本发明属于备件需求量计算,具体涉及一种基于模型迁移学习的电子产品零件备货量预测方法。
背景技术:
1、电子产品发行售卖后,保修期内各修理服务提供商需要准备相关零部件,而各零部件制造生产线会在给定下线时间停止生产该零部件。为了保证保修期间的维修服务,服务提供商需要按月预测各类型零件的所需数量,以保证售后服务质量并尽量降低库存及采购成本。
2、末次一次性采购(ltb,last time buy)的备件数量被称为末次采购量。进行末次采购后,该产品的生产线停产,无法进行电子零件采购。足够的备件末次采购量可以满足该生产线停产后已售出的该型号电子产品在保修期内的维修、备件更换等售后服务需求。
3、在某一电子产品面临停产的时候,企业要保证在一定的售后服务时长内能够及时、高效地为顾客提供售后服务。同时,在考虑固定成本、备件采购成本及库存成本等运作成本后,令企业获得较高利润。此外,合理的备件末次采购量可以减少用于生产备件造成的资源浪费,减少回收成本,同时有益于环境。
4、为了确保消费者对品牌的信赖,保障售后服务质量,售后服务商需要在相关产品的产线下线前,准备足量的备件,以保证消费者的维修更换需求得到满足。因此,准确预测备件的需求量是十分必要的。传统的备件预测方法往往考虑大型设备,如飞机、制造设备等保修期长的昂贵设备(capital goods),其购置人群确定、维护期长,产品一旦损坏必然需要维修或更换备件。而手机、笔记本电脑和打印机等电子产品是大量销售的用户型产品(customer goods),其销售量大,保修与否受到成本、用户感受、使用时长、新产品是否上市等等因素影响,不确定性强,相关研究较为匮乏。因此,电子产品备件需求量预测及其库存管理优化问题具有研究价值及应用前景。
5、针对上述目标,已有相关研究包括kim t.y.等人在“spare part demandforecasting for consumer goods using installed base information”利用电子产品备件的安装基数(installed base,ib)对备件需求数量进行预测,该工作将安装基数分类为:按预期使用寿命计算现留存于市场的设备数(lifetime ib,ibl);按保修期计算现留存于市场的设备数(warranty ib,ibw);考虑维修不具有经济效益产品即被丢弃情况下,现留存于市场的设备数(economic ib,ibe);考虑消费者维修成本及收益情况下,现留存于市场的设备数(mixed ib,ibm)。基于上述概念,该工作利用存活概率分布模拟电子产品损坏情况,拟合需求数d和ib之间的函数关系,对后续时间段的手机需求数量进行预测。
6、然而,上述预测方法利用历史数据进行线性拟合,得到相应的系数,但由于其假设简单,实际应用情况下一般仅能预测备件需求量的走势,对于小样本情况无法准确拟合,需求量较小的备件预测结果往往不够精确。
技术实现思路
1、有鉴于此,本发明提供了一种基于模型迁移学习的电子产品零件备货量预测方法,实现了基于历史数据的电子产品零件备货量的定量计算。
2、本发明提供的一种基于模型迁移学习的电子产品零件备货量预测方法,包括以下步骤:
3、步骤1、确定输入变量预处理方式构建电子产品输入样本集,电子产品输入样本集中的输入样本x(i)为:
4、x(i)={i,b(i),ibw(i),ib(i)} (1)
5、其中,i为时间点,b(i)为第i个时间点的电子产品售卖量,ibw(i)为保修安装基数,ib(i)为安装基数;
6、步骤2、建立基于分位数回归神经网络的电子产品零件备货量预测模型,所述电子产品零件备货量预测模型包括输入层、隐含层和输出层,所述输入层包含三个神经元作为输入层节点,所述隐含层包含八个神经元作为隐含层节点,所述输出层包含一个神经元作为输出节点,其中,输入层节点x(i)为四维输入数据,输入层节点均分别连接到八个隐含层节点,如下所示:
7、
8、其中,w(1)为隐含层的生成用权重矩阵,隐含层的激活输出通过w(2)连接到第二输出层,向量b(1)、b(2)均为每个节点的偏差,函数a(·)为隐含层的激活函数,o(·)为输出层的激活函数,为神经网络的输出值;
9、针对零件需求量时间序列,建立分位数回归误差损失函数eτ为分位数回归误差,y(t)为电子产品零件备货需求量实际值,为神经网络输出值,t为已有历史数据的时间点,取值范围为1到n;
10、ρτ(·)为倾斜绝对值函数
11、步骤3、采用步骤1得到的电子产品输入样本集完成步骤2构建的电子产品零件备货量预测模型的训练,得到使损失函数值减小的权重矩阵w(1)和w(2),并以训练效果最好,即er最小的神经网络输出为模型的常量;
12、步骤4、实际使用中,采用步骤1中的输入变量预处理方式获取发生在预测时间段之前的实际历史数据,将其作为实际输入变量输入步骤3得到的电子产品零件备货量预测模型即可得到预测时间段所需购置的电子产品零件备货量。
13、进一步地,还包括:当输入样本的数量小于阈值时,在步骤3训练得到的电子产品零件备货量预测模型中仅保留神经网络的底层网络层参数形成预训练模型,所述底层网络层参数包括训练得到的输入层和隐含层间的权重系数和偏移系数;再在预训练模型中添加随机初始化的顶层网络层参数形成迁移学习模型,所述顶层网络层参数包括隐含层到输出层间的权重系数和偏移系数,采用分位数回归神经网络训练迁移学习模型得到顶层网络层参数;由顶层网络层参数及底层网络层参数构成训练得到的电子产品零件备货量预测模型。
14、进一步地,所述时间点为在产品开售后每相隔一月为一个时间点。
15、进一步地,所述输入样本x(i)的归一化方式为:
16、
17、其中,mean(x)为x(i)的平均值,max(x)为x(i)的最大值,min(x)为x(i)的最小值。
18、有益效果:
19、本发明充分利用历史数据,结合分位数回归的方法建立神经网络预测模型,通过对预测模型的不同分位点回归得到多个解与真实的历史数据比较,选择最优估计的分位点,再通过以均方根作为损失函数的神经网络一般建立方法进行验证,此外,对于无法收集到足够的需求样本数据的备件种类,通过模型迁移方法提升预测的准确性,综合以上两方面效果,即可给出后续时间段内的售后备件需求量,指导实际售后服务厂商做出相应的决策,在满足用户备件更换需求的条件下,优化相关成本,与现有备件需求量预测方法相比,对数据的利用更充分,优化性能更优异。
1.一种基于模型迁移学习的电子产品零件备货量预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的电子产品零件备货量预测方法,其特征在于,还包括:当输入样本的数量小于阈值时,在步骤3训练得到的电子产品零件备货量预测模型中仅保留神经网络的底层网络层参数形成预训练模型,所述底层网络层参数包括训练得到的输入层和隐含层间的权重系数和偏移系数;再在预训练模型中添加随机初始化的顶层网络层参数形成迁移学习模型,所述顶层网络层参数包括隐含层到输出层间的权重系数和偏移系数,采用分位数回归神经网络训练迁移学习模型得到顶层网络层参数;由顶层网络层参数及底层网络层参数构成训练得到的电子产品零件备货量预测模型。
3.根据权利要求1所述的电子产品零件备货量预测方法,其特征在于,所述时间点为在产品开售后每相隔一月为一个时间点。
4.根据权利要求1所述的电子产品零件备货量预测方法,其特征在于,所述输入样本x(i)的归一化方式为: