CN116362799A - 基于供应链多源数据融合的产品需求预测方法及存储介质 - Google Patents

基于供应链多源数据融合的产品需求预测方法及存储介质 Download PDF

Info

Publication number
CN116362799A
CN116362799A CN202310354904.3A CN202310354904A CN116362799A CN 116362799 A CN116362799 A CN 116362799A CN 202310354904 A CN202310354904 A CN 202310354904A CN 116362799 A CN116362799 A CN 116362799A
Authority
CN
China
Prior art keywords
data
convolution
feature
supply chain
calculation
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
CN202310354904.3A
Other languages
English (en)
Inventor
苗强
陈义鹏
严幸友
张恒
牛天宇
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN202310354904.3A priority Critical patent/CN116362799A/zh
Publication of CN116362799A publication Critical patent/CN116362799A/zh
Pending legal-status Critical Current

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0203—Market surveys; Market polls
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/08—Learning methods
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明适用于供应链市场需求预测技术领域，提供了一种基于供应链多源数据融合的产品需求预测方法及存储介质。本申请通过对供应链上多源历史数据经过数据预处理，通过不同时间尺度进行采样，结合人工特征提取和深度学习网络特征提取，分别求取人工特征取样样本特征和多时间尺度样本特征，将这些样本特征进行级联融合，采用多层感知机对特征向量进行特征融合和映射，得出预测结果，能对市场需求进行快速准确的预估。从而解决现有技术对市场需求的预测存在着对长期和短期的市场预测准确率低和对预测成本高的问题。

