CN110163669B - 基于特征系数似然估计和零售业业务规则的需求预测方法 - Google Patents

Abstract

本发明公开了一种基于特征系数似然估计和零售业业务规则的需求预测方法，本发明首先，获取门店人流量及外部因素数据天气温度节假日等利用线性回归方法得到未来营业额预估量；其次，构造星期及星期对应销量占比联合考虑的特征，基于Euclidean metric规则定义门店相似度后对门店进行聚类，通过归并相似销量占比的星期，构造星期组特征；然后，计算加权温度和近期销量均值加入特征集，利用GLM模型得到日销量分布；最后，基于门店的陈列要求、要货限制等规则计算日配送需求量，完成零售业需求预测。本发明基于业务考虑来构建模型特征，建立零售行业商品需求模型，极大地提升了零售业门店经营效率。

Description

基于特征系数似然估计和零售业业务规则的需求预测方法

技术领域

本发明涉及供应链自动化管理工程领域，具体为基于特征系数似然估计和零售业业务规则的需求预测方法服务于终端经营管理。

背景技术

在当今的供应链自动化管理工程领域中，无论是实际经营实践还是在理论研究中，最优化的供应链库存来满足客户需求一直是企业业务核心之一，减少库存投资的同时保证零售货架和配送中心存有适当适量商品。

现有的智能管理平台较多为通用平台、通用方案并不针对企业业务细节情况定制仍需企业来把控终端需求和调配，平台系统提供的建议量也预估偏差大，计算方案思考不全面未能处理终端零售中的较多业务限制和业务变更。

早期传统企业使用以POS管理系统为中心的信息系统，铺垫人力物力及系统跟踪的方式来实现终端日常经营流转，2010年，一种在销售门店和供应商及配送中心之间通过无线网络建立实时库存信息共享机制来提升终端和供应商之间补货效率，2015年及至近年，基于大数据驱动预测需求及制定决策的智能决策技术进入企业决策方法中。随着企业数据化链路的构建和数据算法的提升，可根据线上线下销售水平进行精准预测、提前决策，达到终端供补的智能决策和自动化行为。

在本发明中，根据零售行业的终端销售变更因素和外部因素同时考虑，构建相关性足够高的模型来降低数据取数维度和算法复杂度，并基于行业业务规则或企业自定规则来灵活变更，设定需求条件并满足，使得需求预测方案可接壤工业界应用场景。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于特征系数似然估计和零售业业务规则的需求预测方法，本发明的目的是通过以下技术方案来实现的，包括以下步骤：

步骤1：初始化零售业终端业务流程关联数据：门店集合I、单品集合J、时间线t、星期数W_t、日初库存数量SS、日末库存数量ES、到货数量D、真实销量X、预测销量

货柜陈列数量C、门店可订货的星期数集合O、物流发货后至到店期间的天数L用于单品到货需求预测模块；初始化销量相关内部及外部特征：X⁽ⁿ⁾为单品销量预测模型构建使用的n个特征，其中X⁽ⁿ⁾＝[X⁽¹⁾，X⁽²⁾，X⁽³⁾，X⁽⁴⁾，X⁽⁵⁾]用于销量预测模块；

步骤2：利用线性回归方法得到营业额预估值特征X⁽¹⁾，设定求解X⁽¹⁾的映射关系为y_i＝w^Tx_i，其中x_i为人流量、天气、温度、节假日的四维数据，y_i为目标营业额预估值X⁽¹⁾，构建损失函数并利用梯度下降法求解：

w_i＝w_i-α(w_i.x_i-y_i)x⁽ⁱ⁾ (3)

继而根据

计算得到(2)公式所述无约束问题目标函数关于w的梯度，初始定义确定步长α，更新w，并添加样本点重复该步骤直至收敛，得到营业额预估值作为销量预测模型的特征X⁽¹⁾；

利用Euclidean metric规则定义门店集合I之间的相似度得到星期组特征X⁽²⁾，构造星期及门店星期对应销量占比特征I_i，对门店特征进行总类内距离最短目标聚类，得到聚类结果集合C_i，k，根据C_i，k集合归并相似星期组特征X⁽²⁾：

