CN115907611A - 一种基于配件市场价值的配件库存管控方法 - Google Patents

Abstract

本发明公开了一种基于配件市场价值的配件库存管控方法，包括以下步骤：A、建立被测配件的数据库；B、根据步骤A建立的数据库构建基于配件市场价值的组合预测模型；C、训练组合预测模型；D、预测被测配件的供需量；E、计算被测配件的价值属性；F、计算被测配件的库存配额：根据市场需求量预测值，得到单个代理商的库存限额；G、设置库存上下限：根据库存限额以及单个代理商的需求量预测值设置库存上下限，并进行配件分类。本发明根据配件在多链代理商流通的特点，汇聚抽取多链代理商的数据，利用LSTM‑XGBoost组合预测模型准确地预测市场中配件的供应量和需求量，在此结果上能够科学的设置代理商的库存限额。

Description

一种基于配件市场价值的配件库存管控方法

技术领域

本发明属于多核价值链管控技术领域，特别涉及一种基于配件市场价值的配件库存管控方法。

背景技术

近年来，中国汽车销售增长率逐渐下降，中国汽车市场已不再是新车的舞台，市场中巨大的存量宝藏吸引了更多企业的目光，企业家们纷纷将投资方向转变为汽车后市场。而配件行业是汽车后市场发展的基础，因此在配件销售链路中占有重要角色的配件代理商企业的重要性就逐渐凸显出来了。配件代理商企业通常会代理多家品牌的配件，其库存中存储着成千上万的汽车配件，占用资金高达百万，如何在满足整车制造厂对配件维修及时性的要求下合理管控库存、降低库存成本是代理商企业亟需解决的问题。

通过对配件代理商企业的实地调研可知，以配件的价值为导向进行库存管控一直是代理商遵循的准则。配件代理商企业通过判断目前配件的价值来设置库存限额以及配件分类，从而以最小的成本进行库存的调控。目前汽车产业链平台已经实现了基本的库存管控功能，包括库存数据管理、出入库记录查询等，但对于库存限额设置以及分类设置需要代理商手动进行输入，系统没有为其推荐合适的设置结果，没有充分利用数据空间庞大的数据基础提供智能化、精准化的库存管控服务，并不能满足代理商对库存管控的更高要求。目前代理商在基于配件的价值进行库存管控时还存在如下问题：

(1)在配件市场价值分析方面，代理商以往对配件价值的分析只考虑了配件的销售情况，并没有考虑到配件的订货周期长短、市场存量、供应难度等供应方面的情况，参考数据源类别单一。其次，目前的代理商业务系统中，代理商只能根据自身产生的业务数据进行分析决策，并不能获取到整个市场的数据，分析得到的市场价值结果具有区域局限性。

(2)在库存管控方面，目前代理商多是通过对比库存上下限与实际库存数量的大小关系对配件进行分类，对不同类别的配件制定对应的销售计划或采购计划，从而达到调控库存的目的。但在库存限额数值的确定上多是依赖人工经验，缺乏科学的指导，或会造成代理商限额设置不合理，进而导致资金损失的情况。在配件分类时只考虑了自身业务情况以及库存数量与限额的关系，没有考虑市场中其它代理商的供求情况。

通常预测算法既可以用回归的方法进行预测，也可以使用时间序列的方式进行预测。

使用回归的方法进行预测，可以获取多个特征数据对预测结果的影响。将与预测量有关的特征按照模型的需求，进行变换，并且需要针对不同的模型，进行特征选择和调参。往往这类算法具有很好的灵活性和稳定性，准确性较高，不易发生过拟合等优点。但这类算法也存在一些缺点，如对特征工程依赖比较大，构建特征工程需要花费大量的人力物力。同时，构建特征工程需要对场景有深入的了解，要求挖掘出对预测目标的较强影响的特征，模型复用性较差。

使用时间序列的方法进行预测，则不需要考虑过多的特征工程，使用单维度的时序数据即可进行预测，模型具有较强的稳定性的同时，可从时序数据中提取出与预测值有关的特性，例如周期性、趋势性和波动性等。但是，其存在的缺点也较为明显，如适用场景单一，只适用于有一定规律性的商品。而且，模型考虑因素单一，无法考虑外部因素对销量的干扰。