Description

基于供应链多源数据融合的产品需求预测方法及存储介质
技术领域
本发明涉及供应链市场需求预测技术领域，尤其是涉及一种基于供应链多源数据融合的产品需求预测方法存储介质。
背景技术
随着市场的竞争加剧，产品需求预测变得越来越重要。产品需求预测是一种通过分析历史数据和市场趋势，预测未来产品需求的方法。需求预测可以帮助企业了解未来市场的趋势和方向，为企业战略制定提供科学依据。在未来市场需求预测准确的基础上，企业可以制定出合理的市场战略，把握市场机遇，规避市场风险；然后市场需求预测可以帮助企业了解消费者的需求和偏好，从而改进产品设计，提高产品质量和竞争力。企业通过市场需求预测可以把握消费者的趋势和需求，及时推出符合市场需求的新产品，同时调整旧产品的设计和制造；同时市场需求预测可以帮助企业合理规划生产计划，确保生产计划与市场需求的匹配度，提高生产效率，降低生产成本。合理的生产计划能够让企业在市场需求旺盛时提供足够的产品，同时避免因市场需求不足而造成的库存积压和生产浪费；并且市场需求预测可以帮助企业制定出合理的市场营销策略，增加销售收益，提高市场份额。
市场需求预测可以了解到不同消费者群体的需求，从而推出不同的市场营销策略，提高产品的曝光度和知名度，增加销售量。
目前传统市场需求预测方法通常是通过市场调查、问卷调查、专家访谈等方法，获取市场需求的信息，然后分析这些信息来预测未来市场需求，这样能够获取大量的市场信息，考虑了不同因素的影响，但其缺点在于调查的结果受到样本的影响，可能存在偏差，而且调查成本较高。
或通过建立数学模型，根据历史数据、市场趋势等因素，通过模型推算出未来市场需求。该方法的优点是可以考虑多种因素的影响，精度较高，但其缺点在于需要具备一定的数学和统计知识，并且需要大量的数据来支撑模型的建立，且上述过程多依赖于人工进行数据分析，特征提取，或需要专家参与给予专家知识来进行预测，这样预测结果受到分析者的经验和专业知识的影响，存在主观性，且传统的数学模型如果数据不足或者模型的假设不符合实际情况，预测结果可能不够准确和可靠。
综上所述，现有技术对市场需求的预测存在着对长期和短期的市场预测准确率低和对预测成本高的问题。
发明内容
为了解决现有技术的不足，本发明提供一种基于供应链多源数据融合的产品需求预测方法，基于在市场中统计的历史数据，通过基本数据预处理步骤，然后对数据在不同尺度下进行抽样；利用自注意力机制、卷积网络和循环神经网络对不同时间尺度下的样本进行特征提取；最后对各个网络得到的高维特征进行融合，并通过多层感知机进行数据降维及预测，输出结果。
本申请提供一种基于供应链多源数据融合的产品需求预测方法，包括以下步骤：
S10.获取供应链上的历史数据，并对所述历史数据进行预处理；
所述历史数据包括历史销售数据，市场趋势数据，产品信息，经济指标，人口统计数据和季节性数据中的至少两个，以及对应的产品销量数据，形成包含多源数据的时间序列数据；
S20.对经过预处理的数据分别进行人工特征取样和不同时间尺度取样；
所述不同时间尺度至少包含两个时间尺度；
S30.分别对人工特征取样的样本和每一时间尺度取样的样本进行特征提取；
S40.将人工特征取样的样本特征和每一时间尺度取样的样本特征进行特征向量融合；
S50.对融合后的特征向量采用多层感知机计算，得到对产品销量的预测结果。
进一步地，步骤S20中，人工特征取样提取经预处理后的历史数据的统计特征。
进一步地，所述统计特征包括：均值，方差，自相关系数，滑动平均中的至少两个。
进一步地，步骤S30中，对于任一时间尺度的样本进行特征提取的步骤包括：
将时间序列
Figure BDA0004163059310000036
进行至少一次TCN卷积计算，xt为该时间序列中的第t个元素，T为该时间序列的元素总数；
所述TCN卷积计算包括以下步骤：
S31.因果卷积计算：
Figure BDA0004163059310000031
其中，yt为因果卷积输出序列中的第t个元素，Kc为因果卷积的卷积核的长度，
Figure BDA0004163059310000033
为因果卷积核的第kc个权重；
S32.空洞卷积计算：
Figure BDA0004163059310000032
其中，qt为空洞卷积输出序列中的第t个元素，Kd为空洞卷积的卷积核的长度，
Figure BDA0004163059310000034
为空洞卷积核的第kd个权重，r为空洞卷积的卷积核的步长，c为空洞卷积的卷积核的扩张因子；
输出经空洞卷积后的特征矩阵Q,
Figure BDA0004163059310000035
进一步地，在每一步TCN卷积计算之后进行一次自注意力机制计算：
