[发明专利]一种大数据驱动的供应链需求预测方法

说明书

本发明公开了一种大数据驱动的供应链需求预测方法，包括：101对商品数据进行数据预处理操作；102根据商品历史销售数据划分数据集；103对划分的数据集进行特征工程构建操作；104对构建的特征进行特征选择；105建立机器学习模型，并进行模型融合操作；106通过构建的模型，预测商品未来一周的销量。本发明主要通过对商品在用户的表现数据、商品信息、商品销售数据、商品sku映射表、商品促销价格表和平台活动时间表进行预处理和分析提取特征，建立机器学习模型并进行线性加权模型融合，从而准确预测商品未来一周的销量，为供应链提供数据基础和企业建立全球化供应链方案提供关键的技术支持。

技术领域

本发明涉及机器学习、大数据处理技术领域，尤其基于多模型融合供应链需求预测算法。

背景技术

在电商产业链中，为提升用户物流服务体验，供应链协同将货品提前准备在全球各个市场的本地仓，可有效降低物流时间，极大提升用户体验。不同于国内电商物流情况，出海电商的产品生产和销售地区是全球化的，商品的采购，运输，海关质检等，整个商品准备链路需要更长的时间。在大数据和人工智能技术快速发展的新时代背景下，运用大数据分析和算法技术，精准预测远期的商品销售，为供应链提供数据基础，将能够为出海企业建立全球化供应链方案提供关键的技术支持。

发明内容

为了解决上述问题，本发明提供一种大数据驱动的供应链需求预测方法。

本发明采用的技术方案如下：

一种大数据驱动的供应链需求预测方法，包括以下步骤：

101.对商品数据进行数据预处理操作；

102.根据商品历史销售数据划分数据集；

103.对划分的数据集进行特征工程构建操作；

104.对构建的特征进行特征选择；

105.建立机器学习模型，并进行模型融合操作；

106.通过构建的模型，预测商品未来一周的销量。

本发明主要通过对商品在用户的表现数据、商品信息、商品销售数据、商品sku映射表、商品促销价格表和平台活动时间表进行预处理和分析提取特征，建立机器学习模型并进行线性加权模型融合，从而准确预测商品未来一周的销量，为供应链提供数据基础和企业建立全球化供应链方案提供关键的技术支持。

上述步骤101对商品数据进行数据预处理操作具体步骤为：

由于商品数据中的价格和销量部分有缺失，若采取直接过滤的方法会丢失很多商品信息。从这里出发，把缺失的商品的价格和销量用同一类商品最近一周的价格和销量的均值进行填充。

具体地，步骤102根据商品历史销售数据划分数据集具体步骤为：

考虑到商品的销售量会受到节日、天气等因素的影响，我们统计商品历史一年每天的销量，然后过滤掉商品日销售量高于前三天商品日销售量均值3倍的天的数据。从这里出发，对过滤后的商品一年历史销售数据采用滑窗法，以7天为一个周期进行滑窗，从而构建多个训练窗口，扩大训练集数量。其中，验证集的构建采取5折交叉验证的方式，其中4份作为训练数据，1份作为验证数据。

所述步骤103对划分的数据集进行特征工程构建操作具体步骤为：

1031.基础特征：在商品信息数据中，商品销售价格、商品吊牌价格、商品在售天数、商品品牌、商品季节属性，其中连续型的属性首先可以直接作为特征处理；而对于不连续的属性，采取独热编码，编码后的特征全部为数值型，可以作为特征处理。