本發(fā)明涉及庫存管理，尤其是涉及基于數(shù)據(jù)挖掘技術(shù)的一種入庫量和出庫量的聯(lián)合預(yù)測方法。

背景技術(shù)：

庫存管理是有效地監(jiān)控現(xiàn)有庫存的流入和流出貨物波動的一般過程[1]。這一過程一般包含了兩種類型操作：(1)把貨物搬進倉庫以保證銷售的順暢(又名入庫)；(2)從倉庫中交出貨物用于銷售(又名出庫)。這兩種類型操作會產(chǎn)生兩種類型的時間序列數(shù)據(jù)，每一個代表隨時間而變化的相應(yīng)的操作量。實現(xiàn)良好的庫存管理，即力圖在控制每一種操作的消耗和維持庫存狀態(tài)。

在現(xiàn)有的庫存管理系統(tǒng)[2]中，通常是單獨預(yù)測入庫量和出庫量。它被視為一個單一的時間序列預(yù)測，忽略了入庫量和出庫量之間的關(guān)系。在實踐中，在一個庫存中的入庫和出庫量均相互依賴。在同一件貨物或者一段時間內(nèi)，出庫的數(shù)量往往受到入庫數(shù)量的限制，也就是說，為了預(yù)防貨物無現(xiàn)貨，出庫往往少于入庫。另外，為了避免供過于求的情況，入庫計劃依賴于歷史出庫情況[3]。因此，針對于庫存管理的特性，入庫和出庫兩個時間序列承擔(dān)著一定的相互依賴關(guān)系。

在數(shù)據(jù)挖掘的研究中，時間序列預(yù)測問題得到了很好的探索[4,5,6]。然而，很少有研究聚焦于這一方面——預(yù)測相關(guān)的時間序列數(shù)據(jù)集合的運動。

參考文獻：

[1]zipkinph.foundationsofinventorymanagement[m].newyork:mcgraw-hill,2000.

[2]lil,shenc,wangl,etal.iminer:mininginventorydataforintelligentmanagement[c]//proceedingsofthe23rdacm,internationalconferenceonconferenceoninformationandknowledgemanagement.acm,2014:2057-2059.

[3]scarfh.theoptimalityof(5,5)policiesinthedynamicinventoryproblem[j].1959.

[4]weigendas.timeseriesprediction:forescastingthefutureandunderstandingthepast[m].1994.

[5]vangestelt,suykensjak,baestaensde,etal.financialtimeseriespredictionusingleastsquaressupportvector,machineswithintheevidenceframework[j].neuralnetworks,ieeetransactionson,2001,12(4):809-821.

[6]taylorsj.modellingfinancialtimeseries[j].2007.

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供基于數(shù)據(jù)挖掘技術(shù)的一種入庫量和出庫量的聯(lián)合預(yù)測方法。

本發(fā)明通過建立一個基于多時間序列數(shù)據(jù)預(yù)測的預(yù)測模型，并將其應(yīng)用到庫存管理領(lǐng)域，可以在滿足出庫與出庫兩類型時間序列的依賴關(guān)系情況下，同時實現(xiàn)高精度的預(yù)測結(jié)果。

本發(fā)明包括以下步驟：

1)獲取預(yù)定時間段內(nèi)的入庫量和出庫量時間序列數(shù)據(jù)，并對這兩類型時間序列數(shù)據(jù)進行數(shù)據(jù)清洗；

2)利用數(shù)據(jù)挖掘技術(shù)建立時間序列預(yù)測模型；

3)考慮到庫存中的入庫量和出庫量均相互依賴的背景知識，將入庫量和出庫量時間序列數(shù)據(jù)的相互依賴關(guān)系建立模型；

4)將步驟3)相互依賴關(guān)系建立模型應(yīng)用于庫存預(yù)測中，即把庫存預(yù)測的要求建立到約束下，獲得最終預(yù)測結(jié)果。

在步驟1)中，所述獲取預(yù)定時間段內(nèi)的入庫量和出庫量時間序列數(shù)據(jù)，并對這兩類型時間序列數(shù)據(jù)進行數(shù)據(jù)清洗的具體方法可為：以特定周期(如周，月，季度等)為時間粒度來獲取特定商品的入庫量和出庫量時間序列數(shù)據(jù)，n個周期的時間序列數(shù)據(jù)分別表示為{xi1,yi1}stockin和{xi2,yi2}stockout(i＝1,2,...,n)。

在步驟2)中，所述利用數(shù)據(jù)挖掘技術(shù)建立時間序列預(yù)測模型的具體方法可為：利用數(shù)據(jù)挖掘技術(shù)建立時間序列預(yù)測模型，入庫量和出庫量預(yù)測模型分別為f1(·)和f2(·)。