Figure BDA0004163059310000041
A＝QWA,B＝QWB,V＝QWV,BT为B的转置矩阵；
其中，WA,WB,WV是可训练权重矩阵，表示对特征矩阵Q的权重选择；经过映射后得到的A,B,V分别是特征矩阵Q的查询向量、键向量和值向量，dk是向量的维度，softmax函数用于计算每个位置的注意力权重。
进一步地，在每一步TCN卷积计算之后进行一次残差连接计算：
Pt＝xt+F(xt)，
其中，Pt为经过残差连接计算后输出的第t个元素，F(xt)为xt元素经过TCN卷积计算、自注意力机制计算之后的输出值。
进一步地，在步骤S30中，对人工特征取样的样本进行特征提取时，进行至少一次一维卷积计算。
进一步地，在进行每一次一维卷积计算和每一次TCN卷积计算之后对输出的数据进行批标准化处理和relu函数处理。
进一步地，步骤S40中，所述的特征向量融合为：
R＝[E1,E2,...,Eg]，其中R为特征融合后的特征向量，E1为人工特征取样的样本特征矩阵，E2为第一时间尺度的样本特征矩阵，Eg为第g-1个时间尺度的样本特征矩阵。
本申请还提供一种存储介质，其存储了用于执行前述的一种基于供应链多源数据融合的产品需求预测方法的计算机程序。
采用本申请的一种基于供应链多源数据融合的产品需求预测方法，相对于现有技术，至少具有以下有益效果：
本申请通过对供应链上多源历史数据的探索，通过不同时间尺度进行采样，结合人工特征提取和深度学习网络特征提取，能对市场需求进行快速准确的预估。
本申请经过数据预处理后将消除原始数据中可能存在的数据缺失、数据异常以及数据量纲不同对后续模型预测造成不良影响，为后续模型准确、高效预测市场需求奠定基础。
本申请基于多时间尺度采样的网络输入构建，充分利用原始数据，分别采用至少两种时间尺度对原始数据进行重采样，构建多种时间序列周期表达输入，有利于模型提取更加丰富的时间、空间特征信息，并有效降低原始数据的维度，提高模型运算速度。
本申请基于人工提取的特征输入构建，采用基于多种统计方法进行构建，可以较为全面的表达原始数据中数据的集中趋势、离散程度、相关性、滞后效应、稳定性和趋势性等关键指标数据。
本申请为弥补人工提取的特征信息表达不足等缺点，采用基于时空卷积和自注意力机制的深度学习网络对不同时间尺度的数据进行特征提取，提高模型准确性和鲁棒性。
本申请通过结合人工特征取样样本特征和多时间尺度样本特征，采用特征级联和多层感知机对特征向量进行特征融合和映射，得出预测结果，该方法具有较好的快速性和准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例的一种基于供应链多源数据融合的产品需求预测方法流程图；
图2是本申请实施例的多时间尺度样本特征提取计算流程示意图；
图3是本申请实施例的人工提取样本的特征提取计算流程示意图。
具体实施方式
以下的说明提供了许多不同的实施例、或是例子，用来实施本发明的不同特征。以下特定例子所描述的元件和排列方式，仅用来精简的表达本发明，其仅作为例子，而并非用以限制本发明。
一种基于供应链多源数据融合的产品需求预测方法，如图1所示，包括以下步骤：
S10.获取供应链上的历史数据，并对所述历史数据进行预处理；
所述历史数据包括历史销售数据，市场趋势数据，产品信息，经济指标，人口统计数据和季节性数据中的至少两个，以及对应的产品销量数据，形成包含多源数据的时间序列数据；
本领域技术人员可以理解，本实施例中的模型输入数据包含供应链上多源节点数据，包含但不限于以下几个部分：
历史销售数据：过去一段时间内的销售数据，通常包括销售量、销售额、价格等指标。
市场趋势数据：市场趋势数据包括市场规模、增长率、竞争对手的市场份额和价格等信息。
产品信息：产品信息包括产品的特性、规格、品牌、定位等信息。
经济指标：经济指标包括通货膨胀率、利率、人均收入等信息。
人口统计数据：人口统计数据包括人口数量、年龄结构、性别结构等信息。
季节性数据：某些产品的需求量可能会因为季节因素而发生变化，因此季节性数据也是市场需求预测模型中的一个重要输入，例如天气、温度等。
对于产品价格、市场销售量等数据属于数值型，这种类型数据可以直接进行清洗、异常处理等操作，而天气、品牌等特征则属于离散型非量化数据，因此需要对这类数据进行处理，可以采用数值编码，即将每种类型用一个数值来表示。例如，对于天气编码，可以将晴天编码为1，雨天编码为2，多云编码为3等等。这种编码方式可以使得数据更加紧凑。
