CN108805313A - 面向全球供应链的需求预测方法、装置、以及系统 - Google Patents

面向全球供应链的需求预测方法、装置、以及系统 Download PDF

Info

Publication number
CN108805313A
CN108805313A CN201710283431.7A CN201710283431A CN108805313A CN 108805313 A CN108805313 A CN 108805313A CN 201710283431 A CN201710283431 A CN 201710283431A CN 108805313 A CN108805313 A CN 108805313A
Authority
CN
China
Prior art keywords
neuron
neural network
demand
training model
new
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
Application number
CN201710283431.7A
Other languages
English (en)
Inventor
胡晓蕾
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.)
Hitachi Ltd
Original Assignee
Hitachi 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 Hitachi Ltd filed Critical Hitachi Ltd
Priority to CN201710283431.7A priority Critical patent/CN108805313A/zh
Publication of CN108805313A publication Critical patent/CN108805313A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Educational Administration (AREA)
  • Neurology (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Manufacturing & Machinery (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种面向全球供应链的需求预测方法、装置及系统。该方法包括决策树建立步骤、神经网络建立步骤、神经网络预测步骤、预测误差值计算步骤、神经元权重占比计算步骤、神经元剪枝步骤、以及未来需求预测步骤。本发明综合考虑了宏观因子与微观因子对于供应链的需求变化的影响下，基于决策树建立神经网络来预测基于供应链中历史需求下的未来的需求量，以此应用在供应链配置的优化决策中。此发明使建立网络更快捷更精准，且随着未来宏观因子和微观因子的不断变化，能更快地调整网络结构而达到理想的预测值，降低了网络建立的复杂度，使预测更高效更精准。

