[发明专利]一种基于融合机器学习和时间序列的需求预测方法

权利要求书

1.一种融合机器学习和时间序列的需求预测方法，其特征在于，具体包括以下步骤：

(1)提取物料属性特征和预测特征、需求数据，将预测特征和需求数据合并构建预测数据集；

(2)根据所述物料属性特征，聚类构建物料簇；

(3)利用物料簇内的训练集数据对所述预测特征进行筛选，得到物料重要特征集；

(4)将物料重要特征集对应的训练集数据输入机器学习模型训练；

(5)根据验证集数据，进行网格搜索调整参数；

(6)将测试集输入机器学习模型，得到预测结果；

(7)基于训练集和验证集的需求数据构建时间序列模型，得到需求修正值；所述训练集和验证集的需求数据包括需求本身和机器学习预测的需求残差值；

(8)将机器学习模型预测结果和时间序列的预测结果进行融合，得到最终的预测结果。

2.根据权利要求1所述一种融合机器学习和时间序列的需求预测方法，其特征在于，

步骤(7)所述的需求修正值包括：历史的实际需求、机器学习预测需求的残差值；其中，残差值的计算公式为：

其中和分别表示物料i第t和k个阶段的实际需求，和分别表示物料i第t和k个阶段的需求预测值。

3.根据权利要求1所述一种融合机器学习和时间序列的需求预测方法，其特征在于，

融合方法包括基于机器学习的残差法，具体做法如下：

根据机器学习模型训练集、验证集的预测结果，计算物料i的预测残差序列使用残差序列构建时间序列模型，并对测试集的残差做预测；将预测结果作为调整量对机器模型预测结果进行调整，得到最终的需求预测值；对物料i，其需求预测值调整公式为：

其中，为物料i在k阶段的残差预测值，为物料i在k阶段最终的需求预测值为物料i在k阶段采用机器学习模型的需求预测值，为该物料i在k阶段的残差预测值。

4.根据权利要求1所述一种融合机器学习和时间序列的需求预测方法，其特征在于，

融合方法包括基于机器学习的移动平均法，具体做法如下：

将机器学习模型预测结果和时间序列预测结果做加权平均，得到最终的需求预测值；对物料i，融合后的需求预测值计算公式为：

其中，为物料i在k阶段最终的需求预测值，为机器学习模型在k阶段的需求预测值，为该物料在k-j阶段的历史需求，n_i为调整阶数，α_j(j∈{0,1,…,n_i})；此处的阶段可以根据数据特征选取时、日、星期或者月作为时间划分。

5.根据权利要求1所述一种融合机器学习和时间序列的需求预测方法，其特征在于，

步骤(7)中的基于残差构建时间序列模型，包括移动平均法、自回归法、指数平滑法、ARMA、ARIMA。

6.根据权利要求1所述一种融合机器学习和时间序列的需求预测方法，其特征在于，

步骤(7)所述的时间序列模型，通过验证集数据选择最佳的调整阶数n_i。