[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

说明书

本发明公开了一种基于特征融合的供应链循环包装箱需求预测方法，通过构建基于特征融合的供应链循环包装箱需求预测模型；模型训练；使用训练好的模型进行供应链循环包装箱需求预测。本发明分别使用长短期记忆网络和卷积神经网络对应提取数据的时序特征和全局特征，更全面、充分地提取数据特征；本发明通过拼接、投影、残差连接一系列操作进行时序特征和全局特征的融合，使模型有效利用不同数据特征。

技术领域

本发明涉及供应链循环包装箱需求预测技术领域，具体是一种基于特征融合的供应链循环包装箱需求预测方法。

背景技术

零部件供应链中，第三方循环包装箱提供商专门为零部件供应商提供各类可循环零部件包装箱，提供商以一对多的模式对一定数量的包装箱进行运营管理，专注于将包装箱在各客户群体节点间进行流转，箱体成本是其经营成本中占比最大的部分。在包装箱质量和数量一定的情况下，被服务群体或节点越多、箱体流转越快，经营成本越低，即投入更少量的包装箱为更多的零部件供应商主体提供服务才是实现降本、达到增效的根本途径。包装箱得以“快速流转”的前提是能及时、准确的获取各型号包装箱需求量，以便提供商提前有的放矢地进行箱体清洁、整理、配套等繁琐、耗时的备货工作，从而快速响应客户需求、及时配送箱体。包装箱需求预测成为包装箱提供商亟需解决的关键任务。

国内外众多学者在需求预测方法方面进行了大量的研究和实践，这些研究主要有统计学方法、传统机器学习方法和深度学习方法三大类。统计学方法的研究主要集中在以自回归移动平均模型为代表的一类方法上，此类方法虽然被广泛应用，但是由于该模型只是线性模型，对于数据中的非线性部分难以处理，于是一系列具有非线性建模能力的机器学习模型被学者们提出来。尽管传统机器学习取得了比较优秀的预测效果，但是这类算法依旧存在特征学习能力不足、严重依赖特征工程以及难以适应大规模数据等问题。

随着深度学习的发展，深度神经网络在多领域表现出优秀的性能，研究人员开始采用深度网络模型进行需求预测任务。这类技术大多基于长短期记忆网络，更多的关注数据的时序特征，通过时序特征完成需求预测任务。

综上，现有技术具有以下缺陷：

1、统计学方法更擅长处理线性数据，难以处理数据中的非线性部分；

2、传统机器学习方法特征学习能力不足且难以适应大规模数据的场景；

3、深度学习方法大多基于长短期记忆网络，更多的关注数据时序特征，数据特征未被完全利用。

发明内容

本发明针对上述方法难以处理数据非线性部分、特征学习能力不足和数据特征未被完全利用等缺点，提出一种基于特征融合的供应链循环包装箱需求预测方法。该方法通过长短期记忆网络时序展开的特性和卷积神经网络逐层堆叠的特性分别对应的提取数据时序特征和全局特征，并将以上两种特征通过拼接、投影、残差连接一系列操作进行特征融合，提升模型提取任务相关特征的能力、提高对数据特征的学习和利用。

本发明的目的主要通过以下技术方案实现：

一种基于特征融合的供应链循环包装箱需求预测方法，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。

通过将通过长短期记忆网络时序展开的特性和卷积神经网络逐层堆叠的特性分别对应的提取数据时序特征和全局特征，并将以上两种特征通过拼接、投影、残差连接一系列操作进行特征融合，提升模型提取任务相关特征的能力、提高对数据特征的学习和利用。

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。

输入层接收数据输入并传递至下一层。