导致容易出现“过冲”和“欠冲”的现象,从而对非平稳信号进行分解的效果不佳,进而影响预测结果的准确性。
发明内容
鉴于上述情况,本发明提出一种产品库存预测方法及装置,以解决原始EEMD算法出现的“过冲”和“欠冲”现象,提高最终预测的准确性。
本发明的技术方案是提供一种产品库存预测方法,该方法包括:获取的预设时间段的库存时间序列数据,并对库存时间序列数据进行数据清洗;通过识别插值点,利用插值法对所述库存时间序列数据进行分解,以得到对应的IMF分量和残差;利用时间序列模型对这些IMF分量和残差进行预测得到对应的预测值,合并这些预测值得到初始库存量预测值;对该初始库存量预测值进行修正处理得到最终库存量预测值。
可选地,对该库存时间序列数据进行数据清洗包括:如果该库存时间序列数据中的数据点那么将该数据点xi替换为 反之,则对该数据点不进行数据清洗;
其中,为xi前后3天库存量以及当日库存量的均值,为xi前后3天库存量共6天库存量的均值,σ为前后3天库存量共6天库存量的标准差。
可选地,这些插值点包括:局部最大值点和局部最小值点以及凸点。
可选地,识别该凸点的方法为:设pi是待检查点,pi-1和pi+1分别为点pi的前一个和后一个点,为由点pi指向点pi-1的单位向量,为由点pi指向点pi+1的单位向量;如果向量顺时针转到向量的角度在7π/6和3π/2之间,则pi为该凸点。
可选地,该插值法为分段三次Hermite插值法,该分段三次Hermite插值函数为:
其中,Ih(x)∈C1[a,b],其中C1[a,b]为在区间[a,b]上的连续可导函数集,Ih(xk)=fk,I’k(xk)=fk',其中k=0,1,...,n,Ih(x)在每段区间[xk,xk+1]上为三次多项式。
可选地,该时间序列模型为ARIMA(p,d,q)模型,该ARIMA(p,d,q)模型为:
其中,L为滞后算子,LiXt=Xt-i即LiXt表示第t-i天的库存量,φ为自回归参数,θ为滑动平均参数,d为差分次数,εt为白噪声。
可选地,合并这些预测值得到初始库存量预测值包括:通过对每个IMF分量和残差进行预测后得到对应的预测值,对每个预测值进行合并得到初始库存预测值,其中并且y表示初始库存预测值,yj表示对k个IMF分量和残差。
可选地,对该初始库存量预测值进行修正处理得到最终库存量预测值包括:将该初始库存量预测值中的负值替换为零值,并对该初始库存量预测值进行取整变换。
本发明还提供一种产品库存预测装置,该装置包括:数据获取和清洗模块,用于获取的预设时间段的库存时间序列数据,并对库存时间序列数据进行数据清洗;数据分解模块,用于通过识别插值点,利用插值法对所述库存时间序列数据进行分解,以得到对应的IMF分量和残差;数据预测模块,用于利用时间序列模型对这些IMF分量和残差进行预测得到对应的预测值,合并这些预测值得到初始库存量预测值;数据修正模块,用于对该初始库存量预测值进行修正处理得到最终库存量预测值。
可选地,该数据获取和清洗模块用于:
如果库存时间序列数据中的数据点那么将该数据点xi替换为 反之,则对该数据点不进行数据清洗;
其中,为xi前后3天库存量以及当日库存量的均值,为xi前后3天库存量共6天库存量的均值,σ为前后3天库存量共6天库存量的标准差。
可选地,这些插值点包括:局部最大值点和局部最小值点以及凸点。
可选地,该数据分解模块用于:设pi是待检查点,pi-1和pi+1分别为点pi的前一个和后一个点,为由点pi指向点pi-1的单位向量,为由点pi指向点pi+1的单位向量;如果向量顺时针转到向量的角度在7π/6和3π/2之间,则pi为凸点。
