CN107122939B - 一种入库量和出库量的联合预测方法 - Google Patents
一种入库量和出库量的联合预测方法 Download PDFInfo
- Publication number
- CN107122939B CN107122939B CN201710294893.9A CN201710294893A CN107122939B CN 107122939 B CN107122939 B CN 107122939B CN 201710294893 A CN201710294893 A CN 201710294893A CN 107122939 B CN107122939 B CN 107122939B
- Authority
- CN
- China
- Prior art keywords
- warehousing
- prediction
- warehouse
- model
- time series
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Business, Economics & Management (AREA)
- Economics (AREA)
- Engineering & Computer Science (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Accounting & Taxation (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种入库量和出库量的联合预测方法,涉及库存管理。通过建立一个基于多时间序列数据预测的预测模型,并将其应用到库存管理领域,可以在满足出库与出库两类型时间序列的依赖关系情况下,同时实现高精度的预测结果。获取预定时间段内的入库量和出库量时间序列数据,并对这两类型时间序列数据进行数据清洗;利用数据挖掘技术建立时间序列预测模型;考虑到库存中的入库量和出库量均相互依赖的背景知识,将入库量和出库量时间序列数据的相互依赖关系建立模型;将相互依赖关系建立模型应用于库存预测中,即把库存预测的要求建立到约束下,获得最终预测结果。
Description
技术领域
本发明涉及库存管理,尤其是涉及基于数据挖掘技术的一种入库量和出库量的联合预测方法。
背景技术
库存管理是有效地监控现有库存的流入和流出货物波动的一般过程[1]。这一过程一般包含了两种类型操作:(1)把货物搬进仓库以保证销售的顺畅(又名入库);(2)从仓库中交出货物用于销售(又名出库)。这两种类型操作会产生两种类型的时间序列数据,每一个代表随时间而变化的相应的操作量。实现良好的库存管理,即力图在控制每一种操作的消耗和维持库存状态。
在现有的库存管理系统[2]中,通常是单独预测入库量和出库量。它被视为一个单一的时间序列预测,忽略了入库量和出库量之间的关系。在实践中,在一个库存中的入库和出库量均相互依赖。在同一件货物或者一段时间内,出库的数量往往受到入库数量的限制,也就是说,为了预防货物无现货,出库往往少于入库。另外,为了避免供过于求的情况,入库计划依赖于历史出库情况[3]。因此,针对于库存管理的特性,入库和出库两个时间序列承担着一定的相互依赖关系。
在数据挖掘的研究中,时间序列预测问题得到了很好的探索[4,5,6]。然而,很少有研究聚焦于这一方面——预测相关的时间序列数据集合的运动。
参考文献:
[1]Zipkin P H.Foundations of inventory management[M].New York:McGraw-Hill,2000.
[2]Li L,Shen C,Wang L,et al.iMiner:Mining Inventory Data forIntelligent Management[C]//Proceedings of the 23rd ACM,InternationalConference on Conference on Information and Knowledge Management.ACM,2014:2057-2059.
[3]Scarf H.The optimality of(5,5)policies in the dynamic inventoryproblem[J].1959.
[4]Weigend A S.Time series prediction:forescasting the future andunderstanding the past[M].1994.
[5]Van Gestel T,Suykens J A K,Baestaens D E,et al.Financial timeseries prediction using least squares support vector,machines within theevidence framework[J].Neural Networks,IEEE Transactions on,2001,12(4):809-821.
[6]Taylor S J.Modelling financial time series[J].2007.
