一种利用贝叶斯模型对手机备件耗用量中长期预测的方法与流程

本发明涉及库存管理，具体涉及备件耗用预测和库存控制系统。

背景技术：

1、中长期预测在手机备件耗用量预测中具有重要意义，比较好的预测策略，不但可以降低库存成本，还可以达到比较高的客户服务水平，产生比较大的经济效益。但就目前而言，很多企业常规做法都是以高库存为代价，通过库存量的堆叠，来保证备件在供应链库存流转中能覆盖服务水平指标，为此企业承担了大量的资金占用和人力成本。

2、就预测技术而言，预测者和使用预测的人必须接受所有预测都将不可避免地与实际不同。hong和fan在2016年的预测综述中提出，研究人员长期以来一直在追求最准确的预测，这导致研究人员希望找到最好的预测技术，但这是一个比较难达成的愿望。为了寻找最佳的预测技术，mori和takahashiz等研究人员将不同的建模技术结合起来形成混合模型，提出了“用于概率预测的相关向量机和回归树的混合智能方法”。根据hong和fan的说法，大多数混合技术对预测实践的价值很小，因此，普遍最佳的技术并不存在。hong和wilson认为预测本质上是一个随机问题，但大多数公用事业公司仍在开发和使用点预测，而不是使用概率预测。概率预测的优点之一是它们提供了可能的未来需求的完整概率分布，最重要的是，预测中的不确定性是可量化的。在概率论方法中，注意力仅限于在相同条件下可重复的现象，并且事件的概率被定义为当n趋于无穷时，结果在n次重复中出现的极限相对频率。该框架中的模型参数被认为是固定的，而数据是随机的。在概率预测的框架下，分位数回归(qr)是一种有吸引力的概率预测方法，例如：mokilaneh和galpin利用分位数进行需求密度预测，其中需求是在需求分布的指定分位数预测的。

3、贝叶斯方法是概率预测的一种自然方法，其中数据被认为是固定的，模型参数是随机的。在这个框架下，模型参数用它们的完整分布来估计。贝叶斯建模有两种方法，即完全贝叶斯和经验贝叶斯，在完整的贝叶斯建模中，假设先验参数或先验参数的分布是已知的，而在经验贝叶斯建模中，观察到的数据用于估计先验参数，然后就好像先验已知一样继续进行。在这两种贝叶斯方法中，先验分布表示在观察数据之前对参数的已知信息，这些数据可以基于先前相关研究的过去经验(专家信息)。如果专家信息不可用，则使用非信息性先验，这使数据在后验分布中具有更大的权重。下一步是收集数据并形成似然函数，然后将先验与似然函数结合形成后验分布。

4、关于贝叶斯时间序列的预测文献相对有限，然而贝叶斯方法是预测手机备件耗用量的理想方法。这是因为备件需求趋势在近期发生了变化，因此可能难以对未来备件需求趋势的形状做出假设。贝叶斯建模方法可以确定模型的每个组件的贡献，因此如果结果似乎违反常理，则可以调查问题的根源。

5、由于手机备件耗用受生命周期、投放量、市场需求波动等多项因素的影响，使得手机备件耗用量的中长期耗用预测成为了一项比较困难的任务。针对现有技术的不足，本发明的目的在于提供了一种利用贝叶斯模型对手机备件耗用量中长期预测策略，旨在丰富电子类产品中长期耗用预测方案，并且能够很好的关注手机备件耗用变化的趋势及季节性影响和生命周期，提升预测结果的科学性及准确性。其次，由于手机投放市场后，需要间隔一定的时间后才能产生备件的耗用，因此如何选择比较好的特征选择方法，来增强数据，进而提升模型预测精度。

技术实现思路

1、本发明的目的是克服现有技术的不足，利用贝叶斯模型对手机备件耗用量进行中长期预测，降低手机备件的库存冗余量，减少资金占用，降低运营成本。

2、本发明的具体技术方案是，一种利用贝叶斯模型对手机备件耗用量中长期预测的方法，包括以下步骤：

3、s1、对不同id的备件，取一段时间n的耗用及投放量数据序列，分别记为(y1,y2,...,yn)，(x1,x2,x3,.....xn)；

4、s2、将投放量数据进行特征工程，转换为m+1个时间滞后的特征，记为(t,t-1,...,t-m)；

5、s3、建立贝叶斯模型：

6、yt＝μt+τt+βtxt+εt，

7、μt＝gt+lt-1+θbt-1，

8、εt：student(v,0,σ)，

9、σ：halfcauchy(0,γ0)