发明内容

本发明的目的在于克服现有技术的不足，提供一种根据配件在多链代理商流通的特点，汇聚抽取多链代理商的数据，利用LSTM-XGBoost组合预测模型准确地预测市场中配件的供应量和需求量，能够科学的设置代理商的库存限额的配件库存管控方法。

本发明的目的是通过以下技术方案来实现的：一种基于配件市场价值的配件库存管控方法，包括以下步骤：

A、建立被测配件的数据库：对数据空间中多个主题的数据进行整合、筛选、清洗处理，然后将数据抽取、计算后存入到建立的专业库中；

B、根据步骤A建立的数据库构建基于配件市场价值的组合预测模型：由LSTM模型和XGBoost模型通过LSTM自适应赋权法组合；

C、训练组合预测模型；

D、预测被测配件的供需量；

E、计算被测配件的价值属性；

F、计算被测配件的库存配额：根据市场需求量预测值，得到单个代理商的库存限额；

G、设置库存上下限：根据一个库存限额以及单个代理商的需求量预测值设置库存上下限，并进行配件分类。

进一步地，所述步骤A具体包括如下子步骤：

A1、针对预测所需要的数据锁定配件数据空间和数据表；

A2、针对步骤A1锁定的数据表，根据所需数据锁定相应的字段；

A3、将步骤A1和步骤A2中的数据重新分类，然后合并成一个数据表；

A4、对数据空间和合并的数据表中的数据进行筛选，并对筛选后的数据进行统计和计算，得到专业库；

A5、提前根据预测结果和价值分析结果要用的字段建立起智能服务数据库。

进一步地，所述步骤C具体实现方法为：提取配件需求量特征数据和配件供应量特征数据，带入组合预测模型，进行模型的训练与调参；在LSTM模型中代入特征数据判断是否收敛，调整参数直到收敛；在XGBoost模型中代入特征数据判断预测值和误差值是否最优，调整参数直到最优。

进一步地，提取配件需求量特征数据步骤为：

1)选取某配件，并按天为单位提取配件销售数据，并将异常数据使用销售数据均值替代；

2)将当天销售数量按连续日期补全，配件并不是每天都有销售记录，对于没有销售记录的数据填补为0，用于表征其实际的销售情况；

3)计算每天所对应的本周需求量和下周需求量；为了扩大数据量，将从i天到i+7天的销售总数量视为本周需求量，将从i+8天到i+14天的平均销售总数量视为下周需求量；

4)计算平均销售价，对于没有销售记录的数据，用平均销售价将数据补全；

5)从整车保有量表和配件故障量表中查找当前配件、当前时间的对应数据；

提取配件供应量特征数据步骤为：

1)选取某配件，按天提取出入库数据，并将数据异常的值使用均值代替，入库数量为正，出库数量为负；

2)连续日期补全，并按天统计供应量，第i+1天供应量数为第i天供应量与第i+1天入库数量之和或与第i+1天出库数量之差；

3)计算每天所对应的本周供应量和下周供应量，为了扩大数据量，将从i天至i+7天的平均供应量视为本周供应量，将从i+8天至i+14天的平均供应量视为下周供应量；

4)计算每天平均采购价格，对于没有入库记录的当天采购价，用平均采购价将数据补全；

5)计算当天平均采购周期，计算方法为截止到当天为止整车制造厂采购周期和代理商企业采购周期的平均数；

6)计算当前时间整车制造厂和下游服务站的总库存。

进一步地，所述步骤D具体实现方法为：将配件需求量特征数据和配件供应量特征数据输入步骤C训练后的组合预测模型中，来预测未来一周某配件的供应量和需求量；配件市场供应量时序变化数据、配件的采购价格、采购周期、市场库存数是影响配件供应量的客观影响因素，配件市场需求量时序变化数据、配件的销售价格、整车保有量、配件故障量是影响市场需求量的客观影响因素，将这些数据都输入到组合预测模型中；为了创建更多的训练样本，采用非标准周统计数据变化，即统计从第i天到第i+7天的数据，根据之前七天预测未来七天的值，而不考虑是否为标准周，变相增加样本数据集。