可选地,该插值法为分段三次Hermite插值法,该分段三次Hermite插值函数为:
其中,Ih(x)∈C1[a,b],其中C1[a,b]为在区间[a,b]上的连续可导函数集,Ih(xk)=fk,I’k(xk)=fk',其中k=0,1,...,n,Ih(x)在每段区间[xk,xk+1]上为三次多项式。
可选地,该时间序列模型为ARIMA(p,d,q)模型,该ARIMA(p,d,q)模型为:
其中,L为滞后算子,LiXt=Xt-i即LiXt表示第t-i天的库存量,φ为自回归参数,θ为滑动平均参数,d为差分次数,εt为白噪声。
可选地,该数据预测模块用于:通过对每个IMF分量和残差进行预测后得到对应的预测值,对每个预测值进行合并得到初始库存预测值,其中y表示初始库存预测值,yj表示对k个IMF分量和残差。
可选地,该数据修正模块用于:将初始库存量预测值中的负值替换为零值,并对初始库存量预测值进行取整变换。
通过本发明提供的种产品库存预测方法,可以对非平稳的信号分解得出相对平稳的IMF分量,相比原始的EEMD算法,能够有效解决现有技术中在包络线生成过程中的“过冲”和“欠冲”问题。此外,经由数据清洗、非平稳信号分解、平稳的IMF分量预测和预测合并以及预测后修正这一系列步骤可以得到更加精确的预测结果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为现有技术中利用原始的EEMD算法对非平稳信号进行分解出现的“过冲”和“欠冲”的问题;
图2为本发明一实施例中一种产品库存预测方法的流程图;
图3为本发明一实施例中对库存量数据进行清洗前后的对比效果图;
图4为本发明一实施例中根据插值点绘制的用于构造包络线的插值点;
图5为本发明一实施例中一种产品库存预测装置的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
本领域技术技术人员知道,本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
在本文中,需要理解的是,所涉及的术语中:
“欠冲”:指插值曲线向负方向过于弯曲(甚至当生成上包络线时,大部分插值曲线值小于原始曲线值);
“过冲”:指插值曲线向正方向过于弯曲(甚至当生成下包络线时,大部分插值曲线值大于原始曲线值);
上述两种现象均会导致插值曲线对于原始曲线包络的不紧密或上下包络线出现穿插等问题,具体请参考图1。
原始的EEMD算法是针对EMD方法的不足,提出了一种噪声辅助数据分析方法。其中,原始的EEMD分解原理为:当附加的白噪声均匀分布在整个时频空间时,该时频空间就由滤波器组分割成的不同尺度成分组成。
如图2所示,为本发明提供的一种产品库存预测方法的流程图,该方法包括:
步骤S101:获取的预设时间段的库存时间序列数据,并对库存时间序列数据进行数据清洗;
步骤S102:通过识别插值点,利用插值法对所述库存时间序列数据进行分解,以得到对应的IMF分量和残差;
步骤S103:利用时间序列模型对这些IMF分量和残差进行预测得到对应的预测值,合并这些预测值得到初始库存量预测值;
步骤S104:对该初始库存量预测值进行修正处理得到最终库存量预测值。
可选地,对库存时间序列数据进行数据清洗包括:如果库存时间序列数据中的数据点那么将该数据点xi替换为 反之,则对该数据点不进行数据清洗;
其中,为xi前后3天库存量以及当日库存量的均值,为xi前后3天库存量共6天库存量的均值,σ为前后3天库存量共6天库存量的标准差。
