[发明专利]一种新产品需求的多阶段实时预测方法

说明书

本发明公开了一种新产品需求的多阶段实时预测方法。该方法的创新点在于提取趋势因子TF作为公共的预测特征；对已有产品聚类，把新产品以一定概率归入对应的类；结合巴斯曲线，选取与新产品相同的类里面的相同销售阶段的数据，输入机器学习模型训练；在新产品对应的类得到的预测模型中输入新产品的预测特征，进行组合预测。该方法可以灵活实现新产品多阶段同时、实时的预测。

技术领域

本发明属于机器学习和供应链管理的交叉领域,尤其是涉及对新产品的需求进行模式挖掘和实时预测的方法。

背景技术

互联网、移动营销、新零售的发展，对消费者需求感知灵敏度、库存响应速度和供应链管理效率都提出了更高的要求。在供应链管理领域，库存管理和决策占据非常重要的地位；而准确地预估未来的需求量以及需求变动趋势，将极大地提升库存的运营水平。如何有效对新产品的未来需求尤其是实时需求进行预测，日渐成为在快节奏的商业模式变革下产品运营和供应链管理的重要课题和难题。由于新产品没有任何历史数据，传统的时间序列和机器学习模型都不适用，开发一套有效、可行的预测方法，对于提升企业运营效率，降低运营成本具有重要意义。

现有的新产品需求预测方法，主要包括两大体系：巴斯扩散模型和类比法。巴斯扩散模型的主要应用在产品生命曲线预测，其核心思想是在把新产品的采用者分为改革型(早期采用者)和模仿型(中后期跟进者)以及用户采用新品的时间取决于产品的创新程度和模仿型占比的条件下，新产品的销售取决于产品的创新程度p、模仿者的比例q 以及价格和广告因素x(t)。因此，只需要估计相关的参数，就可以得到新产品的销售生命周期曲线【1，2】。而类比法则是基于产品属性的各个维度，对已有产品进行聚类，得到产品的类别集，再根据新产品的属性对其进行归类，用类别集里面的其他产品的历史销量进行预测【3,4,5】。

上述两大体系都存在着各自的不足。巴斯扩散模型需要有一部分需求信息用于参数估计，导致不能完整刻画整个产品生命周期；另一方面，该模型所假设的生命周期模式并不能反映产品需求的动态演化，实时预测的能力稍显不足。类比法具有更高的灵活性，可以结合机器学习的算法提升预测效果。本文采用类比法的预测框架，结合巴斯曲线生命周期的思想，设计出一种兼具预测实时性和不同生命阶段产品销售模式特殊性的方法。

发明内容

本发明采用如下技术方案：

一种对新产品需求进行多阶段实时预测的方法，其特征在于，该方法采用如下技术方案：

确定预测时间幅度δ、预测提前期τ和训练集时间段TP；提取已有产品k和新产品i用于聚类的属性特征集P_k和P_i；以预测时间幅度δ为单位，提取已有产品需求预测所用的特征矩阵和需求量向量D_k；以预测时间幅度δ为单位，提取公共趋势因子TF，作为预测特征分别并入矩阵得到输入模型的特征矩阵F_k、F_i；根据产品属性对已有产品进行通过聚类方法进行聚类，第j个类为记C_j，新产品按照与各类的距离进行概率归类；分别提取出类C_j内已有产品生命周期中不同销售阶段t的销售记录，包括预测特征和需求，记为将输入机器学习预测模型用于训练；对新产品，在不同的预测提前期τ，分别选用对应的模型用于其销量的组合预测。

所述的对新产品需求进行多阶段实时预测的方法，其特征在于，所述预测特征不包含历史信息相关的特征。

所述的对新产品需求进行多阶段实时预测的方法，其特征在于，所述趋势因子TF作为公共特征，用于已有产品的模型训练和新产品的需求预测。

所述的对新产品需求进行多阶段实时预测的方法，其特征在于，所述趋势因子的元素TF_t采用的计算公式为其中D_i,t表示产品i在销售阶段t时的销量；D_i,0表示产品i在初始销售阶段时的销量。