其中：C_i，k表示门店i聚类结果属于第k类，各类中心点为

步骤3：利用泊松回归GLM模型得到日销量预测

本发明中，目标数据为服从Poission分布的数据集，基于该分布构建GLM模型及创建模型使用特征[X⁽¹⁾，X⁽²⁾，X⁽³⁾，X⁽⁴⁾，X⁽⁵⁾]，其中X⁽¹⁾，X⁽²⁾为步骤2中的得到的值，设日销量分布的概率密度函数为Y，使用泊松分布表达式得到日销量分布的概率密度函数为：

使用极大似然估计为找到能使得目前样本数据中的联合概率尽可能达到最大的θ参数值，即

求解

得到的门店i单品j第t天的日销量预测值

步骤4：根据步骤3得到的销量预测GLM模型及预测值

结合零售业业务规则来进行零售终端的商品日需求量预测，具体过程如下：

(4.1)定义单品到货需求预测模块：要货的门店i构成门店集合I、需要要货的单品j构成单品集合J、t为时间线第t日、W_t为第t日对应的星期几、

为门店i单品j第t日的日初库存数量、

为门店i单品j第t日的日末库存数量、

为门店i单品j第t日的到货数量、

为门店i单品j第t日的真实销量、

为门店i单品j第t日的预测销量、C_ij为门店i单品j的货柜陈列数量、O为门店可订货的星期数集合、L_i为门店i的物流发货后至到店期间的天数；

(4.2)若W_t∈O(即第t日为门店订货日)，而门店到货日为第t+L_i日，需对第t+L_i日的商品到货量

进行决策，本发明中，基于门店陈列要求及正常经营的业务考量设定单品到货量决策公式为单品陈列要求量+90％到货日预测销量-到货日期初库存，即

其中，C_ij，L_i为门店提供数据，分别为门店i单品j的陈列量和门店i的物流发货后至到店期间的天数，

为步骤3模型得到数据，即仍需要对

求解；

(4.3)根据零售行业库存计算规则，

来推导得到

使用

近似预估为

为真实销量与预估销量的差值，得到

(4.4)满足物流规格要求表示为

得到门店商品的日需求量预测数。

本发明有益效果：

本发明方法基于前期数据探索分析设定了服从Poission分布的目标序列，利用该分布性质将无序销量预测问题转为销量变动因素联合概率分布问题，并构建非凸损失函数简化求解，从而大大简化求解复杂度，可利用凸优化方法或者梯度下降方法来得到最优解或近似解，降低了预测问题难度、提升了时间效率的同时保证了一定的精确度。

基于零售终端的业务规则进行的需求量预测，在满足门店经营业务限制下定义了合理到货量公式的同时考量预估偏差而设置了误差分布概率值以调整到货量符合门店库存安全水位，简化了门店需求计算的复杂度和保障了门店的销量库存要求满足，如图4的目前已工业界应用结果指标所示，本发明在终端KPI指标营业额提升和断货率降低上都有一定程度改进，大大提升终端需求分配的效率，具有较高的工业界应用性能及优化性能。

附图说明

图1是本发明实施例采用该方法的系统模型图。

图2是本发明实施例采用该方法的具体流程图。

图3是本发明实施例的系统个例说明日别仿真图。

图4是本发明实施例的系统应用效果指标展示图。

具体实施方式

下面结合附图详细描述本发明，本发明的目的和效果将变得更加明显。

如图1所示，本发明考虑一种基于特征系数似然估计和零售业业务规则的需求预测方法，其特征在于，包括以下步骤：

步骤1：初始化零售业终端业务流程关联数据：门店集合I、单品集合J、时间线t、星期数W_t、日初库存数量SS、日末库存数量ES、到货数量D、真实销量X、预测销量

货柜陈列数量C、门店可订货的星期数集合O、物流发货后至到店期间的天数L用于单品到货需求预测模块；初始化销量相关内部及外部特征：X(n)为单品销量预测模型构建使用的n个特征，其中X⁽ⁿ⁾＝[X⁽¹⁾，X⁽²⁾，X⁽³⁾，X⁽⁴⁾，X⁽⁵⁾]用于销量预测模块；