可选地,这些插值点包括:局部最大值点和局部最小值点以及凸点。
可选地,识别该凸点的方法为:设pi是待检查点,pi-1和pi+1分别为点pi的前一个和后一个点,为由点pi指向点pi-1的单位向量,为由点pi指向点pi+1的单位向量;如果向量顺时针转到向量的角度在7π/6和3π/2之间,则pi为凸点。
可选地,该插值法为分段三次Hermite插值法,该分段三次Hermite插值函数为:
其中,Ih(x)∈C1[a,b],其中C1[a,b]为在区间[a,b]上的连续可导函数集,Ih(xk)=fk,I’k(xk)=fk',其中k=0,1,...,n,Ih(x)在每段区间[xk,xk+1]上为三次多项式。
可选地,该时间序列模型为ARIMA(p,d,q)模型,该ARIMA(p,d,q)模型为:
其中,L为滞后算子,LiXt=Xt-i即LiXt表示第t-i天的库存量,φ为自回归参数,θ为滑动平均参数,d为差分次数,εt为白噪声,即利用ARIMA模型对Xt-i,Xt-i+1,Xt-1预测得到的t时刻的Xt
可选地,合并这些预测值得到初始库存量预测值包括:通过对每个IMF分量和残差进行预测后得到对应的预测值,对每个预测值进行合并得到初始库存预测值,其中y表示初始库存预测值,yj表示对k个IMF分量和残差。
可选地,对该初始库存量预测值进行修正处理得到最终库存量预测值包括:将该初始库存量预测值中的负值替换为零值,并对该初始库存量预测值进行取整变换。
下面结合一个具体实施例对本发明进行具体描述,然而值得注意的是该具体实施例仅是为了更好地描述本发明,并不构成对本发明的不当限定。
步骤S101:获取的预设时间段的库存时间序列数据,并对该库存时间序列数据进行数据清洗。
具体来说,在预测产品的库存量方面,用于预测的基础数据的准确性直接影响预测(计算)得到的数据的准确性。然而,由于采集的库存量数据都含有大量噪声,这些噪声的产生不可避免的因为错误的记录或者受其他特殊因素(例如电商在特定日期进行的商品促销等)。
对于库存量数据时间序列中的数据点xi,根据如下情况进行处理:
如果xi满足条件,则认为xi不是异常值,其中为xi前后3天库存量共6天库存量(不含当天库存量)的均值,σ为前后3天库存量共6天库存量的标准差;
否则,对xi做如下变化:
也就是说,将xi替换为其中,为xi前后3天库存量和当日库存量的均值。
特别的,在此之所以不使用替换xi是应为我们尽管需要平滑噪音点,但同时也要保留该点的部分增长或下降趋势。
如图3所示,为本发明一实施例中对库存量数据进行清洗前后的对比图。
步骤S102:通过识别插值点,利用插值法对所述库存时间序列数据进行分解,以得到对应的IMF分量和残差。
具体来说,S21:利用原始的EEMD算法中对原始库存数据时间序列x(t)添加均匀分布的白噪音ni(t),xi(t)为第i次被添加白噪音后的数据
xi(t)=x(t)+ni(t) (2)
S22:对清洗后的库存时间序列数据进行识别插值点,以用于生成上包络线和下包络线。该插值点包括:局部最大值点(以下简称极大值点)和局部最小值点(以下简称极小值点)以及凸点。由于识别极大值点和极小值点是现有技术,故在此不赘述,仅对识别凸点的方法进行详细描述。具体方法如下:
假设pi待检查是否符合凸点要求的点,pi-1和pi+1分别为点pi的前一个和后一个点。我们定义为由点pi指向点pi-1的单位向量,为由点pi指向点pi+1的单位向量。如果有向量顺时针转到向量的角度在7π/6和3π/2之间,则称pi为一个凸点。如图4所示,为本发明一实施例中,根据插值点绘制的用于构造包络线的插值点。
