[发明专利]一种产品需求预测方法及产品需求预测装置

说明书

本发明公开了一种产品需求预测方法，包括：根据产品阶段以及调整状态，对产品调整记录进行采样得到第一样本集，根据第一样本集建立判断模型；根据初始预测值以及修正预测值，对产品历史预测值进行采样得到第二样本集，根据第二样本集建立目标回归模型；获取当前阶段的初始预测值以及当前产品阶段；使用判断模型对当前产品阶段进行处理，确定当前调整状态；若当前调整状态为需要调整，则将当前阶段的初始预测值代入目标回归模型计算，输出当前阶段的修正预测值。本发明还提供一种可以实现上述方法的产品需求预测装置。本发明能够对现有预测结果进行优化，提高产品需求预测的准确性。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种产品需求预测方法及产品需求预测装置。

背景技术

产品需求预测是企业经营中的关键环节，用于指导企业的生产和备货。过大的产品需求预测会导致库存量过多，库存成本风险增加。过小的需求预测会导致订单满足率不高，客户满意度下降。随着数据科学的发展以及企业对数据的重视程度越来越高，许多企业开始使用大数据相关的技术进行产品需求预测。产品需求预测方法包括时间序列预测法、多元回归分析法等，需求预测模型包括自回归积分滑动平均模型(AutoregressiveIntegrated Moving Average Model，简称ARIMA)、岭回归模型(也称为Ridge回归模型)等。

在现有技术中，产品需求的预测方法大致如下：根据产品需求的历史数据(如产品历史订单)建立时间序列模型；根据产品需求的预测因子(如季节性、天气、预测因子相关系数、促销活动影响等)建立回归模型；通过模拟器分别对时间序列模型以及回归模型进行评估；根据评估结果，使用贝叶斯集成方法将时间序列模型和回归模型合并，输出预测结果，如图1所示。

现有的需求预测方法依赖于已知的有规律的预测因子，当已知的预测因子出现两次以上，才能进行有效估计。然而，现有的需求预测模型考虑的预测因子有限，还有很多隐含的预测因子没有加入需求预测模型，在实际应用中隐含的预测因子对需求影响很大，因此预测结果与实际需求往往有较大出入，预测准确率不高。

发明内容

本发明提供了一种产品需求预测方法及产品需求预测装置，能够提高预测准确率。

第一方面提供了一种产品需求预测方法，包括：产品需求预测装置根据第一样本属性，对产品调整记录进行采样得到第一样本集，根据第一样本集建立判断模型；根据第二样本属性，对产品历史预测值进行采样得到第二样本集，根据第二样本集建立目标回归模型；获取待处理数据，待处理数据包括当前阶段的初始预测值以及当前产品阶段；使用判断模型对当前产品阶段进行处理，确定当前调整状态；若当前调整状态为需要调整，则将当前阶段的初始预测值代入目标回归模型计算，输出当前阶段的修正预测值，当前阶段的修正预测值用于制定当前阶段的生产计划；若当前调整状态为不需要调整，则输出当前阶段的初始预测值。其中，第一样本属性包括产品阶段以及调整状态，第二样本属性包括初始预测值以及修正预测值，产品阶段为产品生命周期中的一个阶段。

由此可见，修正预测值为业务专家结合产品阶段，将专家经验进行训练得到改良的需求预测模型，相比于现有产品需求预测系统，本发明实施例中改良预测模型考虑的预测因子更多，因此使用本发明提供的产品需求预测方法能够提高预测精度。

在一种可能的实现方式中，产品需求预测装置根据第一样本集建立判断模型具体可以通过以下方式实现：产品需求预测装置从第一样本集中选取第一训练集，将第一训练集进行训练得到判断模型，判断模型为逻辑回归模型、决策树模型或随机森林模型。本发明实施例可以选取第一样本集中的全部或部分样本建立多种判断模型，然后利用判断模型对产品需求进行预测，可见本发明实施例具有良好的灵活性。