发明内容
本发明的目的在于提供基于数据挖掘技术的一种入库量和出库量的联合预测方法。
本发明通过建立一个基于多时间序列数据预测的预测模型,并将其应用到库存管理领域,可以在满足出库与出库两类型时间序列的依赖关系情况下,同时实现高精度的预测结果。
本发明包括以下步骤:
1)获取预定时间段内的入库量和出库量时间序列数据,并对这两类型时间序列数据进行数据清洗;
2)利用数据挖掘技术建立时间序列预测模型;
3)考虑到库存中的入库量和出库量均相互依赖的背景知识,将入库量和出库量时间序列数据的相互依赖关系建立模型;
4)将步骤3)相互依赖关系建立模型应用于库存预测中,即把库存预测的要求建立到约束下,获得最终预测结果。
在步骤1)中,所述获取预定时间段内的入库量和出库量时间序列数据,并对这两类型时间序列数据进行数据清洗的具体方法可为:以特定周期(如周,月,季度等)为时间粒度来获取特定商品的入库量和出库量时间序列数据,N个周期的时间序列数据分别表示为{xi1,yi1}stock in和{xi2,yi2}stock out(i=1,2,...,N)。
在步骤2)中,所述利用数据挖掘技术建立时间序列预测模型的具体方法可为:利用数据挖掘技术建立时间序列预测模型,入库量和出库量预测模型分别为f1(·)和f2(·)。
在步骤3)中,所述考虑到库存中的入库量和出库量均相互依赖的背景知识,将入库量和出库量时间序列数据的相互依赖关系建立模型的具体方法可为:考虑到库存中的入库量和出库量均相互依赖的背景知识,如(1)入库总额往往大于出库总额,以避免供不应求;(2)入库\出库总额又尽可能接近,以避免供过于求;(3)入库和出库总额受到客观条件的限制等;将相互依赖关系建立数学模型,如ηi≤f1(xi1)-f2(xi2)≤ζi,ηi,ζi≥0,其中f1(xi1)和f2(xi2)分别表示入库量和出库量的预测值,ηi和ζi为约束常量。
在步骤4)中,所述将步骤3)相互依赖关系建立模型应用于库存预测中的具体方法可为:把库存预测的要求建立到约束下,在这些约束的条件下获得最终预测结果;建立预测的目标函数如下:
其中,L(·)为惩罚函数,常用的有平均绝对误差(MAE),平均平方误差(MSE),平均绝对值误差百分比(MAPE),γ为正则化参数,其作用是权衡训练误差和模型复杂度,||f1||2,||f2||2为入库和出库预测模型的2范数,作用是衡量模型的复杂度。
本发明提出了一个多时间序列数据预测的预测模型,并将其应用到库存管理领域。多时间序列之间的关系被建模为一类约束,在这些约束的条件下获得最终预测结果。
本发明的有益效果是:充分考虑库存管理的应用背景,将入库量和出库量时间序列数据间的相互依赖关系结合到预测模型中,可以获得更符合实际,同时达到高精度的预测结果。
附图说明
图1是本发明实施例1中的一种产品入库量和出库量的联合预测方法采用非线性预测模型下,原始数据图(曲线a为入库量;曲线b为出库量)。
图2是本发明实施例1中的一种产品入库量和出库量的联合预测方法采用非线性预测模型下,预测结果图(曲线a为入库量;曲线b为出库量)。
图3是不考虑背景知识约束下采用非线性预测模型SVR的预测结果1(曲线a为入库量;曲线b为出库量)。
图4是不考虑背景知识约束下采用非线性预测模型SVR的预测结果2(曲线a为入库量;曲线b为出库量)。
具体实施方式
下面对本发明的实施例进行详细说明。
本发明提供的一种基于数据挖掘技术的入库量和出库量的联合预测方法的流程图,该方法包括;
步骤一:获取预定时间段内的入库量和出库量时间序列数据,并对这两类型时间序列数据进行数据清洗;
步骤二:利用数据挖掘技术建立时间序列预测模型;
步骤三:考虑到库存中的入库和出库量均相互依赖的背景知识,将入库量和出库量时间序列数据的相互依赖关系建立模型;
步骤四:把上述建立的关系依赖模型应用于库存预测中,即把库存预测的要求建立到约束下,在这些约束的条件下获得最终预测结果。
下面结合一个具体实施例对本发明进行具体描述。
步骤一:获取预定时间段内的入库量和出库量时间序列数据,并对这两类型时间序列数据进行数据清洗;
给定一个时间序列T,可以提取从T中提取连续的样本。假设有m个样本样本独立同分布,以未知的概率P分布。输入空间X和输出空间Y落在实数空间R中,其中X是典型的Rd的子集,例如,在d维欧氏空间;Y是R的子集。在时间序列预测的设置问题中,Y可以作为时间序列T的真实值。
以一周为时间粒度来获取特定商品的入库量和出库量时间序列数据,N个周期的时间序列数据分别表示为{xi1,yi1}stock in和{xi2,yi2}stock out(i=1,2,...,N)。
步骤二:利用数据挖掘技术建立时间序列预测模型,入库量和出库量预测模型分别为f1(·)和f2(·)。
若采用线性预测模型,则数学模型为:
其中ωl为时间序列数据的权向量,fl(xil)为预测值。
若采用非线性预测模型,以支持向量机回归模型为例,则数学模型为:
其中,||ωl||为权向量的模,即ωl=(ωl·ωl)1/2。γil为松弛变量,希望其值尽可能小。Cl为常数,来权衡分类误差和泛化误差。Φ(xil)表示将数据映射到高维空间,从而解决原始空间中先行不可分的问题,通常采用核函数来实现。
步骤三:考虑到库存中的入库和出库量均相互依赖的背景知识,将入库量和出库量时间序列数据的相互依赖关系建立模型;
入库和出库量均相互依赖的背景知识,如1)入库总额往往大于出库总额,以避免供不应求;2)入库\出库总额又尽可能接近,以避免供过于求;3)入库和出库总额受到客观条件的限制等。将上述相互依赖关系建立数学模型如下:
ηi≤f1(xi1)-f2(xi2)≤ζi,ηi,ζi≥0 (3)
其中f1(xi1)和f2(xi2)分别表示入库量和出库量的预测值,ηi和ζi为约束常量。