该步骤的目的是为了寻找到更多有利于分解时生成包络线的插值点,从而可以保证分解得到的平稳信号的IMF分量更加有利于后期处理(预测)。
S23:利用插值法生成这些插值点对应的上下包络线。
具体来说,本发明选择分段三次Hermite插值法替代三次样条插值法,分段三次Hermite插值函数具有如下特征:
A.Ih(x)∈C1[a,b],其中C1[a,b]为在区间[a,b]上的连续可导函数集。
B.Ih(xk)=fk,I’k(xk)=fk',其中k=0,1,...,n
C.Ih(x)在每段区间[xk,xk+1]上都是三次多项式。
因此,在两个插值点,即区间[xk,xk+1]上包络线Ih(x)的定义如下:
公式(3)中除了x以外其他未知数在区间[xk,xk+1]上都是常数,因此在任意两个插值点之间的插值曲线的值均可以利用上述公式(3)计算得出,最后的连接所有计算的出的点便可以得到最终的包络线。特别的,步骤S22中生成的极大值点和凸点,构成了用于生成上包络线的插值点结合Pu={x1,x2,...,xk},利用公式(3)和插值点生成上包络线Iu(x)。对于原始数据进行变换g(x)=-f(x),对g(x)利用步骤S22生成的极大值点和凸点,构成了对于g(x)而言的上包络线的插值点结合,即原始数据f(x)的下包络线的插值点集合,利用公式(3)和插值点生成下包络线Il(x)。
该步骤的目的是为了保证相邻两个插值点之间插值曲线为单调的,避免产生的曲线过于弯曲而导致的“欠冲”和“过冲”问题,从而可以保证分解得到的平稳信号的IMF分量以利于后期处理(预测)。
S24:利用原始EMD算法生成最终的IMF和残差,其中具体方法如下:
1.定义m1为第一次生成的上包络线和下包络线的均值,则第一个分量h1定义为:
h1(t)=x(t)-m1 (4)
其中x(t)为原始库存数据时间序列,t为时间天。
该步骤的目的是将两条包络线的均值(不平稳的部分)从原始库存量时间序列中去除。
2.检查h1是否是一个本征模函数(IMF)。
如果h1符合IMF的定义,则我们得到第一个IMF,如果h1不符合IMF的定义,则将h1作为原始数据重复步骤S22和S23,直至hi成为一个IMF。此外,还有另外一个停止准则,即如果sdi小于预设值,则停止循环,经最后的hi作为一个IMF,其中sdi定义为:
该步骤的目的是判断去除包络线均值后的数据是否满足“平稳信号”IMF的定义。
3.当第一个IMF的c1被找到后,我们将其从原始数据中移除:
x(t)=x(t)-c1 (6)
之后重复步骤S22至步骤S24-2,获取所有的IMF直到x(t)小于预设定的值或为一个单调函数。此时,我们称x(t)为残差r,此后我们不能够再得到其他的IMF。该步骤的目的是将寻找到满足“平稳信号”IMF定义的分量从原始库存量时间序列中去除,重复上述步骤知道分解出全部的“平稳信号”IMF分量x(t)和残差,x(t)为:
步骤S103:利用时间序列模型对该IMF分量进行预测得到对应的预测值,合并该预测值得到初始库存量预测值;
对每个IMF分量,利用ARIMA(p,d,q)模型对下一个时间点的值进行预测,ARIMA(p,d,q)模型定义如下:
其中L为滞后算子,LiXt=Xt-i即LiXt表示第t-i天的库存量,φ为自回归参数(即自回归部分所利用历史数据的天数),θ为滑动平均参数(即滑动平均部分所利用的历史数据的天数),d为差分次数。
