技术特征：
1.一种基于magru的物流仓储需求量预测方法，包括增加对原数据进行数据嵌入，自注意力机制与循环门控单元的结合，其特征在于，首先将商品的日期做数据嵌入，提取影响需求量的节假日及季节性特征，且在编码器阶段利用注意力机制提取输入序列的关键部分，并利用循环门控单元实现对序列的编码，在解码器阶段再次利用注意力机制捕获编码器输出的关键序列，通过门控循环单元实现对未来需求量的预测，通过多层注意力机制的作用，以实现提高预测准确率的目标，其分解具体步骤包括下述步骤：步骤1：先确定模型的输入输出，选择合适的训练数据集，模型需要输入仓库运营中采集到的商品需求时序数据，单条数据可表示为表示其中d表示日期，a为商品的各类属性，q是当日商品的需求量，从数据集中采集m个样本大小的数据集{x
(1)
,...,x
(m)
}作为模型的训练样本；步骤2：根据商品需求量的时间信息进行日期嵌入，将每一条商品的日期数据d编码为年、月、周内星期、是否节日4条属性，将4条属性嵌入原始商品数据中，替换原来的日期数据，可以将日期嵌入后的数据定义为这样可以将数据的时间特征加以提取，有效捕获影响需求的日期因素；步骤3：数据集预处理，数据集的组成对本方法的训练过程存在影响，因此，对数据集预处理也是本发明的必要步骤之一，将原始数据集中的异常数据、极端数据删除，并用后续的数据填补，此外还对数据进行归一化，本发明采用最大最小归一化，将数据控制在一定范围内；步骤4：基于训练数据集，按时间步划分序列并计算序列中各分量注意力权重，首先，根据步骤4.1按照设定的时间步划分数据集，其次根据步骤4.2计算注意力权重，通过对输入序列权重的提取，可以找到影响需求的关键序列，从而给与关键序列更多的注意力，提升预测的准确性；构建编码器的具体步骤如下：步骤4.1：根据时间步划分输入序列，训练数据集可以表示为{x1,x2,...,x
t
}，将一个时间步下的序列输入注意力层，计算各分量权重；步骤4.2：根据步骤4.1的一个时间步序列，计算序列中各分量注意力权重，计算注意力的公式为：将权重压缩在[0,1]且各分量权重和为1，计算公式如下：对序列分配权重，使每个分量体现不同的重要性，我们将这一时间片下的向量记录为步骤4.3：根据步骤4.2输出的向量作为gru的输入，通过gru提取这一段时间片序列的特征，首先初始化gru网络隐藏层状态h，其次将x
′
t
作为每个gru单元的输出，通过公式r
t
＝σ(x
t
w
xz
+h
t-1
w
hz
+b
z
)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
z
t
＝σ(x
t
w
xz
+h
t-1
w
hz
+b
z
)；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)(5)对隐藏层h
t
的更新后，记录每一个隐藏层的输出，这些隐藏层输出通过一层全连接神经网络后输出即为编码器的输出；步骤5：构建解码器，将编码器输出的向量进一步特征提取，从而对未来的商品需求量提供更准确的预测；步骤5.1：计算基于编码器输出的各隐藏层状态h在解码器中再一次计算隐藏层状态的注意力，注意力计算公式如下：将初始化解码器状态d，s之后计算编码器输出序列的注意力权重，并通过softmax层使序列中各分量权重和为1，再将权重与序列中的分量相乘求和，得到的结果为驱动向量，步骤5.2：通过gru输出计算预测需求量，一个时间片内最终可以得到一个驱动向量c，训练过程中将c与此时间片后续的真实需求值相拼接，共同作为gru一个单元的输入，从第一个时间片，到训练集划分的最后一个时间片，组成的序列中，每个分量为一个gru的输入，最终输出未来需求量；步骤5.3：输出预测需求量，解码器输出的结果是门控循环单元输出的隐藏层序列，直接作为预测结果表达能力有限，基于此，本发明在解码器之后添加两个全连接层，以实现维度变换，提高模型表达能力的目的，公式中v,w都是需要不断迭代训练的参数；中v,w都是需要不断迭代训练的参数；表示预测结果，预测结果可以定义为一个向量，其大小与预测任务长度一致，预测未来τ天的需求量则向量大小为τ。
技术总结
物流仓库精益管理为仓库运营提供了重要依据，不合理的订货量会影响仓库管理效率，浪费运营成本，造成资源闲置浪费或货物囤积等现象。本文针对商品预测准确性率较低提出了一种基于MAGRU的货物需求量预测方法。首先，对原始序列时间特征编码并嵌入特征向量中。其次，在编码器阶段利用注意力机制和GRU对输入特征进行提取，捕获关键序列。在解码器阶段重复编码器的过程，利用注意力机制和GRU提取编码后的序列特征，最后，用仓储需求量数据集训练优化该模型，通过指标RMSE和MAE来评价该模型。以某商品需求量数据为例，在不同参数下进行大量实验，验证该模型的有效性。实验结果表明，MAGRU与现有方法相比有着更显著的改进。与现有方法相比有着更显著的改进。与现有方法相比有着更显著的改进。
技术研发人员：田冉 王灏篷 马忠彧 刘颜星 王楚 王晶霞 李新梅
受保护的技术使用者：西北师范大学
技术研发日：2022.07.14
技术公布日：2022/12/5