Description

面向全球供应链的需求预测方法、装置、以及系统
技术领域
本发明属于需求预测技术领域，具体地，涉及面向全球供应链的需求预测方法、装置、以及系统。
背景技术
随着中国经济的转型，特别是近些年国内的环境变化、宏观经济政策的改变、人民币升值、出口退税的降低、劳动力成本的变化等给传统的外向型企业带来了巨大的挑战。除了国内经济环境的改变，面对全球经济化的进程，中国制造企业参与国际竞争也面临全新的挑战。全球市场，作为一种新的市场格局，产品的生产地点已经不是最关心的问题，取而代之的是高质量低成本的标准，传统的生产和发展已经不能满足公司的国际化需求。企业要有全球竞争力，必须发展全球生产，重构在世界范围内的生产系统。对于一家需要在海外建厂生产的企业来说，在确定了生产的产品种类后首要问题是确定投资国。各国发展阶段不同，市场需求、资源条件、政治因素等不同，如何综合考虑影响国际生产的工厂选址决策因素，科学的进行海外工厂选址和规划，已成为近年研究的热点。
需求是牵动企业整个供应链系统的原动力。需求预测为企业提供了产品在未来的一段时间里的需求期望水平，为企业的计划和控制提供了依据，促进了企业生产、销售的良性运行。
按时间分类，需求预测可分为长期、中期、短期预测。长期预测是对5年或5年以上的需求前景的预测，是企业长期发展规划的依据。中期预测是指对一个季度以上两年以下的需求前景的预测，是制定年度生产计划、季度生产计划的依据。短期预测是对一个季度以下的需求前景的预测，是调整生产能力、采购、安排生产作业计划等具体生产经营活动的依据。按方法分类，需求预测分为定性预测方法和定量预测方法。定性预测方法也称为主观预测法，依靠人们的知识、远见和判断力来推测未来的变化。定量预测法即统计预测法，主要依据对历史数据的分析来推断未来的需要。
常用的定性方法有：德尔菲法、市场调查法、小组意见法、销售人员意见汇集法、历史类比法等。常用的定量预测方法有：移动平均法、指数平移法、Box-Jenkins法、回归模型、贝叶斯模型、时间序列分解法、神经网络等。
上述预测方法针对不同周期的需求预测，例如定性方法比较适用于中长期的需求预测，移动平均、指数平滑、回归模型等更多应用于短中期的需求预测。然而由于供应链的动态性和一些非系统性的知识缺乏，包括宏观经济的变动，销售计划的变动，劳动力成本的变动和竞争对手的商业策略等等，加之全球范围内工厂选址问题涉及到政治因素的稳定性等，常用的时间序列和线性的、非线性回归等预测模型难以解决这些问题，而具备自学习和自适应能力的神经网络具有很好的自调整功能，能够通过对供应链的市场历史数据的训练，适时的调整以上因子对于需求的影响，改善需求的准确性。神经网络的性能取决于网络的设计，一般情况下，网络规模小，归纳能力好，但逼近误差往往很差。网络规模大，逼近误差会很小，但归纳能力下降且运行时间长。
发明内容
本发明的目的是提供一种基于改进过的基于决策树的神经网络预测模型的面向全球供应链的需求预测方法、装置、设备、系统以及非易失性存储介质。本发明综合考虑了宏观因子与微观因子对于供应链的需求变化的影响下，基于决策树建立神经网络来预测基于供应链中历史需求下的未来的需求量，以此应用在供应链配置的优化决策中。此发明使建立网络更快捷更精准，且随着未来宏观因子和微观因子的不断变化，能更快地调整网络结构而达到理想的预测值，降低了网络建立的复杂度，使预测更高效更精准。
为达上述目的，根据本发明的一个方面，提供一种面向全球供应链的需求预测方法，包括：
决策树建立步骤，从与历史需求相关的历史数据中提取需求影响因子，并基于所述需求影响因子建立决策树；
神经网络建立步骤，将所述决策树映射至神经网络以建立神经网络训练模型；
神经网络预测步骤，基于所述历史需求，通过神经网络训练模型进行预测；
预测误差值计算步骤，计算通过神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；
神经元权重占比计算步骤，对于神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时则返回所述神经网络预测步骤，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；
神经元剪枝步骤，当各神经元中存在所述占比在标准差内的神经元时，则从神经网络训练模型中去除该神经元，之后返回所述神经网络预测步骤，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及
未来需求预测步骤，基于用于对未来需求进行预测的历史需求，利用神经网络训练模型作为预测模型来对未来需求进行预测。
本发明所提供的面向全球供应链的需求预测方法通过基于综合考虑了对于供应链的需求变化的影响的宏观因子和微观因子的决策树来建立神经网络，由此能建立出比较符合需求预测的本身的表达情况的需求预测模型，并且在对神经网络进行训练的过程中，通过去除对网络贡献度较低的神经元，能更快地调整网络结构而达到理想的预测值，降低网络建立的复杂度，提高网络性能，并且还能够保证预测精度。
根据如上所述的需求预测方法，在所述神经网络建立步骤中，所述神经网络的输入层的神经元的个数等于所述决策树中内部节点的个数，所述神经网络的隐层中的一个单元对应于所述决策树中一个叶子节点，所述神经网络的输出层的神经元的个数等于所述决策树的分类类别数，所述神经网络中的神经元间的连接对应所述决策树中节点的连接。
根据如上所述的需求预测方法，进一步包括：剪枝神经元保存步骤，将在所述神经元剪枝步骤中被去除的神经元进行存储。
根据如上所述的需求预测方法，当从影响新的历史需求的新的历史数据中提取出新的需求影响因子，并且所述新的需求影响因子中相比所述需求影响因子不存在新种类的需求影响因子且不缺少某种类的需求影响因子时，将所述新的需求影响因子与所述被去除的神经元进行比较，当所述新的需求影响因子中存在与所述被去除的神经元中的神经元对应的需求影响因子时，比较所述对应的需求影响因子的权重与所述被去除的神经元中的所述神经元在被去除时的权重，若所述对应的需求影响因子的权重大于所述神经元在被去除时的权重，则在所述神经网络训练模型中所述神经元在被去除前的相应位置添加与所述对应的需求影响因子对应的神经元，其中被添加的神经元的权重为所述对应的需求影响因子的权重，并且将所述神经网络训练模型中未被去除的神经元的权重修改为所述新的需求影响因子中与所述未被去除的神经元对应的需求影响因子的权重，之后，基于所述新的历史需求，通过神经网络训练模型进行预测；计算通过神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；对于神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时则再次基于所述新的历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；当各神经元中存在所述占比在所述标准差内的神经元时，则从神经网络训练模型中去除该神经元，之后再次基于所述新的历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及基于用于对未来需求进行预测的历史需求，利用神经网络训练模型作为预测模型来对未来需求进行预测。
根据如上所述的需求预测方法，当从影响新的历史需求的新的历史数据中提取出新的需求影响因子，并且所述新的需求影响因子中相比所述需求影响因子不存在新种类的需求影响因子且不缺少某种类的需求影响因子时，将所述新的需求影响因子与所述被去除的神经元进行比较，当所述新的需求影响因子中存在与所述被去除的神经元中的神经元对应的需求影响因子时，比较所述对应的需求影响因子的权重与所述被去除的神经元中的所述神经元在被去除时的权重，若所述对应的需求影响因子的权重不大于所述神经元在被去除时的权重，则将所述神经网络训练模型中未被去除的神经元的权重修改为所述新的需求影响因子中与所述未被去除的神经元对应的需求影响因子的权重，之后，基于所述新的历史需求，通过神经网络训练模型进行预测；计算通过神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；对于神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时则再次基于所述新的历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；当各神经元中存在所述占比在所述标准差内的神经元时，则从神经网络训练模型中去除该神经元，之后再次基于所述新的历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及基于用于对未来需求进行预测的历史需求，利用神经网络训练模型作为预测模型来对未来需求进行预测。
如上所述，在根据本发明的面向全球供应链的需求预测方法中，当出现新的需求影响因子，且新的需求影响因子中相比先前用于建立预测模型(神经网络训练模型)的需求影响因子不存在新种类的需求影响因子，且不缺少某种类的需求影响因子时，根据新的需求影响因子中存在的与被去除的神经元中的神经元对应的需求影响因子的权重与被去除的神经元中的神经元在被去除时的权重的大小来判定是否在神经网络训练模型中添加与该需求影响因子对应的神经元，如此不会使得重新建立的将进行训练的神经网络训练模型太过复杂，从而能够提高后续的网络训练速度、提高网络性能优化以及提高预测效率。
根据如上所述的需求预测方法，当从影响新的历史需求的新的历史数据中提取出新的需求影响因子、且所述新的需求影响因子中相比所述需求影响因子存在新种类的需求影响因子，或者缺少某种类的需求影响因子时，将所述新的需求影响因子与所述被去除的神经元进行比较，当所述新的需求影响因子中存在与所述被去除的神经元中的神经元对应的需求影响因子时，比较所述对应的需求影响因子的权重与所述被去除的神经元中的所述神经元在被去除时的权重，若所述对应的需求影响因子的权重大于所述神经元在被去除时的权重，则基于所述新的需求影响因子建立新的决策树；将所述新的决策树映射至新的神经网络以建立新的神经网络训练模型；基于所述新的历史需求，通过新的神经网络训练模型进行预测；计算通过新的神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；对于新的神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时新的神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时，则再次基于所述新的历史需求，通过新的神经网络训练模型进行预测，直至通过新的神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；当各神经元中存在所述占比在标准差内的神经元时，则从新的神经网络训练模型中去除该神经元，之后再次基于所述新的历史需求，通过新的神经网络训练模型进行预测，直至通过新的神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及基于用于对未来需求进行预测的历史需求，利用新的神经网络训练模型作为预测模型来对未来需求进行预测。