此外,参数d为对时间序列的差分次数从而使得时间序列变得更加平稳,参数pq可以通过赤池信息量准则(Akaike Information Criterion,AIC)进行选择,其中AIC的定义如下:
AIC=2k-2ln(L) (9)
其中,k是模型参数的个数,L为模型的极大自然函数值。
通过对每个IMF分量进行预测后得到对应的预测值yi,对每个预测值进行合并得到初始的预测值y
步骤S104:对该初始库存量预测值进行修正处理得到最终库存量预测值。
具体来说,由于本发明提出的预测算法是针对商品的库存量,因此库存量数据为非负数整数,因此我们需要对库存量的预测值进行修正,即将负值替换为零值,并对所有的预测值进行取整变换,通过上述步骤就可以得到最终的库存量预测值。
如图5所示,为本发明提供的一种产品库存预测装置的结构图,该装置包括:
数据获取和清洗模块21,用于获取的预设时间段的库存时间序列数据,并对库存时间序列数据进行数据清洗;
数据分解模块22,用于通过识别插值点,利用插值法对所述库存时间序列数据进行分解,以得到对应的IMF分量和残差;
数据预测模块23,用于利用时间序列模型对这些IMF分量和残差进行预测得到对应的预测值,合并这些预测值得到初始库存量预测值;
数据修正模块24,用于对该初始库存量预测值进行修正处理得到最终库存量预测值。
可选地,该数据获取和清洗模块21用于:
如果该库存时间序列数据中的数据点那么将该数据点xi替换为 反之,则对该数据点不进行数据清洗;
其中,为xi前后3天库存量以及当日库存量的均值,为xi前后3天库存量共6天库存量的均值,σ为前后3天库存量共6天库存量的标准差。
可选地,这些插值点包括:局部最大值点和局部最小值点以及凸点。
可选地,该数据分解模块22用于:
设pi是待检查点,pi-1和pi+1分别为点pi的前一个和后一个点,为由点pi指向点pi-1的单位向量,为由点pi指向点pi+1的单位向量;
如果向量顺时针转到向量的角度在7π/6和3π/2之间,则pi为凸点。
可选地,该插值法为分段三次Hermite插值法,该分段三次Hermite插值函数为:
其中,Ih(x)∈C1[a,b],其中C1[a,b]为在区间[a,b]上的连续可导函数集,Ih(xk)=fk,I k(xk)=fk',其中k=0,1,...,n,Ih(x)在每段区间[xk,xk+1]上为三次多项式。
可选地,该时间序列模型为ARIMA(p,d,q)模型,该ARIMA(p,d,q)模型为:
其中,L为滞后算子,LiXt=Xt-i即LiXt表示第t-i天的库存量,φ为自回归参数,θ为滑动平均参数,d为差分次数,εt为白噪声,即利用ARIMA模型对Xt-i,Xt-i+1,Xt-1预测得到的t时刻的Xt
可选地,该数据预测模块23用于:通过对每个IMF分量和残差进行预测后得到对应的预测值,对每个预测值进行合并得到初始库存预测值,其中y表示初始库存预测值,yj表示对k个IMF分量和残差。
可选地,该数据修正模块24用于:将该初始库存量预测值中的负值替换为零值,并对该初始库存量预测值进行取整变换。
由于本发明提供的一种产品库存预测装置是上述方法对应的装置,故不在此赘述。
通过本发明可以对非平稳的信号分解得出相对平稳的IMF分量,相比原始的EEMD算法,能够有效解决现有技术中在包络线生成过程中的“过冲”和“欠冲”问题。此外,经由数据清洗、非平稳信号分解、平稳的IMF分量预测和预测合并以及预测后修正这一系列步骤可以得到更加精确的预测结果。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (10)

