CN111127072A - 一种新产品需求的多阶段实时预测方法 - Google Patents

Abstract

本发明公开了一种新产品需求的多阶段实时预测方法。该方法的创新点在于提取趋势因子TF作为公共的预测特征；对已有产品聚类，把新产品以一定概率归入对应的类；结合巴斯曲线，选取与新产品相同的类里面的相同销售阶段的数据，输入机器学习模型训练；在新产品对应的类得到的预测模型中输入新产品的预测特征，进行组合预测。该方法可以灵活实现新产品多阶段同时、实时的预测。

Description

一种新产品需求的多阶段实时预测方法

技术领域

本发明属于机器学习和供应链管理的交叉领域,尤其是涉及对新产品的需求进行模式挖掘和实时预测的方法。

背景技术

互联网、移动营销、新零售的发展，对消费者需求感知灵敏度、库存响应速度和供应链管理效率都提出了更高的要求。在供应链管理领域，库存管理和决策占据非常重要的地位；而准确地预估未来的需求量以及需求变动趋势，将极大地提升库存的运营水平。如何有效对新产品的未来需求尤其是实时需求进行预测，日渐成为在快节奏的商业模式变革下产品运营和供应链管理的重要课题和难题。由于新产品没有任何历史数据，传统的时间序列和机器学习模型都不适用，开发一套有效、可行的预测方法，对于提升企业运营效率，降低运营成本具有重要意义。

现有的新产品需求预测方法，主要包括两大体系：巴斯扩散模型和类比法。巴斯扩散模型的主要应用在产品生命曲线预测，其核心思想是在把新产品的采用者分为改革型(早期采用者)和模仿型(中后期跟进者)以及用户采用新品的时间取决于产品的创新程度和模仿型占比的条件下，新产品的销售取决于产品的创新程度p、模仿者的比例q 以及价格和广告因素x(t)。因此，只需要估计相关的参数，就可以得到新产品的销售生命周期曲线【1，2】。而类比法则是基于产品属性的各个维度，对已有产品进行聚类，得到产品的类别集，再根据新产品的属性对其进行归类，用类别集里面的其他产品的历史销量进行预测【3,4,5】。

上述两大体系都存在着各自的不足。巴斯扩散模型需要有一部分需求信息用于参数估计，导致不能完整刻画整个产品生命周期；另一方面，该模型所假设的生命周期模式并不能反映产品需求的动态演化，实时预测的能力稍显不足。类比法具有更高的灵活性，可以结合机器学习的算法提升预测效果。本文采用类比法的预测框架，结合巴斯曲线生命周期的思想，设计出一种兼具预测实时性和不同生命阶段产品销售模式特殊性的方法。

发明内容

本发明采用如下技术方案：

一种对新产品需求进行多阶段实时预测的方法，其特征在于，该方法采用如下技术方案：

确定预测时间幅度δ、预测提前期τ和训练集时间段TP；提取已有产品k和新产品i用于聚类的属性特征集P_k和P_i；以预测时间幅度δ为单位，提取已有产品需求预测所用的特征矩阵

和需求量向量D_k；以预测时间幅度δ为单位，提取公共趋势因子TF，作为预测特征分别并入矩阵

得到输入模型的特征矩阵F_k、F_i；根据产品属性对已有产品进行通过聚类方法进行聚类，第j个类为记C_j，新产品按照与各类的距离进行概率归类；分别提取出类C_j内已有产品生命周期中不同销售阶段t的销售记录，包括预测特征和需求，记为

将

输入机器学习预测模型

用于训练；对新产品，在不同的预测提前期τ，分别选用对应的模型

用于其销量的组合预测。

所述的对新产品需求进行多阶段实时预测的方法，其特征在于，所述预测特征不包含历史信息相关的特征。

所述的对新产品需求进行多阶段实时预测的方法，其特征在于，所述趋势因子TF作为公共特征，用于已有产品的模型训练和新产品的需求预测。

所述的对新产品需求进行多阶段实时预测的方法，其特征在于，所述趋势因子的元素TF_t采用的计算公式为

其中D_i,t表示产品i在销售阶段t时的销量；D_i,0表示产品i在初始销售阶段时的销量。

所述的对新产品需求进行多阶段实时预测的方法，其特征在于，所述聚类方法包括： K-prototype、层次聚类、概率密度聚类、SOM网络、划分法、图论聚类法、网格算法、关联聚类、子空间聚类、模式聚类。