进一步地，所述步骤E具体实现方法为：根据步骤D中得到的配件需求量、供应量预测值判断配件价值属性，计算配件市场价值影响因子δ_i和配件市场价值修正系数σ，具体包括步骤E1到E5：

E1、将配件在下一个库存周期的需求量预测值、供应量预测值的比值作为配件市场价值影响因子δ_i；

E2、市场价值影响因子δ_i大于1设置为高价值配件，市场价值因子δ_i小于1设置为低价值配件；

E3、找到配件市场价值影响因子集合Δ＝{δ_i，i∈N}中的最小值Min及最大值Max，N表示配件总数量；

E4、计算系数k：k＝(b-a)/(Max-Min)，将a设置为0.5，b设置为1.5；

E5：得到归一化至[a,b]区间的配件市场价值修正系数σ：σ＝a+k(δ_i-Min)。

进一步地，所述步骤F具体实现方法为：根据市场需求量预测值和配件市场价值影响因子，得到单个代理商的库存限额，具体包括步骤F1到F4：

F1、确定单个代理商过去一个周期T内销量s_i占有市场s的比重

F2、由配件需求预测值Q和F1中的比重计算得到单个代理商的需求量预测值Q_i：

F3、确定单个代理商过去一个周期T的需供比

F4、由F2、F3以及E中的配件市场价值修正系数计算得到单个代理商的库存限额

进一步地，所述步骤G具体实现方法为：

G1、考虑配件的自身特性以及结合市场需求量和市场供应量确定配件分类的指标；

G2、运用熵权法根据步骤A中各指标的变异程度确定权重；

G3、采用WFCM对抽取样本进行分类，然后采用轮廓系数对分类结果有效性进行验证，进而为分类模型的训练提供学习集；

G4、运用SVM分别对加权数据与不加权数据训练对比分类精度，进而为库存分类确定较优的分类模型。

本发明的有益效果是：本发明根据配件在多链代理商流通的特点，汇聚抽取多链代理商的数据，利用LSTM-XGBoost组合预测模型准确地预测市场中配件的供应量和需求量，在此结果上能够科学的设置代理商的库存限额。解决了传统代理商设置库存限额过于依赖人工经验的问题，并运用加权模糊C均值聚类(WFCM)算法为代理商进行配件分类，更好的为代理商管控库存提供参考指导，进而使代理商的配件采购、库存管理更加的合理，能够减少代理商的库存成本，更大化代理商的收益。

附图说明

图1为本发明流程示意图；

图2为LSTM的网络结构图；

图3为组合预测模型构建示意图；

图4为市场供应量预测对比实验图；

图5为市场需求量预测对比实验图；

图6为配件分类算法步骤图。

具体实施方式

下面结合附图进一步说明本发明的技术方案。

如图1所示，本发明的一种基于配件市场价值的配件库存管控方法，包括以下步骤：

A、建立被测配件的数据库：对数据空间中多个主题的数据进行整合、筛选、清洗处理，然后将数据抽取、计算后存入到建立的专业库中；

步骤A具体包括如下子步骤：

A1、针对预测所需要的数据锁定配件数据空间和数据表；以配件“齿轮油”为例，从配件数据空间中的整车制造厂的库存表、代理商的库存表以及服务站的库存表中分别找出齿轮油可用库存量字段，共同组成本发明的配件库存记录数据表。

A2、针对步骤A1锁定的数据表，根据所需数据锁定相应的字段；在整车制造厂、代理商、服务站的库存表中，除了齿轮油可用库存量外，保留齿轮油ID、企业ID、冻结库存等需要数据的字段，去掉企业地址、入库总量等本发明不需要数据的字段，根据数据需要进一步缩小数据提取的范围。

A3、将步骤A1、A2提取、筛选、清洗胡的数据重新分类，然后合并成一个数据表；为预测齿轮油的市场供应量，提取齿轮油在整车制造厂、各个配件代理商以及其下游服务站的库存数据，将处理好的数据空间字段导入到一个新的数据表中，数据表重新命名为齿轮油库存记录数据表。用于后续的数据分析以及预测。