步骤2：利用线性回归方法得到营业额预估值特征X⁽¹⁾，设定求解X⁽¹⁾的映射关系为y_i＝w^Tx_i，其中x_i为人流量、天气、温度、节假日的四维数据，y_i为目标营业额预估值X⁽¹⁾，构建损失函数并利用梯度下降法求解：

w_i＝w_i-α(w_i.x_i-y_i)x⁽ⁱ⁾ (3)

继而根据

计算得到(2)公式所述无约束问题目标函数关于w的梯度，初始定义确定步长α，更新w，并添加样本点重复该步骤直至收敛，得到营业额预估值作为销量预测模型的特征X⁽¹⁾；

利用Euclidean metric规则定义门店集合I之间的相似度得到星期组特征X⁽²⁾，构造星期及门店星期对应销量占比特征I_i，对门店特征进行总类内距离最短目标聚类，得到聚类结果集合C_i，k，根据C_i，k集合归并相似星期组特征X⁽²⁾：

其中：C_i，k表示门店i聚类结果属于第k类，各类中心点为

步骤3：利用泊松回归GLM模型得到日销量预测

本发明中，目标数据为服从Poission分布的数据集，基于该分布构建GLM模型及创建模型使用特征[X⁽¹⁾，X⁽²⁾，X⁽³⁾，X⁽⁴⁾，X⁽⁵⁾]，其中X⁽¹⁾，X⁽²⁾为步骤2中的得到的值，设日销量分布的概率密度函数为Y，使用泊松分布表达式得到日销量分布的概率密度函数为：

将上式(5)表达为关于θ的表达式L(θ|X，Y)，e指数表达式使用log进行转换，可以得到：

使用极大似然估计为找到能使得目前样本数据中的联合概率尽可能达到最大的θ参数值，即

其中

求解

或者使用梯度下降方法，本步骤中输入X和Y，输出为Y_t，

从而得到的门店i单品j第t天的日销量预测值

步骤4：根据步骤3得到的销量预测GLM模型及预测值

结合零售业业务规则来进行零售终端的商品日需求量预测，具体过程如下：

(4.1)定义单品到货需求预测模块：要货的门店i构成门店集合I、需要要货的单品j构成单品集合J、t为时间线第t日、W_t为第t日对应的星期几、

为门店i单品j第t日的日初库存数量、

为门店i单品j第t日的日末库存数量、

为门店i单品j第t日的到货数量、

为门店i单品j第t日的真实销量、

为门店i单品j第t日的预测销量、C_ij为门店i单品j的货柜陈列数量、O为门店可订货的星期数集合、L_i为门店i的物流发货后至到店期间的天数；

(4.2)若W_t∈O(即第t日为门店订货日)，而门店到货日为第t+L_i日，需对第t+L_i日的商品到货量

进行决策，本发明中，基于门店陈列要求及正常经营的业务考量设定单品到货量决策公式为单品陈列要求量+90％到货日预测销量-到货日期初库存即

其中，C_ij，L_i为门店提供数据，分别为门店i单品j的陈列量和门店i的物流发货后至到店期间的天数，

为步骤3模型得到数据，即仍需要对

求解；

(4.3)根据零售行业库存计算规则，当日日初库存＝昨日日末库存＝昨日日初库存+昨日日到货量-昨日日销售量，如图3仿真结果所示：

即

推导得到

使用

近似预估为

为真实销量与预估销量的差值，于是有：

将式(12)结果

代入式(13)，式(13)的结果下一个，一直重复直至式(14)

时，所以公式转换为：

其中

由步骤3中得到未来N天的预测值，

则为在第t+n-L_i订货日时由式(16)得到的到货值，ε为

组成的误差分布，可选取置信区间内某概率对应值或者设为0；

(4.4)满足物流规格要求表示为

得到门店商品的日需求量预测数。

Claims (1)

