[发明专利]一种基于特征融合的供应链循环包装箱需求预测方法

权利要求书

1.一种基于特征融合的供应链循环包装箱需求预测方法，其特征在于，包括以下步骤：

(1)构建基于特征融合的供应链循环包装箱需求预测模型；

(2)模型训练；

(3)使用训练好的模型进行供应链循环包装箱需求预测。

2.根据权利要求1所述的一种基于特征融合的供应链循环包装箱需求预测方法，其特征在于：所述预测模型包括输入层、嵌入层、特征提取层、特征融合层和输出层。

3.根据权利要求2所述的一种基于特征融合的供应链循环包装箱需求预测方法，其特征在于：所述输入层接收数据输入并传递至下一层。

4.根据权利要求2所述的一种基于特征融合的供应链循环包装箱需求预测方法，其特征在于：所述嵌入层接收输入层的数据输入，分两部分进行数据向量化过程，在嵌入层左边部分，输入被嵌入为多个独立的一维向量，其嵌入过程为：

其中，表示输入x_i映射后的高维特征，表示非线性激活函数，W^L和b^L分别表示非线性投影的权重矩阵和偏置项，在嵌入层右边部分，输入首先被嵌入为独立的一维特征向量，在通过向量拼接得到二维的输入特征图，其计算过程为：

其中，表示输入x_i映射后的高维特征，表示非线性激活函数，W^C和b^C分别表示非线性投影的权重矩阵和偏置项，[·,·,·]表示向量拼接操作。

5.根据权利要求2所述的一种基于特征融合的供应链循环包装箱需求预测方法，其特征在于：所述特征提取层由长短期记忆网络和卷积神经网络构成，其中，长短期记忆网络处理多个独立的一维特征向量，利用该网络时序展开的特性提取输入数据的时序特征，计算过程如下：

式中，表示第i层长短期记忆网络j时间步的隐状态，和分别表示第i层长短期记忆网络j时间步的输出门和单元状态，其计算过程如下：

其中，和分别表示第i层长短期记忆网络j时间步的遗忘门、更新门和单元更新状态；和分别表示第i层长短期记忆网络单元对应门的权重和偏置项，经过多层长短期记忆网络的处理，数据的时序特征被长短期记忆网络充分提取、抽象，得到最后一层长短期记忆网络的输出h^L作为输入数据的时序特征表示；

卷积神经网络处理二维输入特征图，对该特征图进行多轮卷积核池化操作，计算过程如下：

其中，表示第i层卷积第j个卷积核的卷积结果，表示第i层卷积第j个卷积核的卷积操作，表示第i层池化层第j个特征图的池化操作；第一层卷积计算时，的值为a^C，经过多轮卷积和池化，最终通过一维卷积、非线性映射和拼接得到全局特征向量h^C，用h^C来表示输入数据的全局特征。

6.根据权利要求2所述的一种基于特征融合的供应链循环包装箱需求预测方法，其特征在于：所述特征融合层对时序特征h^L和全局特征h^C进行特征融合，该层首先将两特征向量进行拼接并投影获得一个中间特征向量，其计算过程如下：

h′＝tanh(W′·[h^C,h^L]+b′)

随后将该中间特征向量与时序特征向量进行残差连接并通过非线性映射得到最终的特征向量，残差连接与映射过程如下式所示：

h＝tanh(W·(h^L+h′)+b)。