采用该类方法的数据表主要有：配件信息表、企业信息表、配件销售记录表、配件库存记录表、配件出入库记录表、配件采购记录表等。

A4、对数据空间和合并的数据表中的数据进行筛选，并对筛选后的数据进行统计和计算，得到专业库；该类数据表的某些字段没有直接存储在数据空间中，而是需要通过数据空间中存在的字段进行某些方式的计算得到。由于每个字段的计算方法不同，下面对该类数据表中各个表进行分别阐述。

1)整车保有量表整车保有量是指某车型的市场存量，可通过整车制造厂企业中的整车销售数据表和代理商企业的配件基础信息表间接得到。通过配件基础信息表得到配件的适用车型，通过适用车型编号查询整车销售表，统计截止到当前时间的所有汽车销售数量，得到本发明所需的整车保有量数据表。本发明以天为单位进行统计。

2)配件故障量表配件故障量表示截止到当前时间该配件的所有故障总数，其可通过售后数据空间中的维修鉴定表统计得到，通过统计截止到当前时间为止该配件的维修数量总和，得到配件故障量。与整车保有量统计方法类似，本发明以天为单位统计。

A5、提前根据预测结果和价值分析结果要用的字段建立起智能服务数据库。

B、根据步骤A建立的数据库构建基于配件市场价值的组合预测模型：由LSTM模型和XGBoost模型通过LSTM自适应赋权法组合；

LSTM是应用很广的基于时间序列的预测模型。LSTM是在循环神经网络(RNN)的基础上进行改进的，通过增加控制门单元解决了RNN长距离依赖问题。这样的改进可以使网络拥有更长时间的记忆。如图2为LSTM的网络结构图。

LSTM保持长期记忆的原理在于横穿整个结构的水平箭头，即其神经元的状态。它类似于一个传送带，上一时刻的某些记忆可以传送到下一时刻。而哪些记忆可以保持、哪些记忆需要被遗忘则通过门控单元进行控制。LSTM包括三个门控单元：分别为遗忘门、输入门和输出门。输入门i_t用于控制当前输入信息的输入量，遗忘门f_t用于控制上一时刻信息的遗忘程度，输出门o_t用于当前时刻控制细胞状态的输出量。LSTM在某个时间步t的计算公式如(1)～(6)所示：

遗忘门：

f_t＝σ(W_f·[h_t-1，x_t]+b_f)    (1)

输入门：

输出门：

o_t＝σ(W_o[h_t-1，x_t]+b_o)    (4)

长记忆：

短记忆：

h_t＝o_t*tanh(C_t)    (6)

XGBoost算法模型是开源的，应用非常广泛。XGBoost本质上还是一个GBDT(Gradient Boosting Decision Tree)，但是其力争把速度和效率发挥到极致，所以叫X(Extreme)GBoosted。其核心思想为通过不断地添加树，不断地特征分裂来生长一棵树，每一次迭代，都在现有树的基础上，增加一棵树去拟合前面树的预测结果与真实值之间的残差，第t棵树的预测的结果其实就是之前t-1棵树的预测结果之和，表达公式如(7)所示：

首先，XGBoost预测精度高于GBDT。GBDT只用到一阶泰勒展开损失函数，而XGBoost使用二阶泰勒展开损失函数，有利于梯度下降地更快更准；其次，在分类器方面XGBoost不仅可以使用CART基分类器，还支持线性分类器；XGBoost借鉴RF列抽样的做法，有效降低了计算的总次数，提高了算法运行的速度；XGBoost支持特征并行处理，即对多个特征分block块并排序，块结构可以很好地支持并行计算。这也是XGBoost比GDBT速度快的主要原因。

配件供应量与需求量的预测不仅与历史数据有关，还与很多客观影响因素有关，属于复杂问题。因此，本发明提出从时间序列预测和回归预测两个模型来构建技术解决方案，以求对配件的市场供应量和市场需求量进行精准的预测。一方面采用时间序列预测法，挖掘出时间序列的变化趋势和规律，从而预测出下一时段的配件市场供应数量和配件市场需求数量。另一方面，使用回归预测模型来拟合影响因素对预测结果的影响程度。选用LSTM网络和XGBoost模型进行组合，并将各自的预测结果按照一定的方式进行加权组合，得出组合模型的预测结果，从而增加模型预测精度。本组合模型构建示意图如图3所示。