1.基于特征系数似然估计和零售业业务规则的需求预测方法，其特征在于包括以下步骤：

步骤1：初始化零售业终端业务流程关联数据：门店集合I、单品集合J、时间线t、星期数W_t、日初库存数量SS、日末库存数量ES、到货数量D、真实销量X、预测销量

货柜陈列数量C、门店可订货的星期数集合O、物流发货后至到店期间的天数L用于单品到货需求预测模块；初始化销量相关内部及外部特征：X⁽ⁿ⁾为单品销量预测模型构建使用的n个特征，其中X⁽ⁿ⁾＝[X⁽¹⁾，X⁽²⁾，X⁽³⁾，X⁽⁴⁾，X⁽⁵⁾]用于销量预测模块；

步骤2：利用线性回归方法得到营业额预估值特征X⁽¹⁾，设定求解X⁽¹⁾的映射关系为y_i＝w^Tx_i，其中x_i为人流量、天气、温度、节假日的四维数据，y_i为目标营业额预估值X⁽¹⁾，构建损失函数并利用梯度下降法求解：

w_i＝w_i-α(w_ix_i-y_i)x⁽ⁱ⁾ (3)

继而根据

计算得到(2)公式无约束问题目标函数关于w的梯度，初始定义确定步长α，更新w，并添加样本点重复该步骤直至收敛，得到营业额预估值作为销量预测模型的特征X⁽¹⁾；

利用Euclidean metric规则定义门店集合I之间的相似度得到星期组特征X⁽²⁾，构造星期及门店星期对应销量占比特征I_i，对门店特征进行总类内距离最短目标聚类，得到聚类结果集合C_i，k，根据C_i，k集合归并相似星期组特征X⁽²⁾：

其中：C_i，k表示门店i聚类结果属于第k类，各类中心点为

步骤3：利用泊松回归GLM模型得到日销量预测

目标数据基于Poission分布的数据集构建GLM模型及创建模型使用特征[X⁽¹⁾，X⁽²⁾，X⁽³⁾，X⁽⁴⁾，X⁽⁵⁾]，其中X⁽¹⁾，X⁽²⁾为步骤2中的得到的值，设日销量分布的概率密度函数为Y，使用泊松分布表达式得到日销量分布的概率密度函数为：

使用极大似然估计为找到能使得目前样本数据中的联合概率尽可能达到最大的θ参数值，即

求解

得到的门店i单品j第t天的日销量预测值

步骤4：根据步骤3得到的销量预测GLM模型及预测值

结合零售业业务规则来进行零售终端的商品日需求量预测，具体过程如下：

(4.1)定义单品到货需求预测模块：要货的门店i构成门店集合I、需要要货的单品j构成单品集合J、t为时间线第t日、W_t为第t日对应的星期几、

为门店i单品j第t日的日初库存数量、

为门店i单品j第t日的日末库存数量、

为门店i单品j第t日的到货数量、

为门店i单品j第t日的真实销量、

为门店i单品j第t日的预测销量、C_ij为门店i单品j的货柜陈列数量、O为门店可订货的星期数集合、L_i为门店i的物流发货后至到店期间的天数；

(4.2)若W_t∈O，即第t日为门店订货日，而门店到货日为第t+L_i日，需对第t+L_i日的商品到货量

进行决策，基于门店陈列要求及正常经营的业务考量设定单品到货量决策公式为单品陈列要求量+90％到货日预测销量-到货日期初库存，即

其中

其中，Cij，L_i为门店提供数据，分别为门店i单品j的陈列量和门店i的物流发货后至到店期间的天数，

为步骤3模型得到数据，即仍需要对

求解；

(4.3)根据零售行业库存计算规则，

来推导得到

使用

近似预估为

为真实销量与预估销量的差值，得到

其中

(4.4)满足物流规格要求表示为

得到门店商品的日需求量预测数。

Images