[发明专利]一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质

说明书

为了对未来的需求进行更好的预测，本发明公开了一种基于深度时空神经网络的需求预测方法，包括以下步骤：采集历史订单的需求序列数据，对采集历史订单的需求序列数据进行预处理，得到预处理后的历史订单的需求序列数据；基于预处理后的历史订单的需求序列数据构建数据集；搭建基于注意力机制和因果扩展卷积的神经网络的需求序列预测模型；利用数据集对需求序列预测模型进行训练，得到训练后的需求序列预测模；通过预处理后的历史订单的需求序列数据，结合训练后的需求序列预测模，得到未来的需求预测结果。本发明还公开了一种基于深度时空神经网络的需求预测系统，以及对应存储有需求预测方法和/或需求预测系统的计算机可读存储介质。

技术领域

本发明涉及信息预测领域，更具体地，涉及一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质。

背景技术

制造业供应风险的影响因素识别及供应风险的管理和控制成为了提升制造效率的关键。其中，制造供应链需求信息的预测是研究中的一个关键点，因为准确的预测能够有效避免牛鞭效应。显然，供应链的递归效应决定了应当先预测下游的需求信息，然后根据需求产生相应订单，最后根据订单信息才能制定生产决策，并为库存管理提供依据.所以精准的需求预测可以控制库存成本，缩减供应提前期，同时降低断货、缺货的风险。

现有的预测方法主要包括定性法、因果关系法、仿真法和时间序列法。

定性方法主要依赖于人的主观判断，适用于只能获得很少的历史数据或专家的意见十分重要的场合，适用场景有限。主要有集体讨论法、类比法、市场研究法、德尔菲法。

因果关系法假定需求预测与某些外界因素(如经济状况、利率)等高度相关，找到这些外界因素与需求之间的关联性，通过预测外界因素的变化来预测需求。

仿真法通过建立仿真模型，通过仿真模型模拟需求方来预测需求。

时间序列数据法利用相关的预测模型，以历史数据作为输入，基于历史观察数据来预测未来的需求。如何找到并描述时间序列数据的变化规律，建立相应的预测模型从而降低模型的预测误差对时间序列数据预测至关重要。

发明内容

本发明克服了上述现有的技术不足，提供一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质。本发明结合实际需求数据突发性较强和时空依赖的特点进行模型训练和定量预测，其可以显著提高需求预测的精度。

为解决上述技术问题，本发明的技术方案如下：

一种基于深度时空神经网络的需求预测方法，包括以下步骤：

采集历史订单的需求序列数据，对采集历史订单的需求序列数据进行预处理，得到预处理后的历史订单的需求序列数据；

基于预处理后的历史订单的需求序列数据构建数据集，所述的数据集包括输入需求序列数据和预测结果序列数据；并数据集划分为训练数据子集和测试数据子集；所述的输入需求序列数据包括预处理后的历史订单的需求序列数据；

搭建基于注意力机制和因果扩展卷积的神经网络的需求序列预测模型；

利用数据集对需求序列预测模型进行训练，得到训练后的需求序列预测模型；

通过预处理后的历史订单的需求序列数据，结合训练后的需求序列预测模型，得到未来的需求预测结果。

本发明中通过基于因果扩展卷积的神经网络模型实现对供应链需求的预测功能，有效的提高了预测准确性，并且当数据样本差异性较大时，基于因果扩展卷积的神经网络模型的优势更加显著。

在一种优选的方案中，所述的预处理包括以下子步骤：

对采集历史订单的需求序列数据中存在缺失信息的需求序列数据和存在错误的需求序列数据进行删除；