CN113393041A

CN113393041A - 一种基于销量预测的零售领域供应链库存优化方法

Info

Publication number: CN113393041A
Application number: CN202110683426.1A
Authority: CN
Inventors: 肖源成; 秦拯; 张吉昕; 尹键溶
Original assignee: Hunan University
Current assignee: Hunan University
Priority date: 2021-06-21
Filing date: 2021-06-21
Publication date: 2021-09-14

Abstract

本发明涉及一种基于销量预测的零售领域供应链库存优化方法。其发明内容主要包括(1)基于多态特征融合的商品销量精准预测方法；(2)基于商品活跃度分类的物流约束下供应链库存优化方法。基于上述方法，提取并融合商品的多态特征数据，并根据商品预测销量进行活跃度分类来构建供应链库存优化模型，从而实现基于销量预测的零售领域供应链库存优化方法，加快资金周转。

Description

一种基于销量预测的零售领域供应链库存优化方法

技术领域

本发明涉及大数据应用与深度学习领域，一种基于销量预测的零售领域供应链库存优化方法。

背景技术

商品的供应链技术对于任何一家零售企业在市场上的竞争都会产生非常重要影响，传统门店对供应链库存数量的判断依赖于店长的个人经验，会存在库存堆积或库存不足等问题的出现。对于传统销量预测方法主要有时间序列分析法，如简单平均法，加权平均法或移动平均法等，对于异常销量数据，会存在预测精度不足等问题。近年来，随着以机器学习为代表的人工智能技术的快速发展，主要提出了人工神经网络、支持向量机等方法来进行销量预测，但它们往往采取单一的类型特征进行机器学习，如商品的历史销量，这同样会使得销量预测的精度不够准确。

除销量预测问题外，通过调查发现，在物流资源有限情况很难对供应链库存进行把控，难以实现零售领域的“零库存”目标，只能通过大量参数修正来减少缺货和库存堆积风险，这不仅耗费了大量人力成本，同时提高了不必要的周转成本。

因此，本发明针对上述问题，发明一种基于销量预测的零售领域供应链库存优化方法，该方案不仅可以提高销量预测准确率，降低缺货风险，同时还能够提升资金周转效率，从而降低公司成本。

发明内容

本发明旨在解决对商品销量的精准预测以及为零售领域提供供应链库存优化方法。

为此，本发明提出了一种基于销量预测的零售领域供应链库存优化方法，主要包括两个部分内容：

(1)基于多态特征融合的商品销量精准预测方法；

(2)基于商品活跃度分类的物流约束下供应链库存优化方法。

内容如下：

采用方法(1)分析影响商品销量的主要因素，除了提取商品历史销量统计特征外，还提取了特殊时间独热特征和关联商品销量特征等多态特征，并将提取后的特征进行多元线性回归或偏离度计算进行异常处理，最后滚动输入商品N日特征采用长短时记忆网络(LSTM，L0ng Short-Term Memory)回归模型不断拟合商品多类型特征，从而获得商品销量精准预测模型。(2)从方法(1)中预测到了未来一段时间的销量，商品历史M月销量，计算商品活跃度，根据商品历史活跃度对商品进行分类。构建满足物流约束的商品供应链库存优化模型。具体算法如下：

(1)基于多态特征融合的商品销量精准预测方法

通过对影响商品销量的主要因素进行分析，提取三类影响商品销量的主要特征，分别为：每日的销量长短时统计特征V_sales、特殊时间独热特征V_OneHot以及关联商品销量特征V_Association。

其中，该商品每日的销量长短时统计特征V_sales包括：该商品某天的当日销量特征D_now、未来3日销量特征D_future-day3、未来18日销量特征D_future-day8、未来39日销量特征D_future-day39、过去1日销量特征D_past-day1、过去3日销量特征D_past-day3、过去7日销量特征D_past-day7、过去15日销量特征D_past-day15、过去一个月销量特征D_past-mon1、过去3个月销量特征D_past-mon3、过去6个月销量特征D_past-mon6、过去12个月销量特征D_past-mon12、去年同月销量特征D_past-smon、去年上月销量特征