对原始数据进行预处理，例如：(1)对于数据中可能存在的缺失值，可以采用多项式插值进行恢复；(2)针对数据中可能存在的异常值问题，针对原始数据采用平均值法进行异常值检测，即将绝对偏差大于某个阈值的数据点视为异常值，并将检测到的异常值直接删除，最后采用与上述缺失值相同的方法进行多项式插值，对删除的值进行恢复；(3)为避免多源数据因量纲不同，而最后对模型训练产生影响，同时也避免数据总极大或极小值对模型造成不良影响，需要对数据归一化缩放到一定范围内。例如采用Min-Max归一化方法进行处理。
S20.对经过预处理的数据分别进行人工特征取样和不同时间尺度取样；
所述不同时间尺度至少包含两个时间尺度；在附图1中列举了采用三个时间尺度进行采样，例如可以按日、周、月、季度、年等时间尺度进行取样。
本领域技术人员可以理解，在进行不同时间尺度的重采样时，重采样函数可以是平均值函数、最大值函数、最小值函数等。例如按周为时间尺度、采用平均值函数进行取样，那么在历史数据中，将七天为一个集合取出样本，并将其七天的样本求取平均值作为按周为时间尺度的一个数据点。
为了更加充分的利用数据，提取更加丰富的特征作为模型输入，本申请还采用了一个人工特征取样的样本参与计算。通常情况下，人工提取特征可以根据实际应用场景选择最具代表性的特征，能够降低深度学习模型的复杂度，减少模型训练的时间和计算成本，同时还能提高模型的可解释性和鲁棒性。但是，人工提取特征需要专业知识和经验，并且可能无法充分利用原始数据中的信息，因此本申请结合深度学习网络提取特征的方法并行训练。
本实施例中，人工特征取样提取经预处理后的历史数据的统计特征，包括但不限于以下统计学特征：均值，方差，自相关系数、滑动平均值。本领域技术人员可以根据数据源类型、计算精度要求等确定所选择统计学特征具体的类型和数量。
S30.分别对人工特征取样的样本和每一时间尺度取样的样本进行特征提取；
该步骤中，有几个样本就分别进行几次特征提取计算，例如若有三个时间尺度样本，如图1所示，那么就要分别对四个数据样本进行特征提取计算(还包含一个人工特征取样的样本)。
其中，多时间尺度样本中的每一个时间尺度样本的特征提取的计算方法相同，如图2所示。
TCN(Temporal Convolutional Network)是一种用于处理时间序列数据的神经网络模型，TCN的主要原理是使用了一种叫做“因果卷积”的技术来保证在卷积过程中不会出现未来信息泄露的问题。因此，TCN可以很好地处理时间序列数据，并且能够在保证准确性的同时大大减少训练时间和计算资源的消耗。
具体地，将时间序列
Figure BDA0004163059310000084
进行至少一次TCN卷积计算，xt为该时间序列中的第t个元素，T为该时间序列的元素总数；TCN使用因果卷积(causalconvolution)和空洞卷积(dilated convolution)来扩大感受野，从而能够在更长的时间跨度内提取特征信息。
所以TCN卷积计算包括以下步骤：
S31.因果卷积计算：
Figure BDA0004163059310000081
其中，yt为因果卷积输出序列中的第t个元素，Kc为因果卷积的卷积核的长度，
Figure BDA0004163059310000083
为因果卷积核的第kc个权重；
S32.空洞卷积计算：
Figure BDA0004163059310000082
其中，qt为空洞卷积输出序列中的第t个元素，Kd为空洞卷积的卷积核的长度，
Figure BDA0004163059310000092
为空洞卷积核的第kd个权重，r为空洞卷积的卷积核的步长，c为空洞卷积的卷积核的扩张因子；
输出经空洞卷积后的特征矩阵Q,
Figure BDA0004163059310000093
从公式可以看出，因果卷积在卷积操作中引入了时间上的因果关系，即只考虑当前时刻及之前的数据点，而不考虑未来的数据点。这种因果关系可以避免信息泄露，使得模型在预测时只能使用当前时刻及之前的信息，更符合时间序列数据的特性。相比之下，传统的卷积操作没有考虑时间上的因果关系，可能会使用未来的信息，从而导致模型预测的不准确性。而空洞卷积的在卷积操作中引入了空洞(dilation)参数，即对卷积核进行扩展，使其能够在更长的时间跨度内捕捉特征信息。空洞卷积操作可以通过增加卷积核的感受野来提高模型的性能，同时也可以避免信息丢失的问题。在时间序列数据中，经常需要考虑长时间跨度的特征信息，而空洞卷积操作可以很好地处理这种情况，提高模型的表现。
作为优选实施方式，在进行每一次TCN卷积计算之后对输出的数据进行批标准化处理和relu函数处理，从而防止过拟合，加快模型训练速度，提高模型泛化性，由于批标准化处理和relu函数处理是本领域的常规技术，在此不作赘述。
作为优选实施方式，为了更好的对序列中的不同位置进行加权聚合，从而使得模型更加关注重要的信息，提高模型性能，本专利在特征提取模块中引入自注意力机制。即在每一步TCN卷积计算之后进行一次自注意力机制计算：