根据如上所述的需求预测方法，当从影响新的历史需求的新的历史数据中提取出新的需求影响因子、且所述新的需求影响因子中相比所述需求影响因子存在新种类的需求影响因子、或者缺少某种类的需求影响因子时，将所述新的需求影响因子与所述被去除的神经元进行比较，当所述新的需求影响因子中存在与所述被去除的神经元中的神经元对应的需求影响因子时，比较所述对应的需求影响因子的权重与所述被去除的神经元中的所述神经元在被去除时的权重，若所述对应的需求影响因子的权重不大于所述神经元在被去除时的权重，则基于除去权重不大于所述神经元在被去除时的权重的需求影响因子的所述新的需求影响因子建立新的决策树；将所述新的决策树映射至新的神经网络以建立新的神经网络训练模型；基于所述新的历史需求，通过新的神经网络训练模型进行预测；计算通过新的神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；对于新的神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时新的神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时，则再次基于所述新的历史需求，通过新的神经网络训练模型进行预测，直至通过新的神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；当各神经元中存在所述占比在标准差内的神经元时，则从新的神经网络训练模型中去除该神经元，之后再次基于所述新的历史需求，通过新的神经网络训练模型进行预测，直至通过新的神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及基于用于对未来需求进行预测的历史需求，利用新的神经网络训练模型作为预测模型来对未来需求进行预测。
如上可以看出，在根据本发明的面向全球供应链的需求预测方法中，当出现的新的需求影响因子中相比先前用于建立预测模型(神经网络训练模型)的需求影响因子存在新种类的需求影响因子、或者缺少某种类的需求影响因子时，需要重新建立新的决策树，并且根据新的需求影响因子中存在的与被去除的神经元中的神经元对应的需求影响因子的权重与被去除的神经元中的神经元在被去除时的权重的大小来判定在建立决策树时是否需要考虑该需求影响因子，如此不会使得重新建立的将进行训练的神经网络训练模型太过复杂，从而能够提高后续的网络训练速度、提高网络性能优化以及提高预测效率。
根据本发明的另一个方面，提供一种面向全球供应链的需求预测装置，包括：
决策树建立模块，被配置为从与历史需求相关的历史数据中提取需求影响因子，并基于所述需求影响因子建立决策树；
神经网络建立模块，被配置为将所述决策树映射至神经网络以建立神经网络训练模型；
神经网络预测模块，被配置为基于所述历史需求，通过神经网络训练模型进行预测；
预测误差值计算模块，被配置为计算通过神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；
神经元权重占比计算模块，被配置为对于神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时则通过所述神经网络预测模块再次基于所述历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；
神经元剪枝模块，被配置为当各神经元中存在所述占比在标准差内的神经元时，则从神经网络训练模型中去除该神经元，之后通过所述神经网络预测模块再次基于所述历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及
未来需求预测模块，被配置为基于用于对未来需求进行预测的历史需求，利用神经网络训练模型作为预测模型来对未来需求进行预测。
根据本发明的又一个方面，提供一种非易失性存储介质，所述非易失性存储介质具有存储在其中的指令，当该指令被执行时，使得处理器执行面向全球供应链的需求预测方法，包括：
决策树建立指令，从与历史需求相关的历史数据中提取需求影响因子，并基于所述需求影响因子建立决策树；
神经网络建立指令，将所述决策树映射至神经网络以建立神经网络训练模型；
神经网络预测指令，基于所述历史需求，通过神经网络训练模型进行预测；
预测误差值计算指令，计算通过神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；
神经元权重占比计算指令，对于神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时则通过所述神经网络预测指令再次基于所述历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；
神经元剪枝指令，当各神经元中存在所述占比在标准差内的神经元时，则从神经网络训练模型中去除该神经元，之后通过所述神经网络预测指令再次基于所述历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及
未来需求预测指令，基于用于对未来需求进行预测的历史需求，利用神经网络训练模型作为预测模型来对未来需求进行预测。
根据本发明的又一个方面，提供一种面向全球供应链的需求预测设备，包括：
存储器，所述存储器具有存储在其中的计算机可执行的指令；以及
处理器，所述处理器被耦合至所述存储器，并且被配置为执行与面向全球供应链的需求预测方法对应的处理，该处理包括：
决策树建立处理，从与历史需求相关的历史数据中提取需求影响因子，并基于所述需求影响因子建立决策树；
神经网络建立处理，将所述决策树映射至神经网络以建立神经网络训练模型；
神经网络预测处理，基于所述历史需求，通过神经网络训练模型进行预测；
预测误差值计算处理，计算通过神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；
神经元权重占比计算处理，对于神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时则通过所述神经网络预测处理再次基于所述历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；
神经元剪枝处理，当各神经元中存在所述占比在标准差内的神经元时，则从神经网络训练模型中去除该神经元，之后通过所述神经网络预测处理再次基于所述历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及
未来需求预测处理，基于用于对未来需求进行预测的历史需求，利用神经网络训练模型作为预测模型来对未来需求进行预测。
根据本发明的又一个方面，提供一种面向全球供应链的需求预测系统，包括：如上所述的需求预测装置。
如上所述，根据本发明的面向全球供应链的需求预测方法、装置、设备、系统以及非易失性存储介质综合考虑了宏观因子与微观因子对于供应链的需求变化的影响，能够建立出精度较高的神经网络，并且所建立的神经网络也具有较高的性能，降低了网络建立的复杂度，使预测更高效更精准。
附图说明
参照下面结合附图对本发明实施例的说明，会更容易地理解本发明的以上和其它目的、特点和优点。附图中的部件只是为了示出本发明的原理。在附图中，相同的或类似的技术特征或部件将采用相同或类似的附图标记来表示。附图中：
图1示出了根据本发明实施例的面向全球供应链的需求预测方法的流程图。
图2显示根据本发明实施例的面向全球供应链的需求预测方法的更详细的流程图。
图3显示当先前已存在神经网络预测模型后出现新的需求影响因子的情况下的需求预测方法的流程。
图4示出对应于图3中的A的流程的流程图。
图5示出了根据本发明实施例的面向全球供应链的需求预测装置的基本框图。
具体实施方式
在下文中将结合附图对本发明的示范性实施例进行详细描述。
根据本发明的一个方面，提供一种面向全球供应链的需求预测方法。
图1示出了根据本发明实施例的面向全球供应链的需求预测方法的流程图。如图1所示，根据本发明实施例的面向全球供应链的需求预测方法包括如下步骤：
决策树建立步骤S1：从与历史需求相关的历史数据中提取需求影响因子，并基于所述需求影响因子建立决策树；
神经网络建立步骤S2：将所述决策树映射至神经网络以建立神经网络训练模型；
神经网络预测步骤S3：基于所述历史需求，通过神经网络训练模型进行预测；
预测误差值计算步骤S4：计算通过神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；
神经元权重占比计算步骤S5：对于神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时则返回所述神经网络预测步骤S3，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；
神经元剪枝步骤S6：当各神经元中存在所述占比在标准差内的神经元时，则从神经网络训练模型中去除该神经元，之后返回所述神经网络预测步骤S3，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及
未来需求预测步骤S7：基于用于对未来需求进行预测的历史需求，利用神经网络训练模型作为预测模型来对未来需求进行预测。
下面，将对图1中的上述各个步骤做进一步详细说明，以更好地理解根据本发明实施例的面向全球供应链的需求预测方法的特征和优点。
首先，在决策树建立步骤S1中，从与历史需求相关的历史数据中提取需求影响因子，并基于所述需求影响因子建立决策树。
如在此所使用的，与历史需求相关的历史数据包括历史需求数据和影响历史需求的数据，其中，影响历史需求的数据包括GDP(或GDP增长率)、政治因素、劳动力成本、销售计划、销售价格、产品生命周期数据、节假日数据等。实施例中，将从与历史需求相关的历史数据中提取出的需求影响因子分为宏观因子和微观因子。宏观因子包括GDP因子、政治因素因子、劳动力成本因子、销售计划因子、销售价格因子等，微观因子包括季节性因子、周期性因子、产品生命周期因子等。
上述宏观因子和微观因子可以通过基于相关的历史数据利用相关的公式来进行计算或者量化。
例如，对于某一个国家的GDP因子，可以通过计算该国家的GDP在所有涉及到的国家的总GDP中所占的数字百分比来获得，当然其也可以由相应的数字来表示。
又例如，对于政治因素因子，可以通过如下的公式(1)进行量化来获得：
其中，αi表示第i种政治因素，政治因素包括是否发生过战乱、暴动、恐怖袭击、罢工，αi取值为1表示发生第i种政治因素，取值为0表示不发生第i种政治因素，j表示地区。
又例如，对于季节性因子、周期性因子，可以通过对历史需求数据(例如历史销售数据)分析其是否存在周期性、季节性特征，用因子提取法提取历史需求数据的季节性、周期性因子。例如，季节性因子Si由如下公式计算得到：
其中，yi是第i月的需求量，是所有月份的平均需求量。
需要说明的是，关于上述宏观因子和微观因子的计算或者量化方法，本领域技术人员可以根据实际情况或者需求来自定义，本发明在此不作限定，只要能够基于所获得的宏观因子和微观因子建立以下将描述的决策树即可。
对于将建立如下所述的决策树的如上所述的宏观因子和微观因子，每一个因子包括有对应的权重，该权重将与通过决策树进行分类之后决策树中与该因子对应的节点的权重相同。例如，对于某一个国家的GDP因子，可以将该国家的GDP在所有涉及到的国家的总GDP中所占的数字百分比来作为上述的GDP因子。当然，本发明在此不作限定。
在从与历史需求相关的历史数据中提取出需求影响因子之后，基于提取出的需求影响因子，通过利用决策树分类方法来建立决策树。