去年下月销量特征

以及当前月份销量特征D_past-mon等。

特殊时间独热特征V_OneHot包括：该商品当天最高温度特征T_max、最低温度特征T_min、降雨量R_C、风力W_P、是否为周末IS_weekend、是否为会员日IS_member、是否为促销日IS_promotions、是否为节假日IS_holidays、优惠券使用数量特征X_promotions等。

关联商品销量特征V_Association包括：同类商品销量特征X_similars和相关商品销量特征X_relate等。其中采用EditString可计算两商品通用名之间的字符串相似性，得到同类商品销量特征X_similars；基于商品属性之间的关联关系，采用杰卡德相似度可计算两两商品之间关联的相似性，得到相关商品销量特征X_relate。计算公式为：

其中，两两商品关联的交集比上两两商品关联的并集。

提取上述多类型特征后，将训练数据按照门店商品进行分组X＝{X₁，X₂，......，X_N}，对每个门店下的每个商品X_i都按照上述多类型特征融合，即：Vector(X_i)＝{V_sales(X_i)，V_OneHot(X_i)，V_Association(X_i)}，其中，

V_sales＝{D_now，D_future-day3，......，D_past-mon}；

V_OneHot＝{T_max，T_min，......，X_promotions}；

V_Association＝{X_similars，X_relate}；

将输入x为特征向量Vector(X_i)、标签v为该商品历史销量实际值输入到算法f长短期记忆网络(LSTM，Long Short-Term Memory)中进行训练，最终输出f(w*x)为回归模型。

其中，回归模型为H(T_n+1)＝g(H(T₁)+H(T₂)+....+H(T_n))，H(T_1...n)为某T天的销量特征，H(T_n+1)为最终预测结果。采用的损失函数为

其中

w为权重，b为偏置。最后采用梯度下降法来将损失函数降到最小，其公式如下：

Δw＝-α·(y-h(x))·h(x)(1-h(x))·x。

至此回归模型构建完成，通过输入x为当日销量特征，将其放入回归模型中计算即可输出y＝f(w*x)为未来N日销量预测值，从而可预测未来一段时间内的销量变化。

(2)基于商品活跃度分类的物流约束下供应链库存优化方法

其物流约束下的供应链库存优化的基本目标是w₁·x+w₂·y+w₃·z，其中，x指的是商品满足率，y指的是商品周转率，z指的是商品补货周期，z∈Z⁺，z＝1，2，3，4，5，...，w₁，w₂，w₃分别为商品满足率、商品周转率、商品补货周期的权重值。主要约束为每种商品补货总数量为NUM＝N·P＜C，其中N为补货单位数，P为最小补货单位，C为库存分配数量。

零售领域下构建供应链库存优化模型主要是使得上述基本目标达到最优。构建供应链库存优化模型的步骤包括商品分类、补货周期计算、安全库存计算等。

商品分类如下，通过(1)中预测到未来一段时间的销量后，通过公式

来对商品进行分类，其中sale_day是指一段时间内每一天的商品销量，count_day是指一段时间内的销售天数，cycle为补货周期。

若NUM≥20，则判定该商品为快销品，其特点是每一次都进行配送。

若1≤NUM＜20，则判定该商品为中销品，其特点是补货周期是中消品的N倍，其中N＝2，3，4...。

若NUM＜1，则判定该商品为慢销品，其特点是补货周期是快消品的1/N倍，其中N＝2，3，4...。

若

其中Total_good为，Total_cycle为，则判定该商品为滞销品，其特点是保持最少库存1，销多少补多少。

补货周期计算如下，对补货周期的定义为所有商品至少完成1次补货配送，补货周期为配送周期的N倍。通过商品历史销量数据可以求出商品的日均销量，公式为

其中，Sales_good为商品在Sales_day售卖天数内的总销量。通过dailySales来设定fastThreshold为快销品阈值，slowThreshold为慢销品阈值。通过比较商品的日均销量与阈值，将快销品分类补货后，得到商品的剩余最大补货数量remainMaxNum＝max Num-fastSize，maxNum为最大补货数量，fastSize为快销品的补货数量。再从其他类别的商品中选择填满剩余补货数量。此时，总的补货周期circle＝middleSize/remainMaxNum*2+slowSize/remainMaxNum，middleSize为中销品补货数量，slowSize为慢销品补货数量。

