[发明专利]一种基于大数据的物流供应链需求预测方法

权利要求书

1.一种基于大数据的物流供应链需求预测方法，其特征在于，包括以下步骤：

101、对供应链的历史需求数据进行包括异常值在内的预处理操作；

102、对经过预处理的数据进行特征工程构建；特征工程构建主要包括：历史需求数据特征、时间特征；

103、采用层次聚类得到目标之间的关系特征；

104、对含有目标之间的关系的数据，得到输入输出空间的目标敏感特征；

105、建立机器学习模型，根据供应链的历史需求数据进行预测；

所述步骤103采用层次聚类提取目标之间的关系特征，具体包括：

1)对样本进行层次聚类，如果节点样本数小于阈值MaxLeaf＝20，则停止过程，

否则继续,直至完成一棵层次二叉树；

2)对除叶子节点外的所有节点添加元分类器h_θ(·)；

3)使用梯度下降算法更新h_θ(·)

θ_j:＝θ_j+min(λ_j,α(y_j⁽ⁱ⁾-h_θ(x_j⁽ⁱ⁾)))x_j⁽ⁱ⁾

其中y_j⁽ⁱ⁾表示样本真实目标，x_j⁽ⁱ⁾表示样本特征，初始梯度θ_j为0向量，更新步长α为0.01，λ_j表示对更新梯度的限制并且限制为0.1；

4)取得包括测试样本在内的所有样本所属的叶子节点编号，作为目标之间的关系特征来扩展特征；

所述步骤104对每一个预测目标提取输入输出空间的目标敏感特征来处理输入空间和输出空间的关系，具体为：

1)使用分类回归树算法对预测目标j生成一个相似度矩阵M_ij，其中下标i表示第i次迭代；

2)对1)进行迭代，MaxIter＝500或者下降error_i小于10则提前停止，MaxIter表示最大迭代次数，为目标j生成矩阵其中w_i表示累加矩阵的权重，error_i是目标均方损失误差。

3)将标签之间的相关性也考虑到迭代结果中，生成相似度矩阵其中wc_jk是目标j与目标k之间的余弦相似度。

4)对CM_j进行k-mediods聚类，得到关于目标j的k个聚类中心p_k，然后通过公式

X_TSF←[cos(D,p₁),...,cos(D,p_K)]

cos(D,p₁)表示数据集中每一个样本和聚类中心p_k的余弦相似度，X_TSF←[cos(D,p₁),...,cos(D,p_K)]表示得到的相似度即为目标敏感特征，其中D为数据集，p_k为得到的聚类中心。

2.根据权利要求1所述的一种基于大数据的物流供应链需求预测方法，其特征在于，所述步骤101对供应链需求历史销量数据预处理操作，包括以下步骤：

S1011、将历史数据分为训练集和测试集两部分，统计历史数据中供应链需求历史数据的缺失值个数，并统计供应链各个商品的缺失比例，对于缺失比例低于70％的商品，使用该商家对应星期几的销量均值填充；若缺失比例超过70％，则保留距离目标预测日期最近2周的销量，其他全部删除。

3.根据权利要求2所述的一种基于大数据的物流供应链需求预测方法，其特征在于，当保留距离目标预测日期最近2周的销量有缺失时，则使用最近2周均值填充。