[发明专利]一种应用于库存管理的零配件组合需求预测信息处理方法

说明书

技术领域

本发明涉及一种组合需求预测信息处理方法，尤其是涉及一种应用于库存管理的零配件组合需求预测信息处理方法。

背景技术

1954年，Schmitt用组合预测方法预测美国37个城市的人口数量，提高了预测精度。1959年，J.M.Bates和C.W.J.Granger对组合预测方法进行了系统的研究，并于1969年首次提出了“组合预测”的思想，即综合考虑各单项预测方法的特点，将不同的单项预测方法进行组合。90年代以后，对组合预测的研究出现前所未有的热潮，学者也开始学习和使用“组合预测”方法，并取得一系列的预测成果。

夏景明(2004)运用灰色预测和神经网络预测结合的组合模型对宏观经济指标进行预测，对江苏省的实证检验证明，预测MAPE为2.1％，总的预测精度达到99.96％。Huseyin Ince(2006)的组合模型中包括线性模型ARIMA和VAR模型以及非线性方法SVR和MLP网络方法。将该模型应用于对汇率的预测中，结果表明该组合预测模型的预测精度明显优于单个模型。周文(2006)运用非线性平滑过渡自回归模型和广义自回归条件异方差模型作为单项预测模型来描述实际汇率的动态行为特征。研究结果表明组合预测优于单项预测方法。梁娜(2007)将SOM神经网络、主成分分析、BP神经网络有机地结合起来，构建了股市收盘价的实时组合预测模型。实证研究表明，预测精度有很大的提高。王瑛瑛(2008)运用ARIMA模型、GM(1，1)模型、RBF神经网络模型分别从线性与非线性角度对证券价格进行拟合与预测，然后结合三者中有用的信息集合，构建一个最优组合预测模型，对证券价格预测进行实证研究。结果表明组合预测模型的预测效果明显高于各单项预测方法。

但在制造业的零配件需求预测领域，还缺乏组合预测模型的研究。在汽车行业中，有许多学者进行了预测方面的研究。董天舒，李伟(2004)对湖北省国内生产总值、公路通车里程、客货运输周转量之间的相关性进行了定量分析，运用多元线性回归方法进行预测研究。郭应时，张生瑞和付昌会(2003)用主成分分析法对私人汽车购买意向影响因素进行了分析，确定了其影响指标，并建立了私人汽车购买意向的多输入、单输出的人工神经网络预测模型。PAN Zhi-gang和Han Ying(2005)运用基于灰色系统，多元回归和三次指数平滑的组合预测模型对中国汽车需求量进行预测，效果显著。陈光金(2007)运用B-J方法建立ARMA模型对我国汽车产量进行短期预测，预测效果较好。

综上所述，需求预测相关研究很多，在某些领域也得到较好的预测效果。但对于制造业零配件需求预测问题，由于零配件种类众多、各种零配件需求特点互不相同，在某一类零配件中预测效果良好的方法可能在另一类零配件中预测效果很差。因此，如果仅用一种前述方法实现不同类型零配件的需求预测会导致需求预测精度较低、稳定性差。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种不依赖于管理者的经验，客观性强，预测精度高，且在一定服务水平的前提下大幅度降低库存成本，提高供应链管理效率和客户满意度的应用于库存管理的零配件组合需求预测信息处理方法。

本发明的目的可以通过以下技术方案来实现：一种应用于库存管理的零配件组合需求预测信息处理方法，其特征在于，该方法包括以下步骤：1)从数据存储服务器提取历史销售订单信息；2)对历史销售订单信息进行预处理，去除畸变数据；3)取一部分历史销售数据作为方法学习数据，另一部分作为权重建立数据；4)选取一个零配件，用其方法学习数据分别对ARMA方法、多元线性回归方法和BP神经网络方法进行训练；5)用其权重建立数据分别对步骤4)中所述的三种方法进行训练，得到不同方法的预测相对误差值；6)根据不同方法的预测相对误差值，计算得到各方法的权重；7)将步骤4)中所述的三种方法与其对应权重进行组合，构建组合需求预测模型；8)预测该零配件将来的销售需求；9)判断预测是否结束，如果判断为是则结束，否则返回步骤4)。

所述的步骤2)中的对历史销售订单信息进行预处理包括相同零配件销售量合并、预测时间段划分、预测时间段内零配件销售量合并。

所述的预测时间段为以一个月为一个时间段。

所述的方法学习数据为销售数据的A部分，用于ARMA方法、多元线性回归方法和BP神经网络方法的学习；所述的权重建立数据为销售数据的B部分，用于得到三种方法的预测效果以计算其在预测方法中所占比重。

所述的A部分与B部分之和为整个销售数据总和。