基于需求预测模型的库存优化分析方法及系统与流程

本发明涉及库存优化技术，尤其涉及一种基于需求预测模型的库存优化分析方法及系统。

背景技术：

1、商品的采购策略对于任何一家销售中间企业在市场的竞争都会非常重要的影响，传统采购行为对商品的采购时间与采购数量的判断往往依赖于采购业务员的历史经验，会造成补货过多导致库存积压或补货不足导致商品满足率下降的问题。传统的需求预测方法有历史平均法、移动平均自回归模型，但这些方法对于医药领域中存在由于政府采购行为导致的销售离群点的销售数据无法预测。近年来，随着人工智能的发展，一些神经网络预测方法，如递归神经网络rnn、长短期记忆网络lstm等方法也应用于销量预测问题，但由于医药销售的时间相关性不明显，并且伴随着大量的销售离群点。

2、除销售数量与销售时间外，库存优化分析还需要考虑订单满足率和库存周转率的要求。为实现低库存高满足率的目标需要采购业务员能够基于历史经验给出合适的采购时间和采购数量建议，这无疑增加了采购员的工作难度。需要提供一种方法，解决由于人工经验补货导致的库存积压和满足率不足，依托企业现有数据为企业采购行为提供更准确的采购建议，实现库存水平合理化。

技术实现思路

1、本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于需求预测模型的库存优化分析方法及系统。

2、本发明解决其技术问题所采用的技术方案是：一种基于需求预测模型的库存优化分析方法，包括以下步骤：

3、1）获取企业商品历史销售数据，对销售数据按天聚合，获取销售数据每一天的时间特征、数量特征和对应销售途径，构建销售数据多维特征向量；

4、所述销售数据包含商品的销售时间、销售数量、销售途径；

5、2）对销售数据进行处理，获得训练集数据，作为商品库存需求预测模型的输入；

6、3）训练需求预测transformer模型，使用需求预测transformer模型预测未来t时间内各销售途径销售和，然后根据销售分布分解销售和，得到未来t时间内每日预测需求；

7、4）根据历史销售数据动态修正未来需求量；

8、5）采用上下限补货模型获取推荐的库存补货数量；

9、5.1）预估上下限补货模型的优选参数；

10、设置服务水平参数范围servicelevel=range(0.8,1,0.01)，使用历史真实销量和上下限补货模型，计算servicelevel各参数在历史一年中每天推荐补货量以及按照推荐补货量产生的库存变化情况，计算各参数下失销率和库存优化程度指标，选择失销率最小库存优化程度最大的参数对应的模型，即为优选参数上下限模型；

11、5.2）确定推荐的库存补货数量；

12、根据当前库存（currentinventory）、在途数据（intransitinventory）、未来需求（demands），服务水平（servicelevel）；通过上下限补货模型求出当前补货下限littles;

13、当littles>(currentinventory+intransitinventory)时， 计算补货量q=(未来需求和-currentinventory-intransitinventory)；输出q大于0时的q值，作为推荐的库存补货数量。

14、按上述方案，所述步骤2）中，对销售数据进行处理，获得训练集数据，包括数据分割和通道分割；

15、2.1）数据分割

16、取时间窗口长度为，从头开始进行窗口滑动，其中一条训练数据，其中，每个均为维向量，训练集数据用于通过已发生时刻预测未来时刻的值；

17、其中，l为单位周期的天数，m为销售途径的个数；

18、2.2）通道分割

19、将进行维分割，再将分割后的个单变量数据分别作为transformer网络的输入，将长度为的第个单变量向量表示为，其中，输入的被分隔为个单变量向量，再将分割后的个单变量数据分别作为transformer网络的输入，模型将提供预测结果。

20、按上述方案，所述步骤3）中训练模型时还对输入进行如下处理：

21、将每个输入模型的单变量数据向量分割成块，每个块的长度记为c，各块之间不存在重叠区域，向量将被分为块；经过分割后将产生新的块向量，不能被整除的部分数据将被舍去。

22、按上述方案，所述步骤4）中使用历史销量信息动态修正未来需求量，具体如下：

23、首先使用孤立森林算法检测标记历史销售中的销售离群点，如果存在，则将该笔订单剔除，将含有离群点的销量数据变成正常销量数据；

24、未来需求量为历史正常销售数据与未来预测销量之和。

25、本发明还提供一种基于需求预测模型的库存优化分析系统，包括：

26、数据获取模块，用于获取企业商品历史销售数据，对销售数据按天聚合，获取销售数据每一天的时间特征、数量特征和对应销售途径，构建销售数据多维特征向量；所述销售数据包含商品的销售时间、销售数量、销售途径；其中，销售途径包括电商途径、政府采购途径和门店途径；

27、训练集构建模块，用于对销售数据进行处理，获得训练集数据，作为商品库存需求预测模型的输入；

28、未来销量预测模块，用于训练需求预测transformer模型，使用需求预测transformer模型预测未来t时间内各销售途径销售和，然后根据销售分布分解销售和，得到未来t时间内每日预测需求；

29、修正模块，用于根据历史销量信息动态修正未来需求量；

30、库存补货确定模块，用于采用上下限补货模型获取推荐的库存补货数量；具体如下：

31、1）预估上下限补货模型的优选参数；

32、设置服务水平参数范围servicelevel=range(0.8,1,0.01)，使用历史真实销量和上下限补货模型，计算servicelevel各参数在历史一年中每天推荐补货量以及按照推荐补货量产生的库存变化情况，计算各参数下失销率和库存优化程度指标，选择失销率最小库存优化程度最大的参数对应的模型，即为优选参数上下限模型；

33、2）确定推荐的库存补货数量；

34、根据当前库存（currentinventory）、在途数据（intransitinventory）、未来需求（demands），服务水平（servicelevel）；通过上下限补货模型求出当前补货下限littles;

35、当littles>(currentinventory+intransitinventory)时， 计算补货量q=(未来需求和-currentinventory-intransitinventory)；输出q大于0时的q值，作为推荐的库存补货数量。

36、按上述方案，所述训练集构建模块中，对销售数据进行处理，获得训练集数据，包括数据分割和通道分割；

37、1）数据分割；

38、取时间窗口长度为，从头开始进行窗口滑动，其中一条训练数据，其中，每个均为维向量，训练集数据用于通过已发生时刻预测未来时刻的值；

39、其中，l为单位周期的天数，m为销售途径的个数；

40、2）通道分割；

41、将进行维分割，再将分割后的个单变量数据分别作为transformer网络的输入，将长度为的第个单变量数据向量表示为，其中，输入的被分隔为个单变量数据向量，再将分割后的个单变量数据分别作为transformer网络的输入，模型将提供预测结果。

42、按上述方案，所述未来销量预测模块中训练模型时还对输入进行如下处理：

43、将每个输入模型的单变量数据向量分割成块，每个块的长度记为c，各块之间不存在重叠区域，将被分为块；经过分割后将产生新的块向量，不能被整除的部分数据将被舍去。

44、按上述方案，所述修正模块中使用历史销量信息动态修正未来需求量，具体如下：

45、首先使用孤立森林算法检测标记历史销售中的销售离群点，如果存在，则将该笔订单剔除，将含有离群点的销量数据变成正常销量数据；

46、未来需求量为历史正常销售数据与未来预测销量之和。

47、本发明产生的有益效果是：

48、解决由于人工经验补货导致的库存积压和满足率不足的情况，依托企业现有数据为企业采购行为提供基于需求预测的采购建议，实现库存水平合理化，降低过高库存带来的周转成本，提高资金周转率。