1.一种产品库存预测方法,其特征在于,所述方法包括:
获取的预设时间段的库存时间序列数据,并对所述库存时间序列数据进行数据清洗;
通过识别插值点,利用插值法对所述库存时间序列数据进行分解,以得到对应的IMF分量和残差;
利用时间序列模型对所述IMF分量和残差进行预测得到对应的预测值,合并所述预测值得到初始库存量预测值;
对所述初始库存量预测值进行修正处理得到最终库存量预测值;
其中,所述插值点包括:局部最大值点和局部最小值点以及凸点;
识别所述凸点的方法为:
设pi是待检查点,pi-1和pi+1分别为点pi的前一个和后一个点,为由点pi指向点pi-1的单位向量,为由点pi指向点pi+1的单位向量;
如果向量顺时针转到向量的角度在7π/6和3π/2之间,则pi为所述凸点;
所述插值法为分段三次Hermite插值法,所述分段三次Hermite插值函数为:
其中,Ih(x)∈C1[a,b],其中C1[a,b]为在区间[a,b]上的连续可导函数集,Ih(xk)=fk,I’h(xk)=f′k,其中k=0,1,...,n,Ih(x)在每段区间[xk,xk+1]上为三次多项式。
2.根据权利要求1所述的方法,其特征在于,对所述库存时间序列数据进行数据清洗包括:
如果所述库存时间序列数据中的数据点那么将所述数据点xi替换为反之,则对所述数据点不进行数据清洗;
其中,为xi前后3天库存量以及当日库存量的均值,为xi前后3天库存量共6天库存量的均值,σ为前后3天库存量共6天库存量的标准差。
3.根据权利要求1所述的方法,其特征在于,所述时间序列模型为ARIMA(p,d,q)模型,所述ARIMA(p,d,q)模型为:
其中,L为滞后算子,LiXt=Xt-i即LiXt表示第t-i天的库存量,φ为自回归参数,θ为滑动平均参数,d为差分次数,εt为白噪声。
4.根据权利要求3所述的方法,其特征在于,合并所述预测值得到初始库存量预测值包括:
通过对每个所述IMF分量和残差进行预测后得到对应的预测值,对每个所述预测值进行合并得到初始库存预测值,其中y表示初始库存预测值yj表示第j个IMF分量和残差。
5.根据权利要求1所述的方法,其特征在于,对所述初始库存量预测值进行修正处理得到最终库存量预测值包括:
将所述初始库存量预测值中的负值替换为零值,并对所述初始库存量预测值进行取整变换。
6.一种产品库存预测装置,其特征在于,所述装置包括:
数据获取和清洗模块,用于获取的预设时间段的库存时间序列数据,并对所述库存时间序列数据进行数据清洗;
数据分解模块,用于通过识别插值点,利用插值法对所述库存时间序列数据进行分解,以得到对应的IMF分量和残差;
数据预测模块,用于利用时间序列模型对所述IMF分量和残差进行预测得到对应的预测值,合并所述预测值得到初始库存量预测值;
数据修正模块,用于对所述初始库存量预测值进行修正处理得到最终库存量预测值;
其中,所述插值点包括:局部最大值点和局部最小值点以及凸点;
所述数据分解模块还用于:
设pi是待检查点,pi-1和pi+1分别为点pi的前一个和后一个点,为由点pi指向点pi-1的单位向量,为由点pi指向点pi+1的单位向量;
如果向量顺时针转到向量的角度在7π/6和3π/2之间,则pi为所述凸点;
所述插值法为分段三次Hermite插值法,所述分段三次Hermite插值函数为:
其中,Ih(x)∈C1[a,b],其中C1[a,b]为在区间[a,b]上的连续可导函数集,Ih(xk)=fk,I’h(xk)=f′k,其中k=0,1,...,n,Ih(x)在每段区间[xk,xk+1]上为三次多项式。
7.根据权利要求6所述的装置,其特征在于,所述数据获取和清洗模块用于:
如果所述库存时间序列数据中的数据点那么将所述数据点xi替换为反之,则对所述数据点不进行数据清洗;
其中,为xi前后3天库存量以及当日库存量的均值,为xi前后3天库存量共6天库存量的均值,σ为前后3天库存量共6天库存量的标准差。
8.根据权利要求6所述的装置,其特征在于,所述时间序列模型为ARIMA(p,d,q)模型,所述ARIMA(p,d,q)模型为:
其中,L为滞后算子,LiXt=Xt-i即LiXt表示第t-i天的库存量,φ为自回归参数,θ为滑动平均参数,d为差分次数,εt为白噪声。
9.根据权利要求8所述的装置,其特征在于,所述数据预测模块用于:
通过对每个所述IMF分量和残差进行预测后得到对应的预测值,对每个所述预测值进行合并得到初始库存预测值,其中y表示初始库存预测值,yj表示第j个IMF分量和残差。
10.根据权利要求6所述的装置,其特征在于,所述数据修正模块用于:
将所述初始库存量预测值中的负值替换为零值,并对所述初始库存量预测值进行取整变换。
CN201610349331.5A 2016-05-24 2016-05-24 一种产品库存预测方法及装置 Active CN106056239B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610349331.5A CN106056239B (zh) 2016-05-24 2016-05-24 一种产品库存预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610349331.5A CN106056239B (zh) 2016-05-24 2016-05-24 一种产品库存预测方法及装置