步骤四:把入库和出库量两种类型时间序列数据的关系依赖模型应用于库存预测中,即把库存预测的要求建立到约束下,在这些约束的条件下获得最终预测结果。建立预测的目标函数如下:
其中,L(·)为惩罚函数,常用的有平均绝对误差(MAE),平均平方误差(MSE),平均绝对值误差百分比(MAPE)。γ为正则化参数,其作用是权衡训练误差和模型复杂度。||f1||2,||f2||2为入库和出库预测模型的2范数,作用是衡量模型的复杂度。
结合上述预测模型,结合公式(4),可将问题转化为二次规划问题来对模型参数寻优。
转化为二次规划问题来对模型参数寻优,标准的二次规划形式如下:
其中ω是预测模型的n维列向量,H是Hesse矩阵(n阶对称矩阵),c是n维列向量,A是m×n矩阵,b是m维列向量。
由此,确定各个对应参数如下:
如表1所示,本发明提供的一种基于数据挖掘技术的入库量和出库量的联合预测方法采用线性预测模型下,与传统方法的评价指标对比结果。其中Joint表示本发明提供的方法,Single表示不考虑背景知识约束下线性预测方法,Moving表示不考虑背景知识约束下平均移动模型预测方法。表1中采用MAE,MSE,MAPE三个指标来评价预测效果。可以看出本发明提供的一种基于数据挖掘技术的入库量和出库量的联合预测方法得到了最好的预测结果。
表1入库量和出库量的联合预测方法与传统方法预测结果对比
如图1~4所示,本发明提供的一种基于数据挖掘技术的入库量和出库量的联合预测方法采用非线性预测模型SVR下,与传统方法的对比效果图。其中图1表示原始数据,图2表示本专利提供的方法用非线性预测模型SVR的预测结果可以看出,图3和图4表示不考虑背景知识约束下采用非线性预测模型SVR的预测结果。可以看出本发明提供的一种基于数据挖掘技术的入库量和出库量的联合预测方法可以获得更符合实际,同时达到高精度的预测结果。
本发明的有益效果是:充分考虑库存管理的应用背景,将入库量和出库量时间序列数据间的相互依赖关系结合到预测模型中,可以获得更符合实际,同时达到高精度的预测结果。
Claims (1)
1.一种入库量和出库量的联合预测方法,其特征在于包括以下步骤:
1)获取预定时间段内的入库量和出库量时间序列数据,具体方法为:以特定周期为时间粒度来获取特定商品的入库量和出库量时间序列数据,N个周期的时间序列数据分别表示为{xi1,yi1}stock in和{xi2,yi2}stock out(i=1,2,...,N);
2)利用数据挖掘技术建立时间序列预测模型,具体方法为:利用数据挖掘技术建立时间序列预测模型,入库量和出库量预测模型分别为f1(·)和f2(·);
3)考虑到库存中的入库量和出库量均相互依赖的背景知识,将入库量和出库量时间序列数据的相互依赖关系建立模型,具体方法为:
(1)入库总额往往大于出库总额,以避免供不应求;
(2)入库和出库总额又尽可能接近,以避免供过于求;
(3)入库和出库总额受到客观条件的限制;将相互依赖关系建立数学模型,ηi≤f1(xi1)-f2(xi2)≤ζi,ηi,ζi≥0,其中f1(xi1)和f2(xi2)分别表示入库量和出库量的预测值,ηi和ζi为约束常量;
4)将步骤3)相互依赖关系建立模型应用于库存预测中,即把库存预测的要求建立到约束下,获得最终预测结果;
所述将步骤3)相互依赖关系建立模型应用于库存预测中的具体方法为:把库存预测的要求建立到约束下,在这些约束的条件下获得最终预测结果;建立预测的目标函数如下:
s.t,ηi≤f1(xi1)-f2(xi2)≤ζ,ηi,ζi≥0,
其中,L(·)为惩罚函数,常用的有平均绝对误差,平均平方误差,平均绝对值误差百分比,γ为正则化参数,其作用是权衡训练误差和模型复杂度,||f1||2,||f2||2为入库和出库预测模型的2范数,作用是衡量模型的复杂度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710294893.9A CN107122939B (zh) | 2017-04-28 | 2017-04-28 | 一种入库量和出库量的联合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710294893.9A CN107122939B (zh) | 2017-04-28 | 2017-04-28 | 一种入库量和出库量的联合预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107122939A CN107122939A (zh) | 2017-09-01 |
CN107122939B true CN107122939B (zh) | 2021-03-09 |
Family
ID=59725043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710294893.9A Active CN107122939B (zh) | 2017-04-28 | 2017-04-28 | 一种入库量和出库量的联合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107122939B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840648B (zh) * | 2017-11-27 | 2021-01-26 | 北京京东振世信息技术有限公司 | 用于输出储位信息的方法和装置 |
CN110619400A (zh) * | 2018-06-19 | 2019-12-27 | 北京京东振世信息技术有限公司 | 用于生成订单信息的方法和装置 |
CN109272276B (zh) * | 2018-09-29 | 2020-10-27 | 石化盈科信息技术有限责任公司 | 一种库存补货管理方法以及装置 |