10、更新过程：

11、gt＝d(t)

12、lt＝ρl(yt-gt-st-rt)+(1-ρl)(lt-1+θbt-1)

13、bt＝ρb(lt-lt-1)+(1-ρb)θbt-1

14、st+m＝ρs(yt-lt-rt)+(1-ρs)st

15、rt＝∑jβjxjt

16、其中：

17、d(t)是作为确定趋势过程，r是回归分量；

18、s4、特征选择，采用最大信息系数选取特征，具体公式如下：

19、

20、

21、其中：x＝(x1,x2,...,xn)，y＝(y1,y2,...,yn)；

22、s5、根据生命周期进行模型趋势选择，上市时间小于18个月和介于22-26个月的备件，d(t)＝δinercept+δslope·t。其他上市时间段，d(t)＝δinercept；其中，δinercept和δslope为拟合参数，并在0和t之间缩放时间步长(＝时间步长数)；

23、s6、选取特征之后的训练数据输入模型进行模型训练；

24、s7、用训练好的模型对未来四个月耗用量进行预测；

25、s8、对于不同种类的手机备件，通过循环s1到s7输出不同物料的中长期耗用量预测。

26、进一步的，所述s1步骤中，时间序列耗用x中的n应尽可能的大，即尽可能获取较长的时间周期内的耗用数据，有利于体现数据的分布特征及提高预测准确性。

27、进一步的，所述s2步骤中，手机发生投放之后，要间隔一定的时间才能产生备件耗用，m应该选取一个比较长的时间，来构建比较多的特征，进而最大信息系数选择。

28、进一步的，所述s4步骤中可以根据自己的实验效果，选取前几个最大信息系数比较大的特征作为输入特征数据。

29、进一步的，所述s5步骤中采用实验效果调整生命周期的时间段进行模型选择。

30、有益效果

31、由于本发明一种利用贝叶斯模型对手机备件耗用量中长期预测策略，采用贝叶斯模型和生命周期及投放量数据相结合的技术方案，即本方法首先取一段时间耗用序列和投放量数据，利用特征工程，将投放量数据转化为若干个带有时间滞后的特征，再利用最大信息系数模型选取和耗用关系比较大的特征。最后，将数据传入模型并根据生命周期选择模型，进行训练。

技术特征：

1.一种利用贝叶斯模型对手机备件耗用量中长期预测的方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的方法，其特征在于，所述步骤一中，耗用和投放量序列为连续变量。

3.根据权利要求1所述的方法，其特征在于，所述步骤一中，耗用序列单值趋于无穷大。

4.根据权利要求1所述的方法，其特征在于，所述步骤一中，耗用序列数据量趋于无穷多个。

5.根据权利要求1所述的方法，其特征在于，所述步骤一中，耗用序列是可预测时间序列。

技术总结
本发明涉及一种利用贝叶斯模型对手机备件耗用量中长期预测的方法，包括如下步骤：步骤一、对不同ID的备件，取一段时间n的耗用及投放量数据序列，步骤二、将投放量数据进行特征工程，转换为m+1个时间滞后的特征，步骤三、建立贝叶斯模型；步骤四、特征选择，采用最大信息系数选取特征；步骤五、根据生命周期进行模型趋势选择，步骤六、选取特征之后的训练数据输入模型进行模型训练；步骤七、用训练好的模型对未来四个月耗用量进行预测；步骤八、对于不同种类的手机备件，通过循环步骤一到步骤七输出不同物料的中长期耗用量预测。本发明精度比原先使用的LSTM达成率提高百分之五，时间节省百分之二十。

技术研发人员：赵秋枫
受保护的技术使用者：迈创企业管理服务股份有限公司
技术研发日：
技术公布日：2024/1/13