C、训练组合预测模型；具体实现方法为：提取配件需求量特征数据和配件供应量特征数据，带入组合预测模型，进行模型的训练与调参；在LSTM模型中代入特征数据判断是否收敛，调整参数直到收敛；在XGBoost模型中代入特征数据判断预测值和误差值是否最优，调整参数直到最优。

提取配件需求量特征数据步骤为：

1)选取某配件，并按天为单位提取配件销售数据，并将异常数据使用销售数据均值替代；

2)将当天销售数量按连续日期补全，配件并不是每天都有销售记录，对于没有销售记录的数据填补为0，用于表征其实际的销售情况；

3)计算每天所对应的本周需求量和下周需求量；为了扩大数据量，将从i天到i+7天的销售总数量视为本周需求量，将从i+8天到i+14天的平均销售总数量视为下周需求量；

4)计算平均销售价，对于没有销售记录的数据，用平均销售价将数据补全；

5)从整车保有量表和配件故障量表中查找当前配件、当前时间的对应数据；

提取配件供应量特征数据步骤为：

1)选取某配件，按天提取出入库数据，并将数据异常的值使用均值代替，入库数量为正，出库数量为负；

2)连续日期补全，并按天统计供应量，第i+1天供应量数为第i天供应量与第i+1天入库数量之和或与第i+1天出库数量之差；

3)计算每天所对应的本周供应量和下周供应量，为了扩大数据量，将从i天至i+7天的平均供应量视为本周供应量，将从i+8天至i+14天的平均供应量视为下周供应量；

4)计算每天平均采购价格，对于没有入库记录的当天采购价，用平均采购价将数据补全；

5)计算当天平均采购周期，计算方法为截止到当天为止整车制造厂采购周期和代理商企业采购周期的平均数；

6)计算当前时间整车制造厂和下游服务站的总库存。

其中，组合预测模型具体调参情况如下：

为了提高XGBoost模型的预测效果，本发明使用网格调参法对各个参数进行选取。在具体算法实现上，使用python第三方机器学习库sklearn中的GridSearchCV函数来实现网格调参法。在参数的选取上，使用决定系数(R²)作为参数选取的得分函数，其公式如下式所示：

其中，y_i表示样本i实际值，

表示预测值，

表示实际值均值。

经过机器学习的网格调参法，探索出较为合适的各模型参数。本发明在XGBoost算法中，设置树的最大深度设置为10，学习率eta为0.01，gamma设置为0，最大迭代数量设置为300，每棵树随机采样比例设置为0.8，生成树时随机抽样特征的比例设置为0.9。

在LSTM网络模型中，为避免神经网络结构过于复杂而造成模型过拟合，本发明的预测模型采用1层Input+3层LSTM+3层Dropout+1层Dense的设计。并经过实验和调试将LSTM模型中Dropout设置为0.2，输出层Dense的神经元个数取1，使用ReLU做网络的激活函数，MAE为模型损失函数，模型迭代次数设置为300次，训练批次大小batch_size为32。

D、预测被测配件的供需量；具体实现方法为：将配件需求量特征数据和配件供应量特征数据输入步骤C训练后的组合预测模型中，来预测未来一周某配件的供应量和需求量；配件市场供应量时序变化数据、配件的采购价格、采购周期、市场库存数是影响配件供应量的客观影响因素，配件市场需求量时序变化数据、配件的销售价格、整车保有量、配件故障量是影响市场需求量的客观影响因素，将这些数据都输入到组合预测模型中；为了创建更多的训练样本，采用非标准周统计数据变化，即统计从第i天到第i+7天的数据，根据之前七天预测未来七天的值，而不考虑是否为标准周，变相增加样本数据集。

本发明采用了LSTM，XGBoost两种预测模型进行组合，这里分别使用这两个单一模型对数据进行拟合作为两组对比实验。用于验证组合模型的预测效果优于单一模型。

为了验证LSTM-XGBoost组合预测模型的预测效果优于其他组合模型，本发明选用了LSTM-LightGBM组合预测模型作为第二组对照性实验。通过将LSTM-LightGBM与LSTM-XGBoost的预测值与真实值进行对比，验证LSTM-XGBoost模型的准确度更高。

