基于树形嵌套式算法的多功能差别化纤维智能排产方法与流程

本发明属于销量预测和纤维生产，涉及一种基于树形嵌套式算法的多功能差别化纤维智能排产方法。

背景技术：

1、化纤产品的功能化、差别化是长期以来的发展趋势。经过长期发展，已经形成了吸湿、吸汗、凉爽、保湿、拒水、拒油、抗污、蓄热、保温、抗菌等大量品种繁多的功能化、差别化化纤产品。功能化、差别化化纤的生产也已由过去的供应驱动需求的模式逐渐演变为客户定制化、小批量化的生产模式。功能性、差别化纤维的种类数目多，对应的原料和生产技术也种类繁多。大型化纤企业日常生产大量不同种类、不同工艺的差别化、功能性纤维，且功能性纤维产品的添加料价格波动大，会直接影响产品的排产生产，这些都对生产任务的计划排产提出了较高要求。在传统排产方法中，涉及较多人工计划干预，计划指定的效率和准确性都难以保证，无法满足客户需求定制化、产品制造服务化的转型需求。

2、专利cn113269445a通过统计学方法使用历史销售数据和设定影响因子来预测产品未来销售量；统计学方法通常基于某些假设来进行建模，这些假设可能在现实中并不总是成立，且实际建模分析中并不总能迁移运用，由于设定销量影响因子来进行预测，没有设置销量预测结果的误差性分析，无法保证预测结果的可优化性和有效性。

3、专利cn114663034a使用客户销售信息和/或市场销售信息并进行销售预测，生成预测订单；具体的方法是使用机器学习方法中的神经网络方法例如bp(back propagation，反向传播)神经网络、rnn(recurrent neural network，循环神经网络)、cnn(convolutional neural networks，卷积神经网络)对上述销售数据进行处理，但没有具体指出如何使用这些方法进行销量预测，也没有指出对客户销售信息和/或市场销售信息做了哪些处理；单纯从方法角度来说，神经网络方法所需要的数据量大，模型设计和调参复杂，软硬件需求高，数据训练时间长，且容易过拟合。

4、因此，研究一种需求驱动的智能排产方法以实现功能性、差别化化纤生产的高效化、精准化和灵活化，具有十分重要的意义。

技术实现思路

1、为了解决现有技术中存在的问题，本发明提供一种基于树形嵌套式算法的多功能差别化纤维智能排产方法。

2、为达到上述目的，本发明采用的方案如下：

3、基于树形嵌套式算法的多功能差别化纤维智能排产方法，首先将所有多功能差别化纤维产品按照历史销量进行排序并分类为高频纤维产品、中频纤维产品和低频纤维产品三类，然后将每类纤维产品在预测日的前i天的销量数据及对应纤维产品的前两大主要成分的价格数据输入到树形嵌套式算法中进行销量预测，得到每类纤维产品各自在第i个预测日的销量预测结果yi，最后基于每类纤维产品各自在第i个预测日的销量预测结果yi，结合每类纤维产品的库存st和产品毛利润pr，确定每类纤维产品在第i个预测日的当日拟排产总量pd，并根据得到的每类纤维产品的当日拟排产总量，结合各分厂纺位和产能信息，对每类纤维产品进行排产分配，i＝1～7；

4、树形嵌套式算法包含高频纤维产品销量预测模块、中频纤维产品销量预测模块和低频纤维产品销量预测模块；

5、高频纤维产品销量预测模块分别利用整合移动平均自回归模型(auto-regressive integrated moving average,arima)和梯度提升回归树模型(gradientboosting regression tree,gbrt)对高频纤维产品进行销量预测，并取预测误差较小的模型的预测结果作为高频纤维产品销量预测结果；

6、中频纤维产品销量预测模块分别利用移动平均模型(moving average,ma)和梯度提升回归树模型(gradient boosting regression tree,gbrt)对中频纤维产品进行销量预测，并取预测误差较小的模型的预测结果作为中频纤维产品销量预测结果；

7、低频纤维产品销量预测模块采用规则预测法对低频维产品进行销量预测；

8、规则预测法为：针对低频纤维产品中的每个纤维产品，若距离预测日前7天内存在不为0的单日销量，则以历史最近日期所对应的销量作为预测销量；若距离预测日前7天内的单日销量均为0，则以历史上该产品的单日销量的平均值作为预测销量。

9、树形嵌套式算法的输出端还能输出所有模型中获得的预测误差值，可以分析不同模型在处理相同任务产生不同的误差的可能性原因，用于优化预测准确性；

10、梯度提升回归树模型的算法原理：

11、step01：定义树模型形式，迭代t轮，生成t颗残差树：

12、

13、其中，表示所述梯度提升回归树模型的预测输出，φ(xi)表示所述梯度提升回归树模型对样本数据xi的预测值，表示对于每颗残差树fk，它对xi的预测值，k表示作为所述梯度提升回归树模型的超参数的叶子节点数，fk∈γ表示每颗残差树均属于函数空间γ；