所述的对新产品需求进行多阶段实时预测的方法，其特征在于，所述概率归类是指：当新产品i的属性与某类C_j的距离Dis_i,j小于最小距离的n倍时，该新产品以一定的概率P_i,j＝f(Dis_i,j)归于类C_j。其中，n为大于1的任意自然数，f(Dis_i,j)为Dis_i,j的任意递减函数；若产品i不属于某类j′，则P_i,j′＝0

所述的对新产品需求进行多阶段实时预测的方法，其特征在于，新产品和类的距离计算综合了单连接DS_i,j、全连接DC_i,j和平均连接DA_j,j三个计算指标

Dis_i,j＝ρ_dsDS_i,j+ρ_dcDC_i,j+ρ_daDA_i,j

其中ρ_ds+ρ_dc+ρ_da＝1。

所述的对新产品需求进行多阶段实时预测的方法，其特征在于，新产品i在销售阶段τ的组合预测结果

采用产品所属的类加权求和得到：

其中

∑_jP_i,j＝1。

附图说明

图1：本发明新产品需求的多阶段实时预测方法的流程。

具体实施例

下面结合附图和具体实施例对本发明进一步作详细说明.这些实施例仅用于解释和说明本发明的内容，不作为对本发明的保护范围限定。本发明的范围由权利要求书来限定，其中某些要素的改变、替换等是都包含在本发明的保护范围之内。

结合图1，确定预测时间幅度δ、预测提前期τ和训练集时间段TP；提取已有产品k和新产品i用于聚类的属性特征集P_k和P_i；以预测时间幅度δ为单位，提取已有产品需求预测所用的特征矩阵

和需求量向量D_k；以预测时间幅度δ为单位，提取公共趋势因子TF，作为预测特征分别并入矩阵

得到输入模型的特征矩阵F_k、F_i；根据产品属性对已有产品进行聚类，第j个类为记C_j，新产品按照与各类的距离进行概率归类；分别提取出类C_j内已有产品生命周期中不同销售阶段t的销售记录，包括预测特征和需求，记为

将

输入机器学习预测模型

用于训练；对新产品，在不同的预测提前期τ，分别选用对应的模型

用于其销量的组合预测。

具体步骤如下：

1.数据准备:

1.1确定预测时间幅度δ、预测提前期τ和训练集时间段TP。

1.2提取已有产品k和新产品i用于聚类的属性特征集P_k和P_i。

1.3以预测时间幅度δ为单位，提取需求预测所用的特征矩阵

和需求量向量D_k。

1.4以预测时间幅度δ为单位，提取公共趋势因子TF，作为预测特征并入矩阵

得到输入模型的特征矩阵F_i；作为预测特征并入

得到输入模型的特征矩阵F_k。

2.产品聚类:根据产品属性对已有产品进行聚类，新产品按照与各类的距离进行概率归类。

3.模型训练:

3.1分别提取出类内已有产品生命周期中销售阶段t的销售记录，包括预测特征和需求，记为

3.2将

输入机器学习预测模型

用于训练。

4.预测输出：对新产品，在不同的预测提前期τ，分别选用对应的模型

用于其销量的组合预测。

上述方案中，1.1所述的预测时间幅度δ是指要预测的销量对应的时长。比如要提前τ期预测未来1天的销量，δ＝1天；要提前τ期预测未来1小时的销量，则δ＝1小时。δ的取值范围为未来1小时-2年范围内的任意时长。