接下来，在神经网络建立步骤S2中，将建立的决策树映射至神经网络以建立神经网络训练模型。
本质上，神经网络与决策树的分类方法是相似的，因此他们彼此之间能够相互映射。此外，通过基于决策树来建立神经网络能够建立出比较符合需求变化的预测模型，原因如下：通常，神经网络能够用于进行预测，但是对这个网络的构建没有一个明确的标准，对于输入层要设多少神经元，隐藏层要设多少层，并且隐藏层的神经元的个数要设多少，一般均凭经验来设置。然而凭经验来建立神经网络会存在网络结构太简单或者太复杂的情况，网络结构太简单会导致所预测的结果的精度不高，而太复杂的话，会使网络训练的速度过慢或陷入局部最优值而不能体现最优的性能值，使预测效率低下。而上述宏观和微观因子本身与需求相关，基于这些因子建立的决策树比较能体现需求的变化，因此通过将其映射至神经网络而建立出的神经网络训练模型将比较能符合需求预测的本身的表达情况，从而不会导致上述网络结构太简单或者太复杂的情况。
实施例中，在将决策树映射至神经网络时，神经网络的输入层的神经元的个数等于决策树中内部节点的个数，神经网络的隐层中的一个单元对应于决策树中的一个叶子节点，神经网络的输出层的神经元的个数等于决策树的分类类别数，神经网络中的神经元间的连接基于决策树中节点的连接。
神经网络中的神经元具有相应的权重以及其与其它神经元连接的连接权重，神经元的权重与其与其它神经元连接的连接权重之间具有相应的函数关系。实施例中，在将决策树映射至神经网络时，神经网络中的神经元的权重与决策树中与该神经元对应的节点的权重相同。接下来，将基于上述历史需求来对在神经网络建立步骤S2中建立的神经网络训练模型进行训练，以获得更精确的神经网络训练模型用于作为对未来需求进行预测的预测模型。本发明中所建立的神经网络训练模型可以基于供应链中一段时间的历史需求来对相对于该一段时间为未来的时间的需求进行预测。因此，可以通过对基于上述历史需求所建立的神经网络训练模型输入上述历史需求来对与上述历史需求对应的时间段之后的时间段内的需求进行预测，并将预测值与该时间段内的需求实际值以进行比较并根据比较误差不断地调整神经网络训练模型以使得上述误差最小化来对神经网络训练模型进行训练。并且，公知的是，当给神经网络训练模型一个输入时，其会利用误差反向传播算法进行自学习，并在自学习过程中调节神经元的权重以及神经元之间的连接权重的值，直至通过神经网络训练模型所获得的与所述输入对应的输出预测值不大于预定值为止。
然而，可以理解的是，当神经网络训练模型中的隐层中单个神经元与隐层中其它神经元之间的连接权重的和在隐层中各神经元与隐层中其它神经元之间的连接权重的总和中的占比在一个标准差内时，说明该神经元对神经网络训练模型的贡献很小，其对预测值的影响很小，因此，从神经网络训练模型中去除掉该神经元将不会影响神经网络训练模型的精确性，而且去除掉该神经元还能够进一步简化神经网络训练模型，以提高神经网络训练模型的性能。
本发明考虑到上述内容，在神经网络训练模型利用误差反向传播算法进行自学习的过程中结合利用对神经元进行减枝来对神经网络训练模型进行训练，在保证神经网络的精确性的同时，进一步简化神经网络训练模型以提高神经网络训练模型的性能。
具体地，首先，在神经网络预测步骤S3中，基于上述历史需求，通过神经网络训练模型进行预测。在该步骤中，将在上述决策树建立步骤S1中所涉及到的历史需求数据输入至神经网络训练模型进行预测。
之后，在预测误差值计算步骤S4中，计算通过神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差。
接下来，在神经元权重占比计算步骤S5中，对于神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时则返回所述神经网络预测步骤S3，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止。
在神经元剪枝步骤S6中，当各神经元中存在所述占比在标准差内的神经元时，则从神经网络训练模型中去除该神经元，之后返回所述神经网络预测步骤S3，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止。
至此，已完成对神经网络训练模型的训练。并且可以看出，通过上述神经元剪枝步骤S6，在神经网络训练模型的训练过程中对对神经网络训练模型的贡献很小的神经元进行了减枝，从而能够在不影响神经网络训练模型的精确性的情况下，提高神经网络训练模型的性能。
此外，实施例中，在上述神经元剪枝步骤S6中被去除的神经元被进行存储。具体地，例如，被去除的神经元按照该神经元的名称及其在被去除时所具有的权重对应地被存储。
当完成对神经网络训练模型的训练，即，建立好优化了的神经网络训练模型时，接下来，在未来需求预测步骤S7中，即可基于用于对未来需求进行预测的历史需求，利用神经网络训练模型作为预测模型来进行未来需求预测。
图2显示根据本发明实施例的面向全球供应链的需求预测方法的更详细的流程图。具体地，
在步骤S201中，基于所提取的宏观因子和微观因子，建立决策树。
在步骤S202中，将决策树映射至神经网络以建立神经网络训练模型。
在步骤S203中，基于历史需求，通过神经网络训练模型进行预测。
在步骤S204中，计算通过神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差。
当误差大于预定值(步骤S205中的是)时，利用误差反向传播算法进行自学习的神经网络会调节神经元的权重及神经元间连接权重的值。因此，在步骤S206中，对于神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时神经网络训练模型对神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比。
在步骤S207中，判断上述占比是否均不在标准差内。
当在步骤S207中判断占比为均不在标准差内时(步骤S207中的是)，则返回步骤S203直至在步骤S204中计算出的预测值与需求实际值之间的差值不大于预定值(步骤S205中的否)为止。
在步骤S208中，从神经网络训练模型中去除上述占比在标准差内的神经元，并将该神经元进行存储。之后，则返回步骤S203直至在步骤S204中计算出的预测值与需求实际值之间的差值不大于预定值(步骤S205中的否)为止。
当在步骤S205中计算出的预测值与需求实际值之间的差值不大于预定值(步骤S205中的否)时，在步骤S209中，通过向神经网络训练模型输入用于对未来需求进行预测的历史需求来对未来需求进行预测。
如上所述，本发明所提供的面向全球供应链的需求预测方法通过基于综合考虑了对于供应链的需求变化的影响的宏观因子和微观因子的决策树来建立神经网络，由此能建立出比较符合需求预测的本身的表达情况的需求预测模型，并且在对神经网络进行训练的过程中，通过去除对网络贡献度较低的神经元，能更快地调整网络结构而达到理想的预测值，降低网络建立的复杂度，提高网络性能，并且还能够保证预测精度。
随着时间的发展，会存在有新的历史需求数据和影响历史需求的数据，因而也就存在新的需求影响因子以及根据新的需求影响因子来更新神经网络训练模型以便用于后续的需求预测的需要。以下将介绍根据本发明实施例的当出现新的需求影响因子的情况下的面向全球供应链的需求预测方法。
一方面，实施例中，当从影响新的历史需求的新的历史数据中提取出的新的需求影响因子，并且该新的需求影响因子中相比先前用于建立预测模型(神经网络训练模型)的需求影响因子不存在新种类的需求影响因子、且不缺少某种类的需求影响因子时，将所述新的需求影响因子与先前已被存储的被去除的神经元进行比较，
当所述新的需求影响因子中存在与所述被去除的神经元中的神经元对应的需求影响因子时，比较所述对应的需求影响因子的权重与所述被去除的神经元中的所述神经元在被去除时的权重，若所述对应的需求影响因子的权重大于所述神经元在被去除时的权重，则在所述神经网络训练模型中所述神经元在被去除前的相应位置添加与所述对应的需求影响因子对应的神经元，其中被添加的神经元的权重为所述对应的需求影响因子的权重，并且将所述神经网络训练模型中未被去除的神经元的权重修改为所述新的需求影响因子中与所述未被去除的神经元对应的需求影响因子的权重，之后，
基于所述新的历史需求，通过神经网络训练模型进行预测；
计算通过神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；
对于神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时则再次基于所述新的历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；
当各神经元中存在所述占比在标准差内的神经元时，则从神经网络训练模型中去除该神经元，之后再次基于所述新的历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及
基于用于对未来需求进行预测的历史需求，利用神经网络训练模型作为预测模型来对未来需求进行预测。
另一方面，实施例中，当从影响新的历史需求的新的历史数据中提取出新的需求影响因子，并且该新的需求影响因子中相比先前用于建立预测模型(神经网络训练模型)的需求影响因子不存在新种类的需求影响因子、且不缺少某种类的需求影响因子时，将所述新的需求影响因子与先前已被存储的被去除的神经元进行比较，
当所述新的需求影响因子中存在与所述被去除的神经元中的神经元对应的需求影响因子时，比较所述对应的需求影响因子的权重与所述被去除的神经元中的所述神经元在被去除时的权重，若所述对应的需求影响因子的权重不大于所述神经元在被去除时的权重，则将所述神经网络训练模型中未被去除的神经元的权重修改为所述新的需求影响因子中与所述未被去除的神经元对应的需求影响因子的权重，之后，
基于所述新的历史需求，通过神经网络训练模型进行预测；
计算通过神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；
对于神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时则再次基于所述新的历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；
当各神经元中存在所述占比在所述标准差内的神经元时，则从神经网络训练模型中去除该神经元，之后再次基于所述新的历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及
基于用于对未来需求进行预测的历史需求，利用神经网络训练模型作为预测模型来对未来需求进行预测。