对于评价指标的选取，本发明采用2个常用的评价指标来进行模型的评估：平均绝对误差(Mean Absolute Error，MAE)和均方根误差(Root Mean Square Error，RMSE)。它们可以得出评估预测值与真实值的差距大小，并根据两个评价指标的结果判断算法模型的有效性以及精准度。具体计算公式如下所示：

其中，y_i为样本的真实值，

代表预测值，n为训练集数据的个数，i是训练集数据的编号。

本发明以配件“齿轮油”为例，将样本数据集依据8:2的比例划分为训练集和测试集后，使用训练集分别训练LSTM网络模型和XGBoost模型，确定模型最优超参数，保存训练模型。再将测试集输入到模型中，得到各单机机器学习模型预测结果，最后将两个预测结果再作为LSTM模型的输入，得出组合模型预测结果。将预测输出值与真实值之间进行对比，并利用pyplot画图模块对拟合效果以图像形式可视化展示。市场供应量预测中对比模型、LSTM-XGBoost组合预测模型的预测结果与真实值的对比如图4所示，市场需求量预测中对比模型、LSTM-XGBoost组合预测模型的预测结果与真实值的对比如图5所示。

E、计算被测配件的价值属性；具体实现方法为：根据步骤D中得到的配件需求量、供应量预测值判断配件价值属性，计算配件市场价值影响因子δ_i和配件市场价值修正系数σ，具体包括步骤E1到E5：

E1、将配件在下一个库存周期的需求量预测值、供应量预测值的比值作为配件市场价值影响因子δ_i；

E2、市场价值影响因子δ_i大于1设置为高价值配件，市场价值因子δ_i小于1设置为低价值配件；

E3、找到配件市场价值影响因子集合Δ＝{δ_i，i∈N}中的最小值Min及最大值Max，N表示配件总数量；

E4、计算系数k：k＝(b-a)/(Max-Min)；市场价值对库存限额的调控不宜过大也不宜过小，经与代理商企业协商后，将a设置为0.5，b设置为1.5；

E5：得到归一化至[a,b]区间的配件市场价值修正系数σ：σ＝a+k(δ_i-Min)。

F、计算被测配件的库存配额：根据市场需求量预测值，得到单个代理商的库存限额；具体实现方法为：根据市场需求量预测值和配件市场价值影响因子，得到单个代理商的库存限额，具体包括步骤F1到F4：

F1、确定单个代理商过去一个周期T内销量s_i占有市场s的比重

F2、由配件需求预测值Q和F1中的比重计算得到单个代理商的需求量预测值Q_i：

F3、确定单个代理商过去一个周期T的需供比

F4、由F2、F3以及E中的配件市场价值修正系数计算得到单个代理商的库存限额

G、设置库存上下限：根据一个库存限额以及单个代理商的需求量预测值设置库存上下限，并进行配件分类；具体实现方法为：

G1、考虑配件的自身特性以及结合市场需求量和市场供应量确定配件分类的指标；

G2、运用熵权法根据步骤A中各指标的变异程度确定权重；

G3、采用WFCM对抽取样本进行分类，然后采用轮廓系数对分类结果有效性进行验证，进而为分类模型的训练提供学习集；

G4、运用SVM分别对加权数据与不加权数据训练对比分类精度，进而为库存分类确定较优的分类模型。

从需求特性、供给特性以及配件自有特点三个视角选取能够较全面刻画配件的步骤G1中的指标，分为8个：配件上限额、配件下限额、采购价格、销售价格、销售量、供给量、市场供应量和市场需求量。