Figure BDA0004163059310000091
A＝QWA,B＝QWB,V＝QWV,BT为B的转置矩阵；
其中，WA,WB,WV是可训练权重矩阵，表示对特征矩阵Q的权重选择；经过映射后得到的A,B,V分别是特征矩阵Q的查询向量、键向量和值向量，dk是向量的维度，softmax函数用于计算每个位置的注意力权重。
作为优选实施方式，为了解决梯度消失(Gradient Vanishing)问题，并且提高模型的性能和稳定性，在TCN中引入残差连接，在TCN中，残差连接是通过将卷积块的输出与输入进行相加来实现的。具体来说，卷积块的输出被称为“残差”，因为它包含了卷积块中提取的特征信息，而输入包含了原始的时间序列数据。通过将这两部分相加，可以得到更加丰富的特征表示，从而提高模型的性能。残差连接的公式可以表示为：
Pt＝xt+F(xt)，
其中，Pt为经过残差连接计算后输出的第t个元素，F(xt)为xt元素经过TCN卷积计算、自注意力机制计算之后的输出值。
经过堆叠多个特征提取块，来构成深度特征提取网络，对于本实施例中经过三种时间尺度采样的输入数据均采用这种深度特征提取网络来提取不同时间尺度的特征信息，经过深度学习网络多次映射计算，输出提取的特征向量，并作为后续特征融合模块的输入。
本实施例中，人工提取样本的特征提取计算流程如图3所示，由于人工特征取样的样本是历史数据中的统计数据，所以一个数据源只有一个数据，即其人工样本特征提取的神经网络模型的输入向量为一维向量，因而在计算时只进行一维卷积计算。
同理，作为优选，可以在每一次进行一维卷积计算之后对数据进行批标准化处理和relu函数处理。和/或在每一步卷积计算之后进行一次自注意力机制计算，其计算方法与前述多时间样本特征值计算中的自注意力机制计算方法相同，在此不作赘述。
可以理解为，本申请对人工提取样本的特征提取流程与前述任一时间尺度样本的特征提取流程相比，只是将TCN卷积计算替换为一维卷积操作，其余部分不变。
由此，经过分别对人工采样样本和多时间尺度样本进行特征提取之后，分别得到了人工特征取样的样本特征和每一个时间尺度取样的样本特征。
S40.将人工特征取样的样本特征和每一时间尺度取样的样本特征进行特征向量融合；
经过步骤S30中的特征提取网络提取的高维特征来自多个不同特征空间，不同特征空间所提取的特征向量具有不同的维度和表达能力，为了提高模型的表达能力和鲁棒性，同时为了进行预测，需要将来自多个不同特征空间的高维特征向量进行融合。本申请采用特征级联(Feature Concatenation)的方式进行特征融合。
所述的特征向量融合为：
R＝[E1,E2,...,Eg]，其中R为特征融合后的特征向量，E1为人工特征取样的样本特征矩阵，E2为第一时间尺度的样本特征矩阵，Eg为第g-1个时间尺度的样本特征矩阵；本实施例中，R＝[E1,E2,E3,E4]。
可以理解，经过特征级联融合后特征向量的维度为各个样本特征矩阵的维度之和。特征级联是将不同特征空间所提取的特征向量进行级联，形成一个更大的特征向量。这种方法的优点是简单直观，便于实现。
S50.对融合后的特征向量采用多层感知机计算，得到对产品销量的预测结果。
多层感知机(Multilayer Perceptron，MLP)可以用于时间序列特征提取和预测。MLP模型通常由多个全连接层组成，每个全连接层都可以对步骤一中融合得到的特征向量进行特征的变换和映射，然后输出给下一层神经元进行处理。
具体地，假设我们的MLP模型有L层，输入特征向量为R，第l层的神经元个数为hl，激活函数为fl，则第l层的输出可以表示为：
z[l]＝fl(W[l]z[l-1]+b[l])
其中，Z[0]＝R，W[l]是第l层的权重矩阵，b[l]是偏置向量，z[l]是第l层的输出。
将最后一层的输出向量，经过一层线性变换和一个激活函数，得到预测结果。因为市场需求预测为回归问题，因此激活函数采用线性激活函数，对输出向量进行激活操作：
f(x)＝max(0,x)
其中，x表示最后模型最后一层的输出，f(x)表示输出的实数。如果x大于等于0，则f(x)＝x，否则f(x)＝0。
由此输出的结果即为产品销量的预测结果。
本实施例还提供一种存储介质，其存储了用于执行前述的一种基于供应链多源数据融合的产品需求预测方法的计算机程序。
前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于供应链多源数据融合的产品需求预测方法，其特征在于，包括以下步骤：
S10.获取供应链上的历史数据，并对所述历史数据进行预处理；