例如，先前用于建立预测模型(神经网络训练模型)的需求影响因子考虑了GDP因子(A因子)、劳动力成本因子(B因子)、和政治因素因子(C因子)的宏观因子，以及季节性因子(D因子)、周期性因子(E因子)、和产品生命周期因子(F因子)的微观因子。假设在建立预测模型过程中与A因子对应的神经元被去除掉，并且该神经元以名称及其在被去除时所具有的权重对应地被存储，例如记为(A，0.07)，而建立的预测模型中与其它因子对应的神经元例如以名称及其所具有的权重被记录为(B，0.1)(C，0.14)(D，0.2)(E，0.23)(F，0.15)。当新的影响因子还是ABCDEF6个因子，且这些因子与之对应的权重被记为(A，0.06)(B，0.14)(C，0.2)(D，0.2)(E，0.21)(F，0.14)，则将新的影响因子与被去除的神经元进行比较，由于被去除的神经元(A，0.07)的权重大于新的影响因子中(A，0.06)的权重，所以不在神经网络训练模型中添加与新的影响因子中(A，0.06)对应的神经元，而将神经网络训练模型中的未被去除的神经元的权重修改为新的影响因子(A，0.06)(B，0.14)(C，0.2)(D，0.2)(E，0.21)(F，0.14)中与未被去除的神经元对应的影响因子的权重，即，将与B对应的未被去除的神经元的权重修改为0.14，与C对应的未被去除的神经元的权重修改为0.2，与D对应的未被去除的神经元的权重修改为0.2，与E对应的未被去除的神经元的权重修改为0.21，与F对应的未被去除的神经元的权重修改为0.14。此外，若新的影响因子中A因子为(A，0.08)，由于被去除的神经元(A，0.07)的权重不大于新的影响因子中(A，0.08)的权重，则在神经网络训练模型中被去除的神经元(A，0.07)的对应位置添加与影响因子(A，0.08)对应的神经元，该神经元的权重为影响因子(A，0.08)的权重0.08，并且将神经网络训练模型中的未被去除的神经元的权重修改为新的影响因子(A，0.08)(B，0.14)(C，0.2)(D，0.2)(E，0.21)(F，0.14)中与未被去除的神经元对应的影响因子的权重，即，将与B对应的未被去除的神经元的权重修改为0.14，与C对应的未被去除的神经元的权重修改为0.2，与D对应的未被去除的神经元的权重修改为0.2，与E对应的未被去除的神经元的权重修改为0.21，与F对应的未被去除的神经元的权重修改为0.14。之后基于新的历史需求来进行对神经网络训练模型的训练，并在训练过程中对上述占比不在标准差内的神经元进行减枝，直至获得最终的神经网络训练模型用于神经网络预测模型。
如上可以看出，在根据本发明的面向全球供应链的需求预测方法中，当出现新的需求影响因子，且新的需求影响因子中相比先前用于建立预测模型(神经网络训练模型)的需求影响因子不存在新种类的需求影响因子，且不缺少某种类的需求影响因子时，根据新的需求影响因子中存在的与被去除的神经元中的神经元对应的需求影响因子的权重与被去除的神经元中的神经元在被去除时的权重的大小来判定是否在神经网络训练模型中添加与该需求影响因子对应的神经元，如此不会使得重新建立的将进行训练的神经网络训练模型太过复杂，从而能够提高后续的网络训练速度、提高网络性能优化以及提高预测效率。
另一方面，实施例中，当从影响新的历史需求的新的历史数据中提取出新的需求影响因子、且该新的需求影响因子中相比先前用于建立预测模型(神经网络训练模型)的需求影响因子存在新种类的需求影响因子、或者缺少某种类的需求影响因子时，将所述新的需求影响因子与先前已被存储的被去除的神经元进行比较，
当所述新的需求影响因子中存在与所述被去除的神经元中的神经元对应的需求影响因子时，比较所述对应的需求影响因子的权重与所述被去除的神经元中的所述神经元在被去除时的权重，若所述对应的需求影响因子的权重大于所述神经元在被去除时的权重，则
基于所述新的需求影响因子建立新的决策树；
将所述新的决策树映射至新的神经网络以建立新的神经网络训练模型；
基于所述新的历史需求，通过新的神经网络训练模型进行预测；
计算通过新的神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；
对于新的神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时新的神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时，则再次基于所述新的历史需求，通过新的神经网络训练模型进行预测，直至通过新的神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；
当各神经元中存在所述占比在标准差内的神经元时，则从新的神经网络训练模型中去除该神经元，之后再次基于所述新的历史需求，通过新的神经网络训练模型进行预测，直至通过新的神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及
基于用于对未来需求进行预测的历史需求，利用新的神经网络训练模型作为预测模型来对未来需求进行预测。
另一方面，实施例中，当从影响新的历史需求的新的历史数据中提取出新的需求影响因子、且该新的需求影响因子中相比先前用于建立预测模型(神经网络训练模型)的需求影响因子存在新种类的需求影响因子、或者缺少某种类的需求影响因子时，将所述新的需求影响因子与先前已被存储的被去除的神经元进行比较，
当所述新的需求影响因子中存在与所述被去除的神经元中的神经元对应的需求影响因子时，比较所述对应的需求影响因子的权重与所述被去除的神经元中的所述神经元在被去除时的权重，若所述对应的需求影响因子的权重不大于所述神经元在被去除时的权重，则
基于除去权重不大于所述神经元在被去除时的权重的需求影响因子的所述新的需求影响因子建立新的决策树；
将所述新的决策树映射至新的神经网络以建立新的神经网络训练模型；
基于所述新的历史需求，通过新的神经网络训练模型进行预测；
计算通过新的神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；
对于新的神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时新的神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时，则再次基于所述新的历史需求，通过新的神经网络训练模型进行预测，直至通过新的神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；
当各神经元中存在所述占比在标准差内的神经元时，则从新的神经网络训练模型中去除该神经元，之后再次基于所述新的历史需求，通过新的神经网络训练模型进行预测，直至通过新的神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及
基于用于对未来需求进行预测的历史需求，利用新的神经网络训练模型作为预测模型来对未来需求进行预测。
例如，对于基于如上所述的ABCDEF因子所建立的神经网络训练模型，当新的影响因子为ABCDEFG7个因子时，将新的影响因子与被去除的神经元进行比较，若被去除的神经元(A，0.07)的权重大于新的影响因子中(A，0.06)的权重，则不将该影响因子(A，0.06)用于新的决策树的建立，而是基于其它新的影响因子BCDEFG来重新建立新的决策树。此外，若被去除的神经元(A，0.07)的权重小于新的影响因子中(A，0.08)的权重，则将该影响因子(A，0.08)用于新的决策树的建立，即，基于新的影响因子ABCDEFG来重新建立新的决策树。之后将新的决策树映射至新的神经网络来建立神经网络预测模型，并基于新的历史需求来进行对神经网络训练模型的训练，并在训练过程中对上述占比不在标准差内的神经元进行减枝，直至获得最终的神经网络训练模型用于神经网络预测模型。
如上可以看出，在根据本发明的面向全球供应链的需求预测方法中，当出现的新的需求影响因子中相比先前用于建立预测模型(神经网络训练模型)的需求影响因子存在新种类的需求影响因子、或者缺少某种类的需求影响因子时，需要重新建立新的决策树，并且根据新的需求影响因子中存在的与被去除的神经元中的神经元对应的需求影响因子的权重与被去除的神经元中的神经元在被去除时的权重的大小来判定在建立决策树时是否需要考虑该需求影响因子，如此不会使得重新建立的将进行训练的神经网络训练模型太过复杂，从而能够提高后续的网络训练速度、提高网络性能优化以及提高预测效率。
图3显示当先前已存在神经网络训练模型后出现新的需求影响因子的情况下的需求预测方法的流程。
首先，在步骤S301中，当从影响新的历史需求的新的历史数据中提取出新的需求影响因子时，判断所述新的需求影响因子中相比之前的需求影响因子是否存在新种类的需求影响因子、或者缺少某种类的需求影响因子。
当判定不存在新种类的需求影响因子、且不缺少某种类的需求影响因子(步骤S301中的否)时，在步骤S302中，比较新的需求影响因子与被去除的神经元。
接下来，判断所述新的需求影响因子中是否存在与所述被去除的神经元中的神经元对应的需求影响因子，当判定存在时(步骤S303中的是)，接下来在步骤S304中，比较该存在的需求影响因子的权重与被去除的神经元中的神经元的权重。
当在步骤S305中判定该存在的需求影响因子的权重大于被去除的神经元中的神经元的权重(步骤S305中的是)时，接下来在步骤S306中，在神经网络训练模型中上述神经元在被去除前的相应位置添加与上述需求影响因子对应的神经元，其中被添加的神经元的权重为上述需求影响因子的权重，并且将神经网络训练模型中未被去除的神经元的权重修改为新的需求影响因子中与未被去除的神经元对应的需求影响因子的权重。
当在步骤S303中判定为不存在(步骤S303中的否)或者在步骤S305中判定为不大于(步骤S305中的否)时，则在步骤S307中将神经网络训练模型中未被去除的神经元的权重修改为新的需求影响因子中与未被去除的神经元对应的需求影响因子的权重。
在步骤S308中，基于所述新的历史需求，通过神经网络训练模型进行预测。
在步骤S309中，计算通过神经网络训练模型进行预测所得到的预测值与该预测值所对应的时间段的需求实际值之间的误差。
当误差大于预定值(步骤S310中的是)时，利用误差反向传播算法进行自学习的新的神经网络会调节神经元的权重及神经元间连接权重的值。在步骤S311中，计算当所述误差大于预定值时神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算该连接权重的和在隐层中的各神经元与其它神经元之间的连接权重的总和中的占比。
在步骤S312中，判断上述占比是否均不在标准差内。
当在步骤S312中判断占比为均不在标准差内时(步骤S312中的是)，则返回步骤S308直至在步骤S309中计算出的预测值与需求实际值之间的差值不大于预定值(步骤S310中的否)为止。
在步骤S313中，从神经网络训练模型中去除上述占比在标准差内的神经元，并将该神经元进行存储。之后，则返回步骤S308直至在步骤S309中计算出的预测值与需求实际值之间的差值不大于预定值(步骤S310中的否)为止。
当在步骤S309中计算出的预测值与需求实际值之间的差值不大于预定值(步骤S310中的否)时，在步骤S314中，通过向神经网络训练模型输入用于对未来需求进行预测的历史需求来对未来需求进行预测。
当在步骤S301中判定存在新种类的需求影响因子，或者缺少某种类的需求影响因子(步骤S301中的是)时，接下来将进行如图4所示的对应于图3中的A的流程。
如图4所示，首先在步骤S401中，比较新的需求影响因子与被去除的神经元。
接下来，判断所述新的需求影响因子中是否存在与所述被去除的神经元中的神经元对应的需求影响因子，当判定存在时(步骤S402中的是)，接下来在步骤S403中，比较该存在的神经元的权重与被去除的神经元中的神经元的权重。
当在步骤S404中判定该存在的神经元的权重大于被去除的神经元中的神经元的权重(步骤S404中的是)时，接下来在步骤S405中，基于新的需求影响因子建立新的决策树。
