[发明专利]面向全球供应链的需求预测方法、装置、以及系统

摘要

本发明公开了一种面向全球供应链的需求预测方法、装置及系统。该方法包括决策树建立步骤、神经网络建立步骤、神经网络预测步骤、预测误差值计算步骤、神经元权重占比计算步骤、神经元剪枝步骤、以及未来需求预测步骤。本发明综合考虑了宏观因子与微观因子对于供应链的需求变化的影响下，基于决策树建立神经网络来预测基于供应链中历史需求下的未来的需求量，以此应用在供应链配置的优化决策中。此发明使建立网络更快捷更精准，且随着未来宏观因子和微观因子的不断变化，能更快地调整网络结构而达到理想的预测值，降低了网络建立的复杂度，使预测更高效更精准。

主权项

1.一种面向全球供应链的需求预测方法，其特征在于，包括：决策树建立步骤，从与历史需求相关的历史数据中提取需求影响因子，并基于所述需求影响因子建立决策树；神经网络建立步骤，将所述决策树映射至神经网络以建立神经网络训练模型；神经网络预测步骤，基于所述历史需求，通过神经网络训练模型进行预测；预测误差值计算步骤，计算通过神经网络训练模型进行预测所得到的预测值与所述预测值所对应的时间段的需求实际值之间的误差；神经元权重占比计算步骤，对于神经网络训练模型的隐层中的每一个神经元，计算当所述误差大于预定值时神经网络训练模型对神经元的权重以及神经元之间的连接权重进行自调整后，该神经元与隐层中其它神经元之间的连接权重的和，并计算所述连接权重的和在隐层中的各神经元与隐层中的其它神经元之间的连接权重的总和中的占比，其中，当各神经元的所述占比均不在标准差内时则返回所述神经网络预测步骤，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；神经元剪枝步骤，当各神经元中存在所述占比在标准差内的神经元时，则从神经网络训练模型中去除该神经元，之后返回所述神经网络预测步骤，直至通过神经网络训练模型进行预测所得到的预测值与所述需求实际值之间的误差不大于所述预定值为止；以及未来需求预测步骤，基于用于对未来需求进行预测的历史需求，利用神经网络训练模型作为预测模型来对未来需求进行预测。