CN110020825A (zh) * | 2019-04-13 | 2019-07-16 | 江苏润桐数据服务有限公司 | 一种材料进销管理方法和装置 |
CN114943422A (zh) * | 2022-04-26 | 2022-08-26 | 南通万天信息科技有限公司 | 一种纺织业仓库的智能管理方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102155938A (zh) * | 2011-04-07 | 2011-08-17 | 武汉大学 | 一种反推水库入库流量过程的测算方法 |
CN103473366A (zh) * | 2013-09-27 | 2013-12-25 | 浙江大学 | 一种多视角跨数据域图像内容识别的分类方法及装置 |
CN104660378A (zh) * | 2013-11-25 | 2015-05-27 | 上海益尚信息科技有限公司 | 新型基于酉空时编码的用于减少冗余长度信息数据处理方法 |
CN105139083A (zh) * | 2015-08-10 | 2015-12-09 | 石庆平 | 一种药物上市后安全性再评价的方法及其系统 |
CN106056239A (zh) * | 2016-05-24 | 2016-10-26 | 北京京东尚博广益投资管理有限公司 | 一种产品库存预测方法及装置 |
CN106192863A (zh) * | 2016-07-06 | 2016-12-07 | 贵州东方世纪科技股份有限公司 | 一种水电站装机容量及年发电量估算方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10521809B2 (en) * | 2015-03-04 | 2019-12-31 | Walmart Apollo, Llc | System and method for grouping time series data for forecasting purposes |
CN105184679A (zh) * | 2015-09-22 | 2015-12-23 | 国网山东省电力公司电力科学研究院 | 一种风电场功率多时间尺度联合预测方法 |
CN106026113A (zh) * | 2016-05-19 | 2016-10-12 | 成都欣维保科技有限责任公司 | 一种具有无功自动补偿的微电网系统的监控方法 |
CN106549421B (zh) * | 2016-11-24 | 2019-04-30 | 东南大学 | 一种水电与光电多目标优化设计与协调控制方法 |
-
2017
- 2017-04-28 CN CN201710294893.9A patent/CN107122939B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102155938A (zh) * | 2011-04-07 | 2011-08-17 | 武汉大学 | 一种反推水库入库流量过程的测算方法 |
CN102155938B (zh) * | 2011-04-07 | 2013-05-08 | 武汉大学 | 一种反推水库入库流量过程的测算方法 |
CN103473366A (zh) * | 2013-09-27 | 2013-12-25 | 浙江大学 | 一种多视角跨数据域图像内容识别的分类方法及装置 |
CN104660378A (zh) * | 2013-11-25 | 2015-05-27 | 上海益尚信息科技有限公司 | 新型基于酉空时编码的用于减少冗余长度信息数据处理方法 |
CN105139083A (zh) * | 2015-08-10 | 2015-12-09 | 石庆平 | 一种药物上市后安全性再评价的方法及其系统 |
CN106056239A (zh) * | 2016-05-24 | 2016-10-26 | 北京京东尚博广益投资管理有限公司 | 一种产品库存预测方法及装置 |
CN106192863A (zh) * | 2016-07-06 | 2016-12-07 | 贵州东方世纪科技股份有限公司 | 一种水电站装机容量及年发电量估算方法 |
Non-Patent Citations (2)
Title |
---|
基于联合预测的林产品库存补充模型研究;颜浩龙 等;《中南林业科技大学学报》;20080215;149-152 * |
多元时间序列的子空间回声状态网络预测模型;韩敏 等;《计算机学报》;20141115;第37卷(第11期);2268-2275 * |
Also Published As
Publication number | Publication date |
---|---|
CN107122939A (zh) | 2017-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107122939B (zh) | 一种入库量和出库量的联合预测方法 | |
Priore et al. | Applying machine learning to the dynamic selection of replenishment policies in fast-changing supply chain environments | |
Xia et al. | A seasonal discrete grey forecasting model for fashion retailing | |