当在步骤S402中判定为不存在(步骤S402中的否)或者在步骤S404中判定为不大于(步骤S404中的否)时，则在步骤S406中基于除去权重不大于上述神经元在被去除时的权重的需求影响因子的新的需求影响因子建立新的决策树。
在步骤S407中，将新的决策树映射至新的神经网络以建立新的神经网络训练模型。
在步骤S408中，基于所述新的历史需求，通过新的神经网络训练模型进行预测。
在步骤S409中，计算通过新的神经网络训练模型进行预测所得到的预测值与该预测值所对应的时间段的需求实际值之间的误差。
当误差大于预定值(步骤S410中的是)时，利用误差反向传播算法进行自学习的新的神经网络会调节神经元的权重及神经元间连接权重的值。在步骤S411中，计算当所述误差大于预定值时新的神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算该连接权重的和在隐层中的各神经元与其它神经元之间的连接权重的总和中的占比。
在步骤S412中，判断上述占比是否均不在标准差内。
当在步骤S412中判断占比为均不在标准差内时(步骤S412中的是)，则返回步骤S408直至在步骤S409中计算出的预测值与需求实际值之间的差值不大于预定值(步骤S410中的否)为止。
在步骤S413中，从新的神经网络训练模型中去除上述占比在标准差内的神经元，并将该神经元进行存储。之后，则返回步骤S408直至在步骤S409中计算出的预测值与需求实际值之间的差值不大于预定值(步骤S410中的否)为止。
当在步骤S409中计算出的预测值与需求实际值之间的差值不大于预定值(步骤S410中的否)时，在步骤S414中，通过向新的神经网络训练模型输入用于对未来需求进行预测的历史需求来对未来需求进行预测。
以下简单介绍应用根据本发明的面向全球供应链的需求预测方法的实例。
实施例1：
数据采用某大型白色家电企业2013年到2016年电冰箱的数据，以2013年至2014年两年的数据作为训练集训练所述预测模型(神经网络训练模型)，以2015年一年的数据作为测试集测试所述预测模型。以2016年一年的数据测试影响因子改变后(出现新的影响因子后)重新调整的预测模型。
步骤1：我们得到全球9个工厂所在地及这9个工厂生产的产品销往20个需求地的地区的名称，各需求地区对于各型号产品的历史的月需求量，各型号产品在各需求地区的售价。通过搜索得到各需求地区大型节假日日期及促销周期。对各地区的历史需求数据进行季节性，周期性分解。得到冰箱在冬夏两季存在明显规律的季节性需求，且欧洲地区在每年1月和7月的打折季存在明显规律的需求高峰。根据所获得的数据提取出相应的需求影响因子。例如，利用之前所述的公式计算各地区的需求数据的季节系数(季节性因子)。
步骤2：我们得到各工厂地区所属国家的GDP指数，各工厂地区的劳动力成本，两年内各工厂地区是否发生过战乱、暴动、恐怖袭击、罢工等政治活动。同样，根据所获得的数据提取出相应的需求影响因子。例如，利用之前所述的公式计算政治系数(政治因素因子)。
步骤3：利用根据步骤1、步骤2可以得到的因子(需求影响因子)建立原始的决策树，定义初始类别数为2，即该工厂所在地区适合建立工厂记为YES，不适合建立工厂记为NO，得到一颗深度为8，类别数为2，的决策树。于是将神经网络的隐层节点数设为8，输出层的神经元数设为类别数2，建立(2，8，2)的初始神经网络。
步骤4：我们用2013年到2014年两年的需求数据作为训练集在训练初始的神经网络，利用误差反向传播算法在自学习过程中调节神经元的权重及神经元间连接权重的值，以达到误差的最小化。在误差反向传播的过程中，同时用后剪枝的剪枝算法来修剪该神经网络的神经元节点。在误差反向传播过程中，得到的新的神经元的权重及神经元间连接权重的值。由于步骤3中建立神经网络时神经元之间的连接取决于决策树中结点的连接，于是，我们可以合理的利用后剪枝的方法像修剪决策树的节点一样来修剪神经网络的神经元，用新权重计算信息增益率(之前所述的占比)，以此来判断该神经元是否对整个网络产生影响。训练得到对应GDP指数的神经元的信息增益率(上述的占比)较小(在之前所述的标准差内)，故删除了GDP所在神经元，记为(GDP1，0.328)并进行存储。此时预测模型建立完毕。
步骤5：将2015年20个需求地区的历史需求数据输入步骤4中建立好的预测模型(神经网络训练模型)中，得到2015年的预测值，与2015年的实际值比较，得到预测精度为73％。
步骤6：根据2016年9个工厂所在地的GDP，劳动力成本，政治系数，该9个工厂到20个需求地区的需求数据中提取的季节性系数，周期性系数和产品的销售数据等得到2016年的新的需求影响因子。这里所得到的新的需求影响因子中相比之前用于建立步骤4中的预测模型的需求影响因子不存在新种类的需求影响因子，也不缺少某种类的需求影响因子，这些需求影响因子例如为GDP因子、劳动力成本因子、和政治因素因子、季节性因子、周期性因子、和产品生命周期因子。将上述新的需求影响因子与被去除的神经元进行比较。例如，A地区GDP占比(权重)为0.3,被去除的神经元中已经存在的与GDP相关的神经元(GDP1，0.328)的权重为0.328，由于新的权重0.3比旧权重0.328更小，则不在神经网络中添加与GDP对应的神经元，而是将神经网络中未被去除的神经元的权重修改为新的需求影响因子中与所述未被去除的神经元对应的需求影响因子的权重，即，将与劳动力成本、政治因素、季节性、周期性、和产品生命周期对应的神经元的权重修改为上述新得到的劳动力成本因子、政治因素因子、季节性因子、周期性因子、和产品生命周期因子的权重。之后，用2016年1-11月的需求数据作为训练数据，2016年12月的需求数据作为验证数据，得到2016年12月的预测值，预测精度为73.4％。
根据本发明的另一个方面，提供一种面向全球供应链的需求预测装置。图5示出了根据本发明实施例的面向全球供应链的需求预测装置的基本框图。图5中所示的面向全球供应链的需求预测装置中的各个模块用于执行上述面向全球供应链的需求预测方法中的相应处理，并且在以下的描述中可能会省略关于这些处理的具体描述。
如图5所示，根据本发明实施例的面向全球供应链的需求预测装置包括：
决策树建立模块501，被配置为从与历史需求相关的历史数据中提取需求影响因子，并基于所述需求影响因子建立决策树；
神经网络建立模块502，被配置为将所述决策树映射至神经网络以建立神经网络训练模型；
神经网络预测模块503，被配置为基于所述历史需求，通过神经网络训练模型进行预测；
预测误差值计算模块504，被配置为计算通过神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；
神经元权重占比计算模块505，被配置为对于神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时则通过所述神经网络预测模块503再次基于所述历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；
神经元剪枝模块506，被配置为当各神经元中存在所述占比在标准差内的神经元时，则从神经网络训练模型中去除该神经元，之后通过所述神经网络预测模块503再次基于所述历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及
未来需求预测模块507，被配置为基于用于对未来需求进行预测的历史需求，利用神经网络训练模型作为预测模型来对未来需求进行预测。
进一步，根据如上所述的需求预测装置，进一步包括：剪枝神经元保存模块508，被配置为将通过所述神经元剪枝模块被去除的神经元进行存储。
根据本发明的又一个方面，提供一种非易失性存储介质，所述非易失性存储介质具有存储在其中的指令，当该指令被执行时，使得处理器执行面向全球供应链的需求预测方法，包括：
决策树建立指令，从与历史需求相关的历史数据中提取需求影响因子，并基于所述需求影响因子建立决策树；
神经网络建立指令，将所述决策树映射至神经网络以建立神经网络训练模型；
神经网络预测指令，基于所述历史需求，通过神经网络训练模型进行预测；
预测误差值计算指令，计算通过神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；
神经元权重占比计算指令，对于神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时则通过所述神经网络预测指令再次基于所述历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；
神经元剪枝指令，当各神经元中存在所述占比在标准差内的神经元时，则从神经网络训练模型中去除该神经元，之后通过所述神经网络预测指令再次基于所述历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及
未来需求预测指令，基于用于对未来需求进行预测的历史需求，利用神经网络训练模型作为预测模型来对未来需求进行预测。
根据本发明的又一个方面，提供一种面向全球供应链的需求预测设备，包括：
存储器，所述存储器具有存储在其中的计算机可执行的指令；以及
处理器，所述处理器被耦合至所述存储器，并且被配置为执行与面向全球供应链的需求预测方法对应的处理，该处理包括：
决策树建立处理，从与历史需求相关的历史数据中提取需求影响因子，并基于所述需求影响因子建立决策树；
神经网络建立处理，将所述决策树映射至神经网络以建立神经网络训练模型；
神经网络预测处理，基于所述历史需求，通过神经网络训练模型进行预测；
预测误差值计算处理，计算通过神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；
神经元权重占比计算处理，对于神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时则通过所述神经网络预测处理再次基于所述历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；
神经元剪枝处理，当各神经元中存在所述占比在标准差内的神经元时，则从神经网络训练模型中去除该神经元，之后通过所述神经网络预测处理再次基于所述历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及
未来需求预测处理，基于用于对未来需求进行预测的历史需求，利用神经网络训练模型作为预测模型来对未来需求进行预测。
根据本发明的又一个方面，提供一种面向全球供应链的需求预测系统，包括：如上所述的需求预测装置。
综上所述，本发明提供一种基于改进过的基于决策树的神经网络训练模型的面向全球供应链的需求预测方法、装置、设备、系统以及非易失性存储介质。本发明综合考虑了宏观因子与微观因子对于供应链的需求变化的影响下，基于决策树建立神经网络来预测基于供应链中历史需求下的未来的需求量，以此应用在供应链配置的优化决策中。此发明使建立网络更快捷更精准，且随着未来宏观因子和微观因子的不断变化，能更快地调整网络结构而达到理想的预测值，降低了网络建立的复杂度，使预测更高效更精准。
虽然经过对本发明结合具体实施例进行描述，对于本领域的技术技术人员而言，根据上文的叙述后作出的许多替代、修改与变化将是显而易见。因此，当这样的替代、修改和变化落入附后的权利要求的精神和范围之内时，应该被包括在本发明中。

