[发明专利]面向全球供应链的需求预测方法、装置、以及系统

权利要求书

1.一种面向全球供应链的需求预测方法，其特征在于，包括：

决策树建立步骤，从与历史需求相关的历史数据中提取需求影响因子，并基于所述需求影响因子建立决策树；

神经网络建立步骤，将所述决策树映射至神经网络以建立神经网络训练模型；

神经网络预测步骤，基于所述历史需求，通过神经网络训练模型进行预测；

预测误差值计算步骤，计算通过神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；

神经元权重占比计算步骤，对于神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时则返回所述神经网络预测步骤，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；

神经元剪枝步骤，当各神经元中存在所述占比在标准差内的神经元时，则从神经网络训练模型中去除该神经元，之后返回所述神经网络预测步骤，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及

未来需求预测步骤，基于用于对未来需求进行预测的历史需求，利用神经网络训练模型作为预测模型来对未来需求进行预测。

2.如权利要求1所述的需求预测方法，其特征在于，在所述神经网络建立步骤中，

所述神经网络的输入层的神经元的个数等于所述决策树中内部节点的个数，所述神经网络的隐层中的一个单元对应于所述决策树中一个叶子节点，所述神经网络的输出层的神经元的个数等于所述决策树的分类类别数，所述神经网络中的神经元间的连接对应所述决策树中节点的连接。

3.如权利要求1或2所述的需求预测方法，其特征在于，进一步包括：

剪枝神经元保存步骤，将在所述神经元剪枝步骤中被去除的神经元进行存储。

4.如权利要求3所述的需求预测方法，其特征在于，

当从影响新的历史需求的新的历史数据中提取出新的需求影响因子，并且所述新的需求影响因子中相比所述需求影响因子不存在新种类的需求影响因子，且不缺少某种类的需求影响因子时，将所述新的需求影响因子与所述被去除的神经元进行比较，

当所述新的需求影响因子中存在与所述被去除的神经元中的神经元对应的需求影响因子时，比较所述对应的需求影响因子的权重与所述被去除的神经元中的所述神经元在被去除时的权重，若所述对应的需求影响因子的权重大于所述神经元在被去除时的权重，则在所述神经网络训练模型中所述神经元在被去除前的相应位置添加与所述对应的需求影响因子对应的神经元，其中被添加的神经元的权重为所述对应的需求影响因子的权重，并且将所述神经网络训练模型中未被去除的神经元的权重修改为所述新的需求影响因子中与所述未被去除的神经元对应的需求影响因子的权重，之后，

基于所述新的历史需求，通过神经网络训练模型进行预测；

计算通过神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；

对于神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时则再次基于所述新的历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；

当各神经元中存在所述占比在所述标准差内的神经元时，则从神经网络训练模型中去除该神经元，之后再次基于所述新的历史需求，通过神经网络训练模型进行预测，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及

基于用于对未来需求进行预测的历史需求，利用神经网络训练模型作为预测模型来对未来需求进行预测。