最终可知假设特快销品的补货周期为day，则中销品补货周期为middleCircle＝day*(circle/2)，慢销品补货周期为slowCircle＝day*circle。其核心思想主要是，缩短快销品的补货周期，拉长慢销品的补货周期。

安全库存计算如下，销量预测准确率难以达到100％，需要增加一定冗余量，尽量避免缺货，通过计算可得安全库存公式为：

其中y_t表示该商品的实际销量，LSTM表示该商品的预测销量。当预测销量小于实际销量时，不足销量的平均值与当预测销量大于实际销量时，超出销量的平均值之和即为该商品的安全库存，以此获得最佳零售领域供应链库存优化。

附图说明

图1为基于多类型特征融合的商品销量精准预测技术框架图

图2为基于商品活跃度分类的物流约束下供应链库存优化方法技术流程图

具体实施方式

结合附图1技术框架图，基于多态特征融合的商品销量精准预测方法步骤如下：

第一步：数据预处理

获取到商品基础数据、历史销量数据、促销活动数据、气象数据等。对于商品历史销量为负的商品进行标记剔除，单个商品的历史销量数据日期不连续，进行补全等数据预处理操作。

第二步：提取多类型特征

对商品每日的销量长短时统计特征提取，其中包括：该商品某天的当天数据特征、未来3天数据特征、未来18天数据特征、未来39天数据统特征、过去一天数据特征、过去3天数据特征、过去7天数据特征、过去15天数据特征、过去一个月数据特征、过去3个月数据特征、过去6个月数据特征、过去12个月数据特征、去年同月数据特征、去年上月数据特征、去年下月数据特征以及当前月份数据等；

特殊时间独热特征向量包括：最高温度特征、最低温度特征、降雨量特征、当天是否为周末、会员日、节假日以及使用通用券数量等特征。

关联商品销量特征向量包括：同通用名/同用途其他商品销量特征。

第三步：构建深度学习模型

对第二步多类型特征向量进行融合，按照门店商品进行分类训练模型，将融合后的多态特征滚动输入长短时记忆网络(LSTM)中进行训练，生成回归模型。

第四步：销量预测

对回归模型进行测试，最终得到未来一段时间内的预测销量。

结合附图2技术流程图，基于商品活跃度分类的物流约束下供应链库存优化方法步骤如下：

第五步：商品分类

在通过基于多态特征融合的商品销量精准预测方法的预测商品未来一段时间的销量后，根据商品历史活跃度对商品进行分类(包括快销品、中销品、慢销品、滞销品等)。

第六步：约束分析

通过物流约束的基本目标可知，本发明核心思想为快销品加快周转，库存留给慢销品，从而使得周转率最优化。

第七步：优化方案

通过补货周期计算与安全库存计算可规划出该商品的安全库存并获得每个门店下多品类零售领域供应链库存优化方案。同时注意：考虑到有部分误差，应增加一定冗余量，从而尽量避免缺货。

第八步：仿真验证

通过周转天数＝日均库存/日均销量可知，基于商品活跃度分类的物流约束下供应链库存优化方法能够很好的降低周转天数，从而提升资金周转效率，降低公司成本。

Claims

1.一种基于销量预测的零售领域供应链库存优化方法，其特征是：

(1)基于多态特征融合的商品销量精准预测方法；

(2)基于商品活跃度分类的物流约束下零售领域供应链库存优化方法。

2.根据权利要求1所述的基于多态特征融合的商品销量精准预测方法，其特征是，根据商品历史销量数据、商品功能属性和分类数据，以及历史特殊日期和天气等数据，提取商品历史每日的销量长短时统计特征、特殊时间独热特征和关联商品销量特征，并进行融合，采用长短时记忆神经网络，滚动输入商品N日特征，训练商品销量精准预测模型。

3.根据权利要求1所述的基于商品活跃度分类的物流约束下供应链库存优化方法，其特征是，根据商品历史M月销量，计算商品活跃度，根据商品历史活跃度对商品进行分类，并构建满足物流约束的供应链库存优化模型，从而减少因供应链库存过度堆积所导致的资金周转率低的问题，从而加快企业资金周转。