在步驟3)中，所述考慮到庫存中的入庫量和出庫量均相互依賴的背景知識，將入庫量和出庫量時間序列數(shù)據(jù)的相互依賴關(guān)系建立模型的具體方法可為：考慮到庫存中的入庫量和出庫量均相互依賴的背景知識，如(1)入庫總額往往大于出庫總額，以避免供不應(yīng)求；(2)入庫\出庫總額又盡可能接近，以避免供過于求；(3)入庫和出庫總額受到客觀條件的限制等；將相互依賴關(guān)系建立數(shù)學(xué)模型，如ηi≤f1(xi1)-f2(xi2)≤ζi,ηi,ζi≥0,其中f1(xi1)和f2(xi2)分別表示入庫量和出庫量的預(yù)測值，ηi和ζi為約束常量。

在步驟4)中，所述將步驟3)相互依賴關(guān)系建立模型應(yīng)用于庫存預(yù)測中的具體方法可為：把庫存預(yù)測的要求建立到約束下，在這些約束的條件下獲得最終預(yù)測結(jié)果；建立預(yù)測的目標(biāo)函數(shù)如下：

其中，l(·)為懲罰函數(shù)，常用的有平均絕對誤差(mae),平均平方誤差(mse)，平均絕對值誤差百分比(mape)，γ為正則化參數(shù)，其作用是權(quán)衡訓(xùn)練誤差和模型復(fù)雜度，||f1||²,||f2||²為入庫和出庫預(yù)測模型的2范數(shù)，作用是衡量模型的復(fù)雜度。

本發(fā)明提出了一個多時間序列數(shù)據(jù)預(yù)測的預(yù)測模型，并將其應(yīng)用到庫存管理領(lǐng)域。多時間序列之間的關(guān)系被建模為一類約束，在這些約束的條件下獲得最終預(yù)測結(jié)果。

本發(fā)明的有益效果是：充分考慮庫存管理的應(yīng)用背景，將入庫量和出庫量時間序列數(shù)據(jù)間的相互依賴關(guān)系結(jié)合到預(yù)測模型中，可以獲得更符合實際，同時達到高精度的預(yù)測結(jié)果。

附圖說明

圖1是本發(fā)明實施例1中的一種產(chǎn)品入庫量和出庫量的聯(lián)合預(yù)測方法采用非線性預(yù)測模型下，原始數(shù)據(jù)圖(曲線a為入庫量；曲線b為出庫量)。

圖2是本發(fā)明實施例1中的一種產(chǎn)品入庫量和出庫量的聯(lián)合預(yù)測方法采用非線性預(yù)測模型下，預(yù)測結(jié)果圖(曲線a為入庫量；曲線b為出庫量)。

圖3是不考慮背景知識約束下采用非線性預(yù)測模型svr的預(yù)測結(jié)果1(曲線a為入庫量；曲線b為出庫量)。

圖4是不考慮背景知識約束下采用非線性預(yù)測模型svr的預(yù)測結(jié)果2(曲線a為入庫量；曲線b為出庫量)。

具體實施方式

下面對本發(fā)明的實施例進行詳細(xì)說明。

本發(fā)明提供的一種基于數(shù)據(jù)挖掘技術(shù)的入庫量和出庫量的聯(lián)合預(yù)測方法的流程圖，該方法包括；

步驟一：獲取預(yù)定時間段內(nèi)的入庫量和出庫量時間序列數(shù)據(jù)，并對這兩類型時間序列數(shù)據(jù)進行數(shù)據(jù)清洗；

步驟二：利用數(shù)據(jù)挖掘技術(shù)建立時間序列預(yù)測模型；

步驟三：考慮到庫存中的入庫和出庫量均相互依賴的背景知識，將入庫量和出庫量時間序列數(shù)據(jù)的相互依賴關(guān)系建立模型；

步驟四：把上述建立的關(guān)系依賴模型應(yīng)用于庫存預(yù)測中，即把庫存預(yù)測的要求建立到約束下，在這些約束的條件下獲得最終預(yù)測結(jié)果。

下面結(jié)合一個具體實施例對本發(fā)明進行具體描述。

步驟一：獲取預(yù)定時間段內(nèi)的入庫量和出庫量時間序列數(shù)據(jù)，并對這兩類型時間序列數(shù)據(jù)進行數(shù)據(jù)清洗；

給定一個時間序列t，可以提取從t中提取連續(xù)的樣本。假設(shè)有m個樣本樣本獨立同分布，以未知的概率p分布。輸入空間x和輸出空間y落在實數(shù)空間r中，其中x是典型的r^d的子集，例如，在d維歐氏空間；y是r的子集。在時間序列預(yù)測的設(shè)置問題中，y可以作為時間序列t的真實值。

以一周為時間粒度來獲取特定商品的入庫量和出庫量時間序列數(shù)據(jù)，n個周期的時間序列數(shù)據(jù)分別表示為{xi1,yi1}stockin和{xi2,yi2}stockout(i＝1,2,...,n)。