Publications (2)

Publication Number Publication Date
CN106056239A CN106056239A (zh) 2016-10-26
CN106056239B true CN106056239B (zh) 2020-06-05

Family

ID=57174199

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610349331.5A Active CN106056239B (zh) 2016-05-24 2016-05-24 一种产品库存预测方法及装置

Country Status (1)

Country Link
CN (1) CN106056239B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107122939B (zh) * 2017-04-28 2021-03-09 厦门大学 一种入库量和出库量的联合预测方法
CN107451687B (zh) * 2017-07-21 2020-11-24 上海杉互健康科技有限公司 一种试验消耗品自动补充库存的方法
CN108564404B (zh) * 2018-04-09 2021-10-15 北京搜狐新媒体信息技术有限公司 一种预测广告投资回报率的方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1480889A (zh) * 2002-08-06 2004-03-10 株式会社日立制作所 库存控制系统,库存控制方法及收费方法
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7778461B2 (en) * 2006-05-05 2010-08-17 New Jersey Institute Of Technology System and/or method for image tamper detection

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1480889A (zh) * 2002-08-06 2004-03-10 株式会社日立制作所 库存控制系统,库存控制方法及收费方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
改进的EMD及其在风电功率预测中的应用;王鹏等;《控制工程》;20110730;第18卷(第4期);全文 *

Also Published As

Publication number Publication date
CN106056239A (zh) 2016-10-26

Similar Documents

Publication Publication Date Title
Hassani et al. Forecasting accuracy evaluation of tourist arrivals
CN106056239B (zh) 一种产品库存预测方法及装置
JP5962190B2 (ja) 短期電力負荷を予測する方法及び装置
Huang et al. A hybrid model for carbon price forecasting using GARCH and long short-term memory network
Xiao et al. A new approach for stock price analysis and prediction based on SSA and SVM
CN107958297B (zh) 一种产品需求预测方法及产品需求预测装置
CN112785057A (zh) 基于指数平滑的件量预测方法、装置、设备及存储介质
Nguyen et al. Acquisition of new technology information for maintenance and replacement policies
Lee et al. Very short-Term wind power ensemble forecasting without numerical weather prediction through the predictor design
US20130317889A1 (en) Methods for assessing transition value and devices thereof
JP2014174728A (ja) コスト算出装置、コスト算出方法、及びプログラム
JP2017514240A (ja) リアル・タイム対話型予測
Tong et al. Forecasting field failure data for repairable systems using neural networks and SARIMA model
Ling et al. Maximum profit mining and its application in software development
US11048448B2 (en) Information processing apparatus and power estimation method
CN110689278A (zh) 一种钣金物料管理方法、系统、存储介质以及电子设备
CN108829718B (zh) 一种数据处理的方法和装置
Meller et al. Prescriptive analytics for inventory management: A comparison of new approaches
CN111738507A (zh) 银行清算头寸资金备付量预测方法和装置、设备及介质
CN111738504A (zh) 企业财务指标资金量预测方法和装置、设备及存储介质
JP2006331312A (ja) データ予測装置、データ予測プログラム
US20080167942A1 (en) Periodic revenue forecasting for multiple levels of an enterprise using data from multiple sources
US20210117995A1 (en) Proactively predicting transaction quantity based on sparse transaction data
CN109740766B (zh) 一种工业设备维护服务规划方法
CN109857911B (zh) 一种确定策略数据的方法、装置、可读介质及电子设备

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: Branch of Beijing economic and Technological Development Zone of Beijing City eleven street 101111 No. 18 floor 2 block C room 221

Applicant after: Beijing Jingdong Financial Technology Holding Co., Ltd.

Address before: Branch of Beijing economic and Technological Development Zone of Beijing City eleven street 101111 No. 18 floor 2 block C room 221

Applicant before: Beijing Jingdong Shangbo Guangyi Investment Management Co., Ltd.

COR Change of bibliographic data
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: 101111 Room 221, 2nd Floor, Block C, 18 Kechuang 11th Street, Beijing Economic and Technological Development Zone

Patentee after: JINGDONG DIGITAL TECHNOLOGY HOLDINGS Co.,Ltd.

Address before: 101111 Room 221, 2nd Floor, Block C, 18 Kechuang 11th Street, Beijing Economic and Technological Development Zone

Patentee before: BEIJING JINGDONG FINANCIAL TECHNOLOGY HOLDING Co.,Ltd.

Address after: 101111 Room 221, 2nd Floor, Block C, 18 Kechuang 11th Street, Beijing Economic and Technological Development Zone

Patentee after: Jingdong Technology Holding Co.,Ltd.

Address before: 101111 Room 221, 2nd Floor, Block C, 18 Kechuang 11th Street, Beijing Economic and Technological Development Zone

Patentee before: Jingdong Digital Technology Holding Co., Ltd

Address after: 101111 Room 221, 2nd Floor, Block C, 18 Kechuang 11th Street, Beijing Economic and Technological Development Zone

Patentee after: Jingdong Digital Technology Holding Co., Ltd

Address before: 101111 Room 221, 2nd Floor, Block C, 18 Kechuang 11th Street, Beijing Economic and Technological Development Zone

Patentee before: JINGDONG DIGITAL TECHNOLOGY HOLDINGS Co.,Ltd.

CP01 Change in the name or title of a patent holder