14、step02：定义损失函数：

15、

16、其中，l(φ)表示所述损失函数，正则化项ω为叶子节点分数；

17、γ和λ均表示正则化参数，t表示所述预设迭代次数；

18、step03：使用泰勒级数展开来近似损失函数；

19、泰勒展开：f(x+δx)≈f(x)+f’(x)δx；

20、一阶导数：

21、二阶导数：

22、确定所述优化目标函数：

23、假设树的结构是固定的，即可求得叶子节点j对应的值为：

24、

25、step04：分裂规则：

26、

27、整合移动平均自回归模型的算法原理：

28、step01：通过差分操作将非平稳序列转化为平稳序列

29、

30、其中表示经过n次差分后的平稳序列数据；

31、step02：整合移动平均自回归模型建模；

32、

33、xt表示时间点t处的预测值；c是常数项；表示历史数据的权重系数；p表示具体考虑p个历史数据；εt表示时间点t处的误差；θ1…θq表示误差的权重系数；q表示具体考虑q个误差项；

34、step03：使用最小二乘法估计模型中的参数c、和θ；

35、step04：计算预测值。

36、移动平均模型的算法原理：

37、step01：定义模型数学表达式

38、xt＝c+θ1*xt-1+θ2*xt-2+…+θq*xt-q+εt；

39、xt：表示时间点t处的预测值；c：是常数项；εt表示时间点t处的误差；表示误差的权重系数；

40、step02：使用最小二乘法估计模型中的参数c和

41、step03：计算预测值。

42、作为优选的技术方案：

43、如上所述的基于树形嵌套式算法的多功能差别化纤维智能排产方法，历史销量排序中，排名在前25％为高频纤维产品，排名在后25％为低频维产品，其余为中频纤维产品。

44、如上所述的基于树形嵌套式算法的多功能差别化纤维智能排产方法，高频纤维产品销量预测模块中梯度提升回归树模型的构建步骤如下：

45、(1)通过建立拟合关系式，获得预测日的前i天的日属性ki，具体的拟合关系式为：

46、logas0＝kilogasi；

47、其中，s0是任意选取的高频纤维产品在历史上所有的单日销量和，si是该高频纤维产品在预测日的前i天的单日销量，i＝1～7；ki具体表示单日销量与总历史销量之间关系的销售属性系数，ki值越大，说明当日的销量对总销量有较大的影响；底数a的取值范围为(0，100]；

48、(2)获得销量属性pi，具体的关系式为：

49、pi＝loga(si*ki)；

50、(3)确定步骤(1)中选取的高频纤维产品的原材料成分，取前两大主要成分，并获取前两大主要成分的价格的历史数据；记该高频纤维产品前两大主要成分在预测日的前i天的价格分别为m1,i，m2,i；

51、(4)以梯度提升回归树为模型框架，以pi、m1,i、m2,i和si作为输入数据，得到第i个预测日的销量预测数据。

52、如上所述的基于树形嵌套式算法的多功能差别化纤维智能排产方法，中频纤维产品销量预测模块中梯度提升回归树模型的构建方法，具体步骤如下：

53、(1)对于任意选取的中频纤维产品，确定历史销售数据中单日销量为0的日期，获取销量为0的日期前7天的总销量，计算前7天的日均销量值，并以此作为该日销量的伪销量；对于单日销量不为0的日期，以该日实际销量作为伪销量；

54、(2)计算所有单日销量为0的日期对应的伪销量的平均值w；

55、(3)确定步骤(1)所选取的中频纤维产品的原材料成分，取前两大主要成分，并获取前两大主要成分的价格的历史数据；记该中频纤维产品前两大主要成分在预测日的前i天的价格分别为m3,i，m4,i；

56、(4)以梯度提升回归树为模型框架，以预测日前i天伪销量wi、m3,i和m4,i作为输入数据，得到第i个预测日的销量预测数据(即预测销量)；其中，i＝1～7；

57、若通过梯度提升回归树模型获得的销量预测数据小于w，以0作为预测销量。

58、如上所述的基于树形嵌套式算法的多功能差别化纤维智能排产方法，预测误差为平均绝对百分比误差，计算公式为：

59、

60、式中，yi为第i个预测日的销量预测结果，ri为预测日前i天的单日销量，n为计算误差的总天数，n≤7。

61、如上所述的基于树形嵌套式算法的多功能差别化纤维智能排产方法，高频纤维产品销量预测模块或中频纤维产品销量预测模块中预测误差较小的模型的预测误差范围为0～25％；

62、若高频纤维产品销量预测模块或中频纤维产品销量预测模块中预测误差较小的模型的预测误差超过25％(即允许的预测误差的最大值)，则先对每类纤维产品在预测日的前i天的销量数据及对应纤维产品的前两大主要成分的价格数据进行预处理，然后重新输入到树形嵌套式算法进行销量预测；