所述历史数据包括历史销售数据，市场趋势数据，产品信息，经济指标，人口统计数据和季节性数据中的至少两个，以及对应的产品销量数据，形成包含多源数据的时间序列数据；
S20.对经过预处理的数据分别进行人工特征取样和不同时间尺度取样；
所述不同时间尺度至少包含两个时间尺度；
S30.分别对人工特征取样的样本和每一时间尺度取样的样本进行特征提取；
S40.将人工特征取样的样本特征和每一时间尺度取样的样本特征进行特征向量融合；
S50.对融合后的特征向量采用多层感知机计算，得到对产品销量的预测结果。
2.根据权利要求1所述的一种基于供应链多源数据融合的产品需求预测方法，其特征在于，步骤S20中，人工特征取样提取经预处理后的历史数据的统计特征。
3.根据权利要求2所述的一种基于供应链多源数据融合的产品需求预测方法，其特征在于，所述统计特征包括：均值，方差，自相关系数，滑动平均中的至少两个。
4.根据权利要求1-3任一所述的一种基于供应链多源数据融合的产品需求预测方法，其特征在于，步骤S30中，对于任一时间尺度的样本进行特征提取的步骤包括：
将时间序列
Figure FDA0004163059300000011
进行至少一次TCN卷积计算，xt为该时间序列中的第t个元素，T为该时间序列的元素总数；
所述TCN卷积计算包括以下步骤：
S31.因果卷积计算：
Figure FDA0004163059300000021
其中，yt为因果卷积输出序列中的第t个元素，Kc为因果卷积的卷积核的长度，
Figure FDA0004163059300000022
为因果卷积核的第kc个权重；
S32.空洞卷积计算：
Figure FDA0004163059300000023
其中，qt为空洞卷积输出序列中的第t个元素，Kd为空洞卷积的卷积核的长度，
Figure FDA0004163059300000024
为空洞卷积核的第kd个权重，r为空洞卷积的卷积核的步长，c为空洞卷积的卷积核的扩张因子；
输出经空洞卷积后的特征矩阵Q,Q＝[q1，q2.，..，qt.，..，qT]。
5.根据权利要求4所述的一种基于供应链多源数据融合的产品需求预测方法，其特征在于，在每一步TCN卷积计算之后进行一次自注意力机制计算：
Figure FDA0004163059300000025
A＝QWA,B＝QWB,V＝QWV,BT为B的转置矩阵；
其中，WA,WB,WV是可训练权重矩阵，表示对特征矩阵Q的权重选择；经过映射后得到的A,B,V分别是特征矩阵Q的查询向量、键向量和值向量，dk是向量的维度，softmax函数用于计算每个位置的注意力权重。
6.根据权利要求5所述的一种基于供应链多源数据融合的产品需求预测方法，其特征在于，在每一步TCN卷积计算之后进行一次残差连接计算：
Pt＝xt+F(xt)，
其中，Pt为经过残差连接计算后输出的第t个元素，F(xt)为xt元素经过TCN卷积计算、自注意力机制计算之后的输出值。
7.根据权利要求6所述的一种基于供应链多源数据融合的产品需求预测方法，其特征在于，在步骤S30中，对人工特征取样的样本进行特征提取时，进行至少一次一维卷积计算。
8.根据权利要求7所述的一种基于供应链多源数据融合的产品需求预测方法，其特征在于，在进行每一次一维卷积计算和每一次TCN卷积计算之后对输出的数据进行批标准化处理和relu函数处理。
9.根据权利要求8所述的一种基于供应链多源数据融合的产品需求预测方法，其特征在于，步骤S40中，所述的特征向量融合为：
R＝[E1,E2,...,Eg]，其中R为特征融合后的特征向量，E1为人工特征取样的样本特征矩阵，E2为第一时间尺度的样本特征矩阵，Eg为第g-1个时间尺度的样本特征矩阵。
10.一种存储介质，其特征在于，其存储了用于执行权利要求1-9任一所述的一种基于供应链多源数据融合的产品需求预测方法的计算机程序。
CN202310354904.3A 2023-04-04 2023-04-04 基于供应链多源数据融合的产品需求预测方法及存储介质 Pending CN116362799A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310354904.3A CN116362799A (zh) 2023-04-04 2023-04-04 基于供应链多源数据融合的产品需求预测方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310354904.3A CN116362799A (zh) 2023-04-04 2023-04-04 基于供应链多源数据融合的产品需求预测方法及存储介质