步骤G2中根据分类指标数据确定各指标值权重的过程分为以下步骤：

(1)数据标准化

正向指标标准化公式为：

负向指标标准化公式为：

其中x_ij表示抽样的第i个配件的第j项指标的值，r_ij为对应的标准化后的值。

(2)计算熵值

计算第i个库存项目第j个指标值的比重p_ij：

计算第j个指标的熵值e_j：

其中，k＝1/ln(n)＞0，满足e_j≥0。

(3)计算第j个指标的熵权w_j：

其中0≤w_j≤1。

在上述步骤G2确定权重后，使用WFCM算法对配件进行聚类分析，本发明采用C_max＝2ln(n)作为最大聚类数目选取的依据，其中n为抽取的配件样品数量。

给定隶属度矩阵的指数s，最大迭代次数n，迭代终止条件ε，设置迭代计数器t，同时初始化模糊隶属度矩阵，按照聚类数C的取值逐一进行WFCM聚类分析。

聚类有效性分析通过对比不同聚类数的有效性指标值的大小，在聚类数目的取值范围内科学合理的选取最优的聚类数目。对不同的聚类数采用平均轮廓值进行有效性分析可得最佳聚类数C_opt。

在上述步骤进行聚类分析后，获取预分类的学习集，运用加权数据及非加权数据选取参数训练SVM模型，步骤如下：

(1)寻找训练最优参数：选取径向基函数作为核函数应用到分类模型的训练中。SVM训练精度是由参数C(惩罚系数，表示对误差的容忍度)和参数g(径向核自带参数，决定数据映射到高维特征空间后的分布)共同决定的。本发明运用grid.py来进行搜索最优的参数，对于不同的数据集得到的参数是不同的。

(2)用svm-train训练模型：按照交叉验证方式将样本数据分为训练样本70％，测试样本为30％进行训练。将上述步骤(1)得到的最优参数C、g带入训练模型指令中，分别对不加权标准化数据与加权标准化数据的训练集进行训练。

(3)用svm-predict预测：得到训练模型后，用测试集进行模型精度测试，对加权与不加权的数据集得到不同的预测精度，得到对指标加入权重后的分类模型的精度更高。

最终可得多指标决策与机器学习相结合的配件库存分类模型，该分类模型可以给代理商提供参考，将库存的配件运用该模型进行分类，代理商便可根据分类后的每一类的配件的特点采取不同的管理措施，例如分出的一类配件的数据特征是市场需求量小于市场供应量并且实时库存数大于库存上限的，就可以当作滞销件处理，反之如果分出的一类配件的数据特征是市场需求量大于市场供应量并且实时库存数小于库存下限的，就可以当作急缺件处理。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (8)

1.一种基于配件市场价值的配件库存管控方法，其特征在于，包括以下步骤：

A、建立被测配件的数据库：对数据空间中多个主题的数据进行整合、筛选、清洗处理，然后将数据抽取、计算后存入到建立的专业库中；

B、根据步骤A建立的数据库构建基于配件市场价值的组合预测模型：由LSTM模型和XGBoost模型通过LSTM自适应赋权法组合；

C、训练组合预测模型；

D、预测被测配件的供需量；

E、计算被测配件的价值属性；

F、计算被测配件的库存配额：根据市场需求量预测值，得到单个代理商的库存限额；

G、设置库存上下限：根据库存限额以及单个代理商的需求量预测值设置库存上下限，并进行配件分类。

2.根据权利要求1所述的基于配件市场价值的配件库存管控方法，其特征在于，所述步骤A具体包括如下子步骤：

A1、针对预测所需要的数据锁定配件数据空间和数据表；

A2、针对步骤A1锁定的数据表，根据所需数据锁定相应的字段；

A3、将步骤A1和步骤A2中的数据重新分类，然后合并成一个数据表；

A4、对数据空间和合并的数据表中的数据进行筛选，并对筛选后的数据进行统计和计算，得到专业库；

A5、提前根据预测结果和价值分析结果要用的字段建立起智能服务数据库。

3.根据权利要求1所述的基于配件市场价值的配件库存管控方法，其特征在于，所述步骤C具体实现方法为：提取配件需求量特征数据和配件供应量特征数据，带入组合预测模型，进行模型的训练与调参；在LSTM模型中代入特征数据判断是否收敛，调整参数直到收敛；在XGBoost模型中代入特征数据判断预测值和误差值是否最优，调整参数直到最优。

