[发明专利]供应链的补货量预测方法、装置、存储介质及电子设备

权利要求书

1.一种供应链的补货量预测方法，其特征在于，包括：

根据补货决策日当天的库存情况构建第一特征向量；

将所述第一特征向量输入至预测模型中，并确定所述预测模型输出的值为当前补货决策日对应的第一补货量，其中，所述预测模型用于表征特征向量与补货量之间的关联关系。

2.根据权利要求1所述的补货量预测方法，其特征在于，所述预测模型基于如下步骤训练：

根据m个补货决策日的历史库存情况分别构建m个补货决策日对应的历史特征向量；

根据每个所述历史特征向量确定每个所述历史特征向量对应的第二补货量，以使相邻的两个补货决策日之间的总体成本最小；

根据所有所述历史特征向量和所有所述历史特征向量对应的所述第二补货量所形成的训练集对预设模型进行训练，直至所述预设模型的损失函数最小，得到所述预测模型。

3.根据权利要求2所述的补货量预测方法，其特征在于，相邻的两个补货决策日之间的所述总体成本基于如下公式确定：

其中，表征第m个补货决策日与第m+1个补货决策日之间的总体成本，h为单位产品的库存成本，b为单位产品的缺货成本，v_m为第m次补货的到货时间，为第m次补货时的当前库存量，为从v_m到s时间段内的库存需求总和，s用于表征第m个补货决策日与第m+1个补货决策日之间的任一个日期，y_m为第m个补货决策日的第二补货量；

在所述总体成本最小时，确定所述其中，

4.根据权利要求3所述的补货量预测方法，其特征在于，所述预测模型基于如下公式表示：

其中，所述x_i表示第i个补货决策日的特征向量，N表示训练集中训练数据的数量，L表示所述预测模型的损失函数，表示第i个补货决策日的补货量。

5.根据权利要求4所述的补货量预测方法，其特征在于，所述根据所有所述历史特征向量和所有所述历史特征向量对应的所述第二补货量所形成的训练集对预设模型进行训练，包括：

将训练集中训练数据拆分成两部分，其中一部分作为所述预设模型的编码器的输入(x_i，y_i)，另一部分作为所述预设模型的解码器的输入其中，i＝1,…t，j＝t+1,…N，t用于表征所述训练数据的拆分参数，t＝N*60％。

6.根据权利要求2所述的补货量预测方法，其特征在于，所述预设模型为以下模型的任意一种：

MQRNN网络模型、LightGBM网络模型、XGBoost网络模型、TCN网络模型。

7.根据权利要求1至6中任一项所述的补货量预测方法，其特征在于，所述库存情况至少包括以下任意一种或多种：

补货决策日的日期、补货时长、产品类别、补货决策日当天不同类别产品的库存量、上一个补货决策日至当前补货决策日之间每一类产品在每一天内的需求量。

8.一种供应链的补货量预测装置，其特征在于，包括：

获取模块，用于根据补货决策日当天的库存情况构建第一特征向量；

预测模块，用于将所述第一特征向量输入至预测模型中，并确定所述预测模型输出的值为当前补货决策日对应的第一补货量，其中，所述预测模型用于表征特征向量与补货量之间的关联关系。

9.根据权利要求9所述的补货量预测装置，其特征在于，还包括：

训练模块，所述训练模块具体用于：根据m个补货决策日的历史库存情况分别构建m个补货决策日对应的历史特征向量；根据每个所述历史特征向量确定每个所述历史特征向量对应的第二补货量，以使相邻的两个补货决策日之间的总体成本最小；根据所有所述历史特征向量和所有所述历史特征向量对应的所述第二补货量所形成的训练集对预设模型进行训练，直至所述预设模型的损失函数最小，得到所述预测模型。