Claims (11)

1.一种面向全球供应链的需求预测方法，其特征在于，包括：
决策树建立步骤，从与历史需求相关的历史数据中提取需求影响因子，并基于所述需求影响因子建立决策树；
神经网络建立步骤，将所述决策树映射至神经网络以建立神经网络训练模型；
神经网络预测步骤，基于所述历史需求，通过神经网络训练模型进行预测；
预测误差值计算步骤，计算通过神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；
神经元权重占比计算步骤，对于神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时则返回所述神经网络预测步骤，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；
神经元剪枝步骤，当各神经元中存在所述占比在标准差内的神经元时，则从神经网络训练模型中去除该神经元，之后返回所述神经网络预测步骤，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及
未来需求预测步骤，基于用于对未来需求进行预测的历史需求，利用神经网络训练模型作为预测模型来对未来需求进行预测。
2.如权利要求1所述的需求预测方法，其特征在于，在所述神经网络建立步骤中，
所述神经网络的输入层的神经元的个数等于所述决策树中内部节点的个数，所述神经网络的隐层中的一个单元对应于所述决策树中一个叶子节点，所述神经网络的输出层的神经元的个数等于所述决策树的分类类别数，所述神经网络中的神经元间的连接对应所述决策树中节点的连接。
3.如权利要求1或2所述的需求预测方法，其特征在于，进一步包括：
剪枝神经元保存步骤，将在所述神经元剪枝步骤中被去除的神经元进行存储。
4.如权利要求3所述的需求预测方法，其特征在于，
当从影响新的历史需求的新的历史数据中提取出新的需求影响因子，并且所述新的需求影响因子中相比所述需求影响因子不存在新种类的需求影响因子，且不缺少某种类的需求影响因子时，将所述新的需求影响因子与所述被去除的神经元进行比较，
当所述新的需求影响因子中存在与所述被去除的神经元中的神经元对应的需求影响因子时，比较所述对应的需求影响因子的权重与所述被去除的神经元中的所述神经元在被去除时的权重，若所述对应的需求影响因子的权重大于所述神经元在被去除时的权重，则在所述神经网络训练模型中所述神经元在被去除前的相应位置添加与所述对应的需求影响因子对应的神经元，其中被添加的神经元的权重为所述对应的需求影响因子的权重，并且将所述神经网络训练模型中未被去除的神经元的权重修改为所述新的需求影响因子中与所述未被去除的神经元对应的需求影响因子的权重，之后，
基于所述新的历史需求，通过神经网络训练模型进行预测；
计算通过神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；
对于神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时则再次基于所述新的历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；
当各神经元中存在所述占比在所述标准差内的神经元时，则从神经网络训练模型中去除该神经元，之后再次基于所述新的历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及
基于用于对未来需求进行预测的历史需求，利用神经网络训练模型作为预测模型来对未来需求进行预测。
5.如权利要求3所述的需求预测方法，其特征在于，
当从影响新的历史需求的新的历史数据中提取出新的需求影响因子，并且所述新的需求影响因子中相比所述需求影响因子不存在新种类的需求影响因子、且不缺少某种类的需求影响因子时，将所述新的需求影响因子与所述被去除的神经元进行比较，
当所述新的需求影响因子中存在与所述被去除的神经元中的神经元对应的需求影响因子时，比较所述对应的需求影响因子的权重与所述被去除的神经元中的所述神经元在被去除时的权重，若所述对应的需求影响因子的权重不大于所述神经元在被去除时的权重，则将所述神经网络训练模型中未被去除的神经元的权重修改为所述新的需求影响因子中与所述未被去除的神经元对应的需求影响因子的权重，之后，
基于所述新的历史需求，通过神经网络训练模型进行预测；
计算通过神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；
对于神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时则再次基于所述新的历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；
当各神经元中存在所述占比在所述标准差内的神经元时，则从神经网络训练模型中去除该神经元，之后再次基于所述新的历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及
基于用于对未来需求进行预测的历史需求，利用神经网络训练模型作为预测模型来对未来需求进行预测。
6.如权利要求3所述的需求预测方法，其特征在于，
当从影响新的历史需求的新的历史数据中提取出新的需求影响因子、且所述新的需求影响因子中相比所述需求影响因子存在新种类的需求影响因子、或者缺少某种类的需求影响因子时，将所述新的需求影响因子与所述被去除的神经元进行比较，
当所述新的需求影响因子中存在与所述被去除的神经元中的神经元对应的需求影响因子时，比较所述对应的需求影响因子的权重与所述被去除的神经元中的所述神经元在被去除时的权重，若所述对应的需求影响因子的权重大于所述神经元在被去除时的权重，则
基于所述新的需求影响因子建立新的决策树；
将所述新的决策树映射至新的神经网络以建立新的神经网络训练模型；
基于所述新的历史需求，通过新的神经网络训练模型进行预测；
计算通过新的神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；
对于新的神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时新的神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时，则再次基于所述新的历史需求，通过新的神经网络训练模型进行预测，直至通过新的神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；
当各神经元中存在所述占比在标准差内的神经元时，则从新的神经网络训练模型中去除该神经元，之后再次基于所述新的历史需求，通过新的神经网络训练模型进行预测，直至通过新的神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及
基于用于对未来需求进行预测的历史需求，利用新的神经网络训练模型作为预测模型来对未来需求进行预测。
7.如权利要求3所述的需求预测方法，其特征在于，
当从影响新的历史需求的新的历史数据中提取出新的需求影响因子、且所述新的需求影响因子中相比所述需求影响因子存在新种类的需求影响因子、或者缺少某种类的需求影响因子时，将所述新的需求影响因子与所述被去除的神经元进行比较，
当所述新的需求影响因子中存在与所述被去除的神经元中的神经元对应的需求影响因子时，比较所述对应的需求影响因子的权重与所述被去除的神经元中的所述神经元在被去除时的权重，若所述对应的需求影响因子的权重不大于所述神经元在被去除时的权重，则
基于除去权重不大于所述神经元在被去除时的权重的需求影响因子的所述新的需求影响因子建立新的决策树；
将所述新的决策树映射至新的神经网络以建立新的神经网络训练模型；
基于所述新的历史需求，通过新的神经网络训练模型进行预测；
计算通过新的神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；
对于新的神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时新的神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时，则再次基于所述新的历史需求，通过新的神经网络训练模型进行预测，直至通过新的神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；
当各神经元中存在所述占比在标准差内的神经元时，则从新的神经网络训练模型中去除该神经元，之后再次基于所述新的历史需求，通过新的神经网络训练模型进行预测，直至通过新的神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及
基于用于对未来需求进行预测的历史需求，利用新的神经网络训练模型作为预测模型来对未来需求进行预测。
8.一种面向全球供应链的需求预测装置，其特征在于，包括：
决策树建立模块，被配置为从与历史需求相关的历史数据中提取需求影响因子，并基于所述需求影响因子建立决策树；
神经网络建立模块，被配置为将所述决策树映射至神经网络以建立神经网络训练模型；
神经网络预测模块，被配置为基于所述历史需求，通过神经网络训练模型进行预测；
预测误差值计算模块，被配置为计算通过神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；
神经元权重占比计算模块，被配置为对于神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时则通过所述神经网络预测模块再次基于所述历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；
神经元剪枝模块，被配置为当各神经元中存在所述占比在标准差内的神经元时，则从神经网络训练模型中去除该神经元，之后通过所述神经网络预测模块再次基于所述历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及
未来需求预测模块，被配置为基于用于对未来需求进行预测的历史需求，利用神经网络训练模型作为预测模型来对未来需求进行预测。
9.一种非易失性存储介质，其特征在于，所述非易失性存储介质具有存储在其中的指令，当该指令被执行时，使得处理器执行面向全球供应链的需求预测方法，包括：
决策树建立指令，从与历史需求相关的历史数据中提取需求影响因子，并基于所述需求影响因子建立决策树；
神经网络建立指令，将所述决策树映射至神经网络以建立神经网络训练模型；
神经网络预测指令，基于所述历史需求，通过神经网络训练模型进行预测；
预测误差值计算指令，计算通过神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；
神经元权重占比计算指令，对于神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时则通过所述神经网络预测指令再次基于所述历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；
神经元剪枝指令，当各神经元中存在所述占比在标准差内的神经元时，则从神经网络训练模型中去除该神经元，之后通过所述神经网络预测指令再次基于所述历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及
未来需求预测指令，基于用于对未来需求进行预测的历史需求，利用神经网络训练模型作为预测模型来对未来需求进行预测。
10.一种面向全球供应链的需求预测设备，其特征在于，包括：
存储器，所述存储器具有存储在其中的计算机可执行的指令；以及
处理器，所述处理器被耦合至所述存储器，并且被配置为执行与面向全球供应链的需求预测方法对应的处理，该处理包括：
决策树建立处理，从与历史需求相关的历史数据中提取需求影响因子，并基于所述需求影响因子建立决策树；
神经网络建立处理，将所述决策树映射至神经网络以建立神经网络训练模型；
神经网络预测处理，基于所述历史需求，通过神经网络训练模型进行预测；
预测误差值计算处理，计算通过神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；
神经元权重占比计算处理，对于神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时则通过所述神经网络预测处理再次基于所述历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；
神经元剪枝处理，当各神经元中存在所述占比在标准差内的神经元时，则从神经网络训练模型中去除该神经元，之后通过所述神经网络预测处理再次基于所述历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及
未来需求预测处理，基于用于对未来需求进行预测的历史需求，利用神经网络训练模型作为预测模型来对未来需求进行预测。
11.一种面向全球供应链的需求预测系统，其特征在于，包括：
如权利要求8所述的需求预测装置。
CN201710283431.7A 2017-04-26 2017-04-26 面向全球供应链的需求预测方法、装置、以及系统 Pending CN108805313A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710283431.7A CN108805313A (zh) 2017-04-26 2017-04-26 面向全球供应链的需求预测方法、装置、以及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710283431.7A CN108805313A (zh) 2017-04-26 2017-04-26 面向全球供应链的需求预测方法、装置、以及系统