Publications (1)

Publication Number Publication Date
CN116362799A true CN116362799A (zh) 2023-06-30

Family

ID=86907167

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310354904.3A Pending CN116362799A (zh) 2023-04-04 2023-04-04 基于供应链多源数据融合的产品需求预测方法及存储介质

Country Status (1)

Country Link
CN (1) CN116362799A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116703470A (zh) * 2023-08-09 2023-09-05 深圳市土地公网络科技有限公司 供应信息的预测方法、装置、设备及存储介质
CN117114749A (zh) * 2023-10-16 2023-11-24 吉林省农业科学院(中国农业科技东北创新中心) 一种智能化猪冷冻精液管理方法及系统
CN118469632A (zh) * 2024-07-09 2024-08-09 浙江理工大学 一种供应链需求预测方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116703470A (zh) * 2023-08-09 2023-09-05 深圳市土地公网络科技有限公司 供应信息的预测方法、装置、设备及存储介质
CN116703470B (zh) * 2023-08-09 2024-01-12 深圳市土地公网络科技有限公司 供应信息的预测方法、装置、设备及存储介质
CN117114749A (zh) * 2023-10-16 2023-11-24 吉林省农业科学院(中国农业科技东北创新中心) 一种智能化猪冷冻精液管理方法及系统
CN117114749B (zh) * 2023-10-16 2024-01-12 吉林省农业科学院(中国农业科技东北创新中心) 一种智能化猪冷冻精液管理方法及系统
CN118469632A (zh) * 2024-07-09 2024-08-09 浙江理工大学 一种供应链需求预测方法及装置

Similar Documents

Publication Publication Date Title
Song et al. Attend and diagnose: Clinical time series analysis using attention models
Shah et al. A comprehensive review on multiple hybrid deep learning approaches for stock prediction
CN116362799A (zh) 基于供应链多源数据融合的产品需求预测方法及存储介质
CN112819604A (zh) 基于融合神经网络特征挖掘的个人信用评估方法与系统
Jose et al. An efficient system to predict and analyze stock data using Hadoop techniques
CN112785441B (zh) 数据处理方法、装置、终端设备及存储介质
Bajari et al. Hedonic prices and quality adjusted price indices powered by AI
CN115310674A (zh) 基于并行神经网络模型LDformer的长时间序列预测方法
CN117094451B (zh) 一种耗电量的预测方法、装置及终端
Chen et al. House price prediction based on machine learning and deep learning methods
CN113868938A (zh) 基于分位数回归的短期负荷概率密度预测方法、装置及系统
CN115660855A (zh) 一种融合新闻数据的股票收盘价预测方法
CN114049222A (zh) 一种基于注意力机制和强化学习的趋势预测方法
Chatterjee et al. Stock volatility prediction using time series and deep learning approach
CN117407681B (zh) 一种基于向量聚类的时序数据预测模型建立方法
CN117217915A (zh) 一种基于深度迁移学习的股票价格预测方法
CN117893239A (zh) 基于人工智能的商品价格预测方法及系统
CN116739787B (zh) 基于人工智能的交易推荐方法及系统
CN117151276A (zh) 售电平台的智能化管理系统
Al-Thelaya et al. Forecasting of bahrain stock market with deep learning: Methodology and case study
CN116404637A (zh) 电力系统短期负荷预测方法和电力系统短期负荷预测装置
CN115495669A (zh) 融合多尺度级联与时序特征的社交媒体内容热度预测方法
CN115330050A (zh) 一种基于混合模型的建筑物负荷预测方法
Rameh et al. Designing a hybrid model for stock marketing prediction based on LSTM and transfer learning
EP3739517A1 (en) Image processing

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