[发明专利]需求预测方法以及需求预测装置

说明书

一种需求预测方法以及需求预测装置。基于历史需求数据，获得料号对应的初步预估量。基于初步预估量，计算料号的需求几率。基于历史需求数据、初步预估量以及需求几率，获得料号对应的预测需求量。

技术领域

本发明涉及一种存货模拟技术，且特别涉及一种需求预测方法以及需求预测装置。

背景技术

在存货领域中，精准地预测需求是重要的一环。假如能精准地预测存货则可以在满足顾客需求的前提之下降低大量的不必要的库存，达到节省成本的效果，系统的运行时间越久，省下的金额越可观。以服务零件而言，在产品供货起至到宣布停产后的特定时间内，提供必要的零件供给，以满足客户维修或更换的需要。对供应商而言，越能掌握精准的零件需求预测，就越能在更短时间内流通零件存货、创造营收，并降低呆滞料造成的成本积压。

现有的存货预测技术大多以时间序列的手法搭配数据来进行公式化的预测。现有技术的缺陷大致有下述三点。(1)无法完全充分的利用数据，时间序列的极限通常只能考量少数的变数，所以纵然数据的信息含量丰富，由于人对所述数据的理解有限，因此最后用来产出预测的公式可能考虑的变数只有顶多10个变数。(2)而这些用来产出预测的公式是由人经验累积而出，因此当有人离职或是人员汰换时很难做一个有系统的传承交接。(3)现行系统无法快速地扩展到各个不同的区域。简单来说，欧洲、美国、亚洲的需求形态不同，因此如果要针对不同的地区去进行在地化的预测，就需要三个团队分别去进行经验累积和发展公式。

发明内容

本发明提供一种需求预测方法，可以充分考虑所有数据变数，屏除人为的计算失误，以获得更精准的预测结果。

本发明的一实施例中的需求预测方法，包括：基于历史需求数据，获得料号对应的初步预估量；基于历史需求数据与初步预估量，计算料号的需求几率；以及基于历史需求数据、初步预估量以及需求几率，获得料号对应的预测需求量。

在本发明的一实施例中，上述需求预测方法还包括：转换历史需求数据的格式，以获得对应于料号的多个特征。所述特征包括在多个先前时段对应的多个参数、在多个时段范围内的多个参数平均值以及在所述各时段范围内包括的多个参数中的最大值。

在本发明的一实施例中，上述需求预测方法还包括：建立极端梯度提升(eXtremeGradient Boosting，XGBoost)模型，极端梯度提升模型包括线性模型、分类器以及极端梯度提升回归模型。

在本发明的一实施例中，上述基于历史需求数据，获得料号对应的初步预估量的步骤包括：将所述特征输入至线性模型，借此获得初步预估量。

在本发明的一实施例中，上述需求预测方法还包括：利用极端梯度提升演算法来建立分类器，以将所述特征及初步预估量输入分类器来获得需求几率。所述需求几率为该料号未来的需求为0的几率。

在本发明的一实施例中，上述基于历史需求数据、初步预估量以及需求几率，获得料号对应的预测需求量的步骤包括：将所述特征、需求几率以及初步预估量输入极端梯度提升回归模型，以获得预测需求量。

在本发明的一实施例中，上述需求预测方法还包括：解构极端梯度提升模型，以获得历史需求数据中的每一特征的影响力。其中极端梯度提升模型包括多个树，而解构极端梯度提升模型的步骤包括：自每一棵树的根节点开始走访至最底层的每一个节点；基于每一次所走访的节点对应的规则，将变化量归因至对应的特征；以及加总各特征对应的变化量来作为其对应的影响力。

在本发明的一实施例中，上述在获得料号对应的预测需求量步骤之后，还包括：基于前次实际需求为零的料号占总料号的比例来决定门限值；倘若料号对应的需求几率大于或等于门限值，将预测需求量设定为零；以及倘若料号对应的需求几率小于门限值，输出预测需求量作为最终预测结果。