Xu et al. | Management and optimisation of chaotic supply chain system using adaptive sliding mode control algorithm | |
US20180330282A1 (en) | Optimizing Data-to-Learning-to-Action | |
US10740773B2 (en) | Systems and methods of utilizing multiple forecast models in forecasting customer demands for products at retail facilities | |
Peng et al. | Deep reinforcement learning approach for capacitated supply chain optimization under demand uncertainty | |
Cui et al. | Medium-term planning of a multiproduct batch plant under evolving multi-period multi-uncertainty by means of a moving horizon strategy | |
Feng et al. | An improved production planning method for process industries | |
Doganis et al. | A combined model predictive control and time series forecasting framework for production-inventory systems | |
Efat et al. | Deep-learning model using hybrid adaptive trend estimated series for modelling and forecasting sales | |
Melamed et al. | On the average performance of the adjustable RO and its use as an offline tool for multi-period production planning under uncertainty | |
Sabbaghnia et al. | Reducing the Bullwhip effect in a supply chain network by application of optimal control theory | |
Wang et al. | A neuro-fuzzy based forecasting approach for rush order control applications | |
Pour et al. | Economic reliability-aware MPC-LPV for operational management of flow-based water networks including chance-constraints programming | |
Machani et al. | A variable neighbourhood search for integrated production and preventive maintenance planning in multi-state systems | |
Rabelo et al. | Using system dynamics, neural nets, and eigenvalues to analyse supply chain behaviour. A case study | |
Dodin et al. | Bombardier aftermarket demand forecast with machine learning | |
Schuh et al. | Using prescriptive analytics to support the continuous improvement process | |
Oroojlooyjadid et al. | Stock-out prediction in multi-echelon networks | |
Xu et al. | A neural network-based ensemble prediction using PMRS and ECM | |
Norouzi | The effect of forecast evolution on production planning with resources subject to congestion | |
Romero-Gelvez et al. | Demand forecasting and material requirement planning optimization using open source tools | |
Rajchakit | A New Method for Forecasting via FeedbackControl Theory | |
Cheng et al. | Inventory demand forecast based on gray correlation analysis and time series neural network hybrid model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |