[发明专利]一种快销产品供给预测方法

说明书

一种快销产品供给预测方法，步骤如下：步骤1：对历史数据进行数据预处理操作；步骤2：构建随机森林模型对销量数据进行预测；步骤3：构建ARIMA模型对投放量数据进行预测。本发明属于时间序列预测(Time Series Forecasting)领域，主要解决快销产品在长期生产销售过程中，难以准确预测短期(一般为一周)的销量，并给出准确市场投放量的供给问题。我们提出了一种新颖的、高效的、误差较低的快销产品供给预测方法，通过使用这种方法，能根据历史销售数据，给出对应时间的供给数据预测。

技术领域

本发明涉及一种快销产品供给预测方法，通过使用这种方法，能根据历史销售数据，给出对应时间的供给数据预测。

背景技术

随着大数据时代的到来以及数据科学的不断发展，传统的商品批发商已经不再满足于单纯根据自身经验和市场反馈，进行商品的销售和市场投放。他们希望采用一种科学有效的方法对将来产品的供给需求进行预测，以便做出正确的进货以及销售决策。

对产品短期供给需求的预测属于数据科学中的时间序列预测，如果直接使用现有的方法进行预测，其预测结果往往误差较大并且资源开销较大。在这背景下，本专利提出一种基于随机森林和ARIMA模型的快销产品供给预测方法，用以解决现有方法误差较大和资源开销较大的问题。

例如，某服装总代理需要提前向生产商进货，之后在下个销售日分销给下级经销商，但是市场需求会有波动变化，经销商的采购量也并不固定，因此他难以准确预测下个销售日的销量和不同类别经销商采购量的占比。如果进货量过多，则会导致产品的积压；如果进货量过少，则会导致下级经销商的需求得不到满足。此外，如果不能准确预测经销商采购量的占比，则需要进行现场分配和装运，而不能事先将产品分配准备好，这会使得整个销售的流程十分复杂并且效率低下。

以上是在快销产品销售过程中常见的问题，若不能有效解决产品的销量和投放量的供给预测问题，必将导致产品供给过程中的矛盾，既增加销售成本，又降低效率。

在目前学术界，数据预测的方法主要有机器学习、深度学习以及专门的预测模型等，但是这些方法对于供给需求的预测，并不都能给出一个准确的预测结果。对于简单的机器学习模型如线性回归，容易造成过拟合并且准确率较低；对于复杂的深度学习模型如LSTM(Long Short-Term Memory)长短期记忆网络的构建不仅需要消耗大类时间和计算资源，而且可解释性较差，因此并不能直接应用在实际的销售预测问题中。

此外，对于快销产品的供给需求预测，其要求的预测值往往不止销量这一项。如果用单一的模型去预测，可能某项值的准确率较高，其他项目的准确率较低；如果结合多个模型进行预测，会导致预测的整体复杂度较高，耗时较长。

发明内容

本发明要解决现有技术在直接使用现有的数据预测模型，预测快销产品短期供给需求过程中，耗时且准确率较低的问题，提出一种快速高效的分步预测方法来预测快销产品的销量和投放量。

在销量的预测问题上，本发明采用了随机森林模型，主要因为随机森林具有以下优点：1、模型不易于过拟合，并且有较强地抗噪能力。2、能够处理很高维度(特征很多)的数据，并且不用做特征选择，数据集无需规范化。3、训练速度快。

在投放量的预测问题上，本发明采用了ARIMA模型，该模型简单快速，只需要预测项的历史数据即可进行预测，不需要其他特征数据。

一种快销产品供给预测方法，步骤如下：

步骤1：对历史数据进行数据预处理操作；

步骤2：构建随机森林模型对销量数据进行预测；

步骤3：构建ARIMA模型对投放量数据进行预测。

步骤1包含以下具体步骤：

(1)剔除历史数据中的节假日等非销售日的数据，即剔除无效数据。