步驟二：利用數(shù)據(jù)挖掘技術(shù)建立時間序列預(yù)測模型，入庫量和出庫量預(yù)測模型分別為f1(·)和f2(·)。

若采用線性預(yù)測模型，則數(shù)學(xué)模型為：

其中ωl為時間序列數(shù)據(jù)的權(quán)向量，fl(xil)為預(yù)測值。

若采用非線性預(yù)測模型，以支持向量機回歸模型為例，則數(shù)學(xué)模型為：

其中，||ωl||為權(quán)向量的模，即ωl＝(ωl·ωl)^1/2。γil為松弛變量，希望其值盡可能小。cl為常數(shù)，來權(quán)衡分類誤差和泛化誤差。φ(xil)表示將數(shù)據(jù)映射到高維空間，從而解決原始空間中先行不可分的問題，通常采用核函數(shù)來實現(xiàn)。

步驟三：考慮到庫存中的入庫和出庫量均相互依賴的背景知識，將入庫量和出庫量時間序列數(shù)據(jù)的相互依賴關(guān)系建立模型；

入庫和出庫量均相互依賴的背景知識，如1)入庫總額往往大于出庫總額，以避免供不應(yīng)求；2)入庫\出庫總額又盡可能接近，以避免供過于求；3)入庫和出庫總額受到客觀條件的限制等。將上述相互依賴關(guān)系建立數(shù)學(xué)模型如下：

ηi≤f1(xi1)-f2(xi2)≤ζi,ηi,ζi≥0(3)

其中f1(xi1)和f2(xi2)分別表示入庫量和出庫量的預(yù)測值，ηi和ζi為約束常量。

步驟四：把入庫和出庫量兩種類型時間序列數(shù)據(jù)的關(guān)系依賴模型應(yīng)用于庫存預(yù)測中，即把庫存預(yù)測的要求建立到約束下，在這些約束的條件下獲得最終預(yù)測結(jié)果。建立預(yù)測的目標(biāo)函數(shù)如下：

其中，l(·)為懲罰函數(shù)，常用的有平均絕對誤差(mae),平均平方誤差(mse)，平均絕對值誤差百分比(mape)。γ為正則化參數(shù)，其作用是權(quán)衡訓(xùn)練誤差和模型復(fù)雜度。||f1||²,||f2||²為入庫和出庫預(yù)測模型的2范數(shù)，作用是衡量模型的復(fù)雜度。

結(jié)合上述預(yù)測模型，結(jié)合公式(4),可將問題轉(zhuǎn)化為二次規(guī)劃問題來對模型參數(shù)尋優(yōu)。

接下來以線性模型為例，懲罰函數(shù)l(·)采用mse，公式(4)變化為：

轉(zhuǎn)化為二次規(guī)劃問題來對模型參數(shù)尋優(yōu)，標(biāo)準(zhǔn)的二次規(guī)劃形式如下：

其中ω是預(yù)測模型的n維列向量，h是hesse矩陣(n階對稱矩陣)，c是n維列向量，a是m×n矩陣，b是m維列向量。

由此，確定各個對應(yīng)參數(shù)如下：

如表1所示，本發(fā)明提供的一種基于數(shù)據(jù)挖掘技術(shù)的入庫量和出庫量的聯(lián)合預(yù)測方法采用線性預(yù)測模型下，與傳統(tǒng)方法的評價指標(biāo)對比結(jié)果。其中joint表示本發(fā)明提供的方法，single表示不考慮背景知識約束下線性預(yù)測方法，moving表示不考慮背景知識約束下平均移動模型預(yù)測方法。表1中采用mae,mse,mape三個指標(biāo)來評價預(yù)測效果。可以看出本發(fā)明提供的一種基于數(shù)據(jù)挖掘技術(shù)的入庫量和出庫量的聯(lián)合預(yù)測方法得到了最好的預(yù)測結(jié)果。

表1入庫量和出庫量的聯(lián)合預(yù)測方法與傳統(tǒng)方法預(yù)測結(jié)果對比

如圖1～4所示，本發(fā)明提供的一種基于數(shù)據(jù)挖掘技術(shù)的入庫量和出庫量的聯(lián)合預(yù)測方法采用非線性預(yù)測模型svr下，與傳統(tǒng)方法的對比效果圖。其中圖1表示原始數(shù)據(jù)，圖2表示本專利提供的方法用非線性預(yù)測模型svr的預(yù)測結(jié)果可以看出，圖3和圖4表示不考慮背景知識約束下采用非線性預(yù)測模型svr的預(yù)測結(jié)果?？梢钥闯霰景l(fā)明提供的一種基于數(shù)據(jù)挖掘技術(shù)的入庫量和出庫量的聯(lián)合預(yù)測方法可以獲得更符合實際，同時達到高精度的預(yù)測結(jié)果。

本發(fā)明的有益效果是：充分考慮庫存管理的應(yīng)用背景，將入庫量和出庫量時間序列數(shù)據(jù)間的相互依賴關(guān)系結(jié)合到預(yù)測模型中，可以獲得更符合實際，同時達到高精度的預(yù)測結(jié)果。