4.根据权利要求3所述的基于配件市场价值的配件库存管控方法，其特征在于，提取配件需求量特征数据步骤为：

1)选取某配件，并按天为单位提取配件销售数据，并将异常数据使用销售数据均值替代；

2)将当天销售数量按连续日期补全，配件并不是每天都有销售记录，对于没有销售记录的数据填补为0，用于表征其实际的销售情况；

3)计算每天所对应的本周需求量和下周需求量；为了扩大数据量，将从i天到i+7天的销售总数量视为本周需求量，将从i+8天到i+14天的平均销售总数量视为下周需求量；

4)计算平均销售价，对于没有销售记录的数据，用平均销售价将数据补全；

5)从整车保有量表和配件故障量表中查找当前配件、当前时间的对应数据；

提取配件供应量特征数据步骤为：

1)选取某配件，按天提取出入库数据，并将数据异常的值使用均值代替，入库数量为正，出库数量为负；

2)连续日期补全，并按天统计供应量，第i+1天供应量数为第i天供应量与第i+1天入库数量之和或与第i+1天出库数量之差；

3)计算每天所对应的本周供应量和下周供应量，为了扩大数据量，将从i天至i+7天的平均供应量视为本周供应量，将从i+8天至i+14天的平均供应量视为下周供应量；

4)计算每天平均采购价格，对于没有入库记录的当天采购价，用平均采购价将数据补全；

5)计算当天平均采购周期，计算方法为截止到当天为止整车制造厂采购周期和代理商企业采购周期的平均数；

6)计算当前时间整车制造厂和下游服务站的总库存。

5.根据权利要求4所述的基于配件市场价值的配件库存管控方法，其特征在于，所述步骤D具体实现方法为：将配件需求量特征数据和配件供应量特征数据输入步骤C训练后的组合预测模型中，来预测未来一周某配件的供应量和需求量；配件市场供应量时序变化数据、配件的采购价格、采购周期、市场库存数是影响配件供应量的客观影响因素，配件市场需求量时序变化数据、配件的销售价格、整车保有量、配件故障量是影响市场需求量的客观影响因素，将这些数据都输入到组合预测模型中；为了创建更多的训练样本，采用非标准周统计数据变化，即统计从第i天到第i+7天的数据，根据之前七天预测未来七天的值，而不考虑是否为标准周，变相增加样本数据集。

6.根据权利要求1所述的基于配件市场价值的配件库存管控方法，其特征在于，所述步骤E具体实现方法为：根据步骤D中得到的配件需求量、供应量预测值判断配件价值属性，计算配件市场价值影响因子δ_i和配件市场价值修正系数σ，具体包括步骤E1到E5：

E1、将配件在下一个库存周期的需求量预测值、供应量预测值的比值作为配件市场价值影响因子δ_i；

E2、市场价值影响因子δ_i大于1设置为高价值配件，市场价值因子δ_i小于1设置为低价值配件；

E3、找到配件市场价值影响因子集合Δ＝{δ_i，i∈N}中的最小值Min及最大值Max，N表示配件总数量；

E4、计算系数k：k＝(b-a)/(Max-Min)，将a设置为0.5，b设置为1.5；

E5：得到归一化至[a,b]区间的配件市场价值修正系数σ：σ＝a+k(δ_i-Min)。

7.根据权利要求1所述的基于配件市场价值的配件库存管控方法，其特征在于，所述步骤F具体实现方法为：根据市场需求量预测值和配件市场价值影响因子，得到单个代理商的库存限额，具体包括步骤F1到F4：

F1、确定单个代理商过去一个周期T内销量s_i占有市场s的比重

F2、由配件需求预测值Q和F1中的比重计算得到单个代理商的需求量预测值Q_i：

F3、确定单个代理商过去一个周期T的需供比

F4、由F2、F3以及E中的配件市场价值修正系数计算得到单个代理商的库存限额

8.根据权利要求1所述的基于配件市场价值的配件库存管控方法，其特征在于，所述步骤G具体实现方法为：

G1、考虑配件的自身特性以及结合市场需求量和市场供应量确定配件分类的指标；

G2、运用熵权法根据步骤A中各指标的变异程度确定权重；

G3、采用WFCM对抽取样本进行分类，然后采用轮廓系数对分类结果有效性进行验证，进而为分类模型的训练提供学习集；

G4、运用SVM分别对加权数据与不加权数据训练对比分类精度，进而为库存分类确定较优的分类模型。

Images