Publications (1)

Publication Number Publication Date
CN108805313A true CN108805313A (zh) 2018-11-13

Family

ID=64069347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710283431.7A Pending CN108805313A (zh) 2017-04-26 2017-04-26 面向全球供应链的需求预测方法、装置、以及系统

Country Status (1)

Country Link
CN (1) CN108805313A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390041A (zh) * 2019-07-02 2019-10-29 上海上湖信息技术有限公司 在线学习方法及装置、计算机可读存储介质
CN111291936A (zh) * 2020-02-21 2020-06-16 北京金山安全软件有限公司 产品生命周期预估模型生成方法、装置及电子设备
CN112533233A (zh) * 2019-09-19 2021-03-19 中国移动通信集团重庆有限公司 一种基于用户交互的无线网络探测方法、装置和系统
CN113469394A (zh) * 2020-03-30 2021-10-01 富士通株式会社 信息处理装置、信息处理方法和计算机可读存储介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390041A (zh) * 2019-07-02 2019-10-29 上海上湖信息技术有限公司 在线学习方法及装置、计算机可读存储介质
CN110390041B (zh) * 2019-07-02 2022-05-20 上海上湖信息技术有限公司 在线学习方法及装置、计算机可读存储介质
CN112533233A (zh) * 2019-09-19 2021-03-19 中国移动通信集团重庆有限公司 一种基于用户交互的无线网络探测方法、装置和系统
CN112533233B (zh) * 2019-09-19 2023-04-07 中国移动通信集团重庆有限公司 一种基于用户交互的无线网络探测方法、装置和系统
CN111291936A (zh) * 2020-02-21 2020-06-16 北京金山安全软件有限公司 产品生命周期预估模型生成方法、装置及电子设备
CN111291936B (zh) * 2020-02-21 2023-10-17 北京金山安全软件有限公司 产品生命周期预估模型生成方法、装置及电子设备
CN113469394A (zh) * 2020-03-30 2021-10-01 富士通株式会社 信息处理装置、信息处理方法和计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN108805313A (zh) 面向全球供应链的需求预测方法、装置、以及系统
CN103577694B (zh) 一种基于多尺度分析的水产养殖水质短期组合预测方法
CN107292428A (zh) 一种配网电力物资采购需求预测系统
CN103310286A (zh) 一种具有时间序列特性的产品订单预测方法及装置
CN109727066A (zh) 一种基于XGBoost算法的大工业用电用户负荷预测方法
CN104537433A (zh) 基于存量容量与业扩报装特征的售电量预测方法
CN104699890B (zh) 一种城网配变重过载短期预警模型的建模方法
CN104574209A (zh) 一种城网配变重过载中期预警模型的建模方法
CN106600959A (zh) 一种交通拥堵指数的预测方法
Kim The approximate cost estimating model for railway bridge project in the planning phase using CBR method
CN106780018A (zh) 一种基于历史重现的股票数据挖掘模型和系统
JP2001055763A (ja) 上水道プラントの広域最適水運用装置
Aritonang et al. An application of backpropagation neural network for sales forecasting rice miling unit
Jalaee et al. A new hybrid metaheuristic method based on biogeography-based optimization and particle swarm optimization algorithm to estimate money demand in Iran
CN106204098A (zh) 一种全球内衣行业数据收集与分析平台及其分析方法
Darvishi et al. Grey prediction in linear programming problems
Momenikiyai et al. A BI-OBJECTIVE MATHEMATICAL MODEL FOR INVENTORYDISTRIBUTION-ROUTING PROBLEM UNDER RISK POOLING EFFECT: ROBUST META-HEURISTICS APPROACH.
Bekker Developing a tool for project contingency estimation in a large portfolio of construction projects
Khosravi et al. Uncertainty quantification for wind farm power generation
CN102955978B (zh) 一种基于周期性灰色系统的时装生产控制方法
CN114819239A (zh) 智能交期预测方法与系统
CN110264260A (zh) 一种电网设备材料价格的智能预测方法
CN111144649B (zh) 一种基于信息融合的城市燃气日负荷组合预测方法
Li et al. The application of fuzzy neural network in distribution center location
Mojahed et al. Using engineering economy techniques with group topsis method for best project selection

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181113

RJ01 Rejection of invention patent application after publication