63、或者，若高频纤维产品销量预测模块中预测误差较小的模型的预测误差超过25％，则先对高频纤维产品销量预测模块中的整合移动平均自回归模型和梯度提升回归树模型进行模型训练，然后重新对高频纤维产品进行销量预测；若中频纤维产品销量预测模块中预测误差较小的模型的预测误差超过25％，则先对中频纤维产品销量预测模块中的移动平均模型和梯度提升回归树模型进行模型训练，然后重新对中频产品进行销量预测。

64、如上所述的基于树形嵌套式算法的多功能差别化纤维智能排产方法，预处理的具体步骤为：

65、(1)将每类纤维产品在预测日的前i天的销量数据及对应纤维产品的前两大主要成分的价格数据分别进行以a为底数(a＞0)的对数变换，再输入到树形嵌套式算法中；以中频纤维销量预测为例，对数变换：

66、xi＝loga(wi)；z1,i＝loga(m1,i)；z2,i＝loga(m2,i)；

67、(2)从树形嵌套式算法中得到输出数据v，v进行以a为底数的指数变换，得到每类纤维产品各自在第i个预测日的销量预测结果yi：

68、yi＝av；

69、底数a的取值范围为(0，100]，一般设置成自然对数e或10，可以根据预测结果和误差的反馈来确定最适合的底数；若重新输入到树形嵌套式算法进行销量预测后获得的预测误差仍然超过25％，则更换a的取值，直至重新输入到树形嵌套式算法进行销量预测后获得的预测误差0～25％之间。

70、如上所述的基于树形嵌套式算法的多功能差别化纤维智能排产方法，对整合移动平均自回归模型或移动平均模型进行模型训练的过程为：将历史销量数据按60％和40％的比例划分为训练集和测试集，先利用训练集进行初步训练，再利用测试集检测模型效果，当测试集得到的误差处于0～25％之间后，将所有历史销量数据作为训练集对整合移动平均自回归模型或移动平均模型进行训练；

71、对梯度提升回归树模型进行模型训练的过程为：将历史销量数据和对应纤维产品的前两大主要成分的历史价格数据汇集成总数据，并按照日期对总数据进行划分，形成多个每日历史数据(每日历史数据包括每日的销量数据、每日的对应纤维产品的前两大主要成分的价格数据)，然后将多个每日历史数据按60％和40％的比例划分为训练集和测试集，先利用训练集进行初步训练，再利用测试集检测模型效果，当测试集得到的误差处于0～25％之间后，将所有历史销量数据及对应纤维产品的前两大主要成分的历史价格数据作为训练集对梯度提升回归树模型进行训练。

72、如上所述的基于树形嵌套式算法的多功能差别化纤维智能排产方法，根据每类纤维产品各自在第i个预测日的销量预测结果yi和该类纤维产品的库存st确定该类纤维产品在第i个预测日的拟排产基本量pd_s，并根据产品毛利润pr，对pd_s进行修正得到pd；

73、其中，若yi为0，则该类纤维产品的拟排产基本量pd_s设定为0；否则，该类纤维产品的拟排产基本量pd_s的计算公式为pd_s＝yi–st；

74、修正采用的公式为pd＝pr_s×pd_s，式中，pr_s为排产量修正系数；

75、若pr大于或等于10％，则该类纤维产品当日的排产量修正系数pr_s为1.1；若pr大于或等于-10％且小于10％，则该类纤维产品当日的排产量修正系数pr_s为1；若pr小于-10％，则该类纤维产品当日的排产量修正系数pr_s为0.7。

76、如上所述的基于树形嵌套式算法的多功能差别化纤维智能排产方法，对于当日拟排产总量pd不为0的纤维产品，首先确定能够生产该纤维产品的所有分厂信息，主要包括各分厂能够用于生产该产品的产量pfj，这里下标j表示能够生产某一具体纤维产品的分厂序号，再计算各分厂的排产分配系数pf_sj，具体计算公式为：式中m为能够生产该产品的分厂总数，最后计算得到各分厂实际用于生产该产品的产量，并用于实际排产，计算公式为：pdn,j＝pdn×pf_sj，式中下标n表示某一具体的拟排产纤维产品序号，下标j表示能够生产某一具体纤维产品的分厂序号。

77、有益效果：

78、(1)本发明的基于树形嵌套式算法的多功能差别化纤维智能排产方法，对所有多功能差别化纤维产品按照历史销量进行分类，针对不同的纤维产品专门建立不同的模型进行销量预测，指导各分厂开展当天的排产，且基于纤维产品历史销量预测的预测误差范围为0～25％，实现了功能性、差别化化纤生产的高效化、精准化和灵活化；

79、(2)本发明的基于树形嵌套式算法的多功能差别化纤维智能排产方法，摆脱了人工排产中对纤维消费市场的主观判断，提高了企业生产的准确性，减少了滞销纤维产品的生产，增加企业利润，减少资源浪费。