上述方案中，1.1所述的预测提前期τ是指要预测的未来销量所在的时点与当前时点的时间间隔，τ为δ的整数倍。

上述方案中1.2所述的聚类属性特征包括但不限于：品牌、类目、功能参数、价位、渠道特性、社会属性、使用寿命、消费速度等。

上述方案中1.3所述的预测特征不包含需要用到历史记录的信息：历史销量、历史价格、历史评论、历史促销记录、历史库存记录等。

上述方案中，1.4所述的包含趋势因子TF用于所有产品的模型训练和预测，其中的元素采用下列公式计算得到

其中TF＝[TF₁,TF₂,...,TF_t,...]^T，D_i,t表示产品i在销售阶段t时的销量；D_i,0表示产品i在初始销售阶段时的销量。

上述方案中，1.3所述的需求包括：实际销量、估计需求量，其中估计需求量是被截尾需求和实际销量的总和。

上述方案中，2所述的聚类方法包括：K-prototype、层次聚类、概率密度聚类、SOM网络、划分法、图论聚类法、网格算法、关联聚类、子空间聚类、模式聚类。

上述方案中，2所述的概率归类方法是指：当新产品i的属性与某类C_j的距离Dis_i,j小于最小距离的n倍时，该新产品以一定的概率P_i,j＝f(Dis_i,j)归于类C_j。其中，n为大于1的任意自然数，f(Dis_i,j)为Dis_i,j的任意递减函数，∑_iP_i,j＝1。

上述方案中，2所述的新产品和类的距离计算方法，综合了单连接DS_i,j、全连接DC_i,j和平均连接DA_i,j三个计算指标

Dis_i,j＝ρ_dsDS_i,j+ρ_dcDC_i,j+ρ_daDA_i,j

其中ρ_ds+ρ_dc+ρ_da＝1。

上述方案中，3.1所述的

是指的类C_j内的所有已有产品，在销售阶段t对应特征向量和需求构成的矩阵

上述方案中，3.1所述的机器学习预测模型包括但不限于：多项式回归、随机森林、神经网络、支持向量机、强化学习、GBDT、xgboost以及相应的集成学习算法。

实施例一

某大型商超共有1000个已有SKU，数据库内拥有2014年1月1日-2019年8月31日所有SKU的运营记录。现计划于2019年9月5日上架一批新产品，SKU数量为10。商超的运营部门需要预测2019 年9月5日，这10个SKU的需求量。此时，预测时间幅度δ＝1天、预测提前期τ＝1天和训练集时间段TP＝[2014-1-1,2014-1-2,...,2019-8-31]^T，时间段长度为tp，共2068天。

提取已有所有产品(包括在售的产品和销售周期已结束的产品)用于聚类的属性特征集P_k。属性特征包括

P_k＝[PL_k,BL_k,CA_k,FP_k,FMCG_k,PT_k,PP_k,CF_k]^T,k∈[1,1000]

其中PL_k、BL_k、CA_k、FP_k、FMCG_k、PT_k、PP_k和CF_k分别表示产品i的价格水平、品牌层级、类目、功能参数、是否快速消费品、包装类型、产地和产品消费频率。

提取新产品i用于聚类的属性特征集P_i，采用的属性与[020]相同。

提取已有产品k用于模型训练的预测特征

和需求量向量

其中tp_k表示产品k拥有历史销售数据的时长，元素

表示产品k的特征，特征数量为m。

提取趋势因子向量TF＝[tf₁,...,tf_t,...,tft_p]^T，与合并得到训练集的预测特征F_i；用D_i与 F_i构建已有产品i的训练集数据FD_i

类似地，提取新产品的预测特征

与趋势因子TF合并构建新产品的预测特征F_i

根据产品属性对已有产品进行聚类，得到6个类别

C＝{C₁,C₂,C₃,C₄,C₅,C₆}

对类j，分别选取各销售阶段τ的数据作为训练集，用随机森林算法进行模型训练，得到类j对应的模型集

对新产品按照与各类的距离进行概率归类，距离Dis_i,j采用单连接DS_i,j、全连接DC_i,j和平均连接DA_i,j三个指标的等权重加总计算得到

对新产品i，取n＝1.2，得到i与6个类别之间的最小距离Dis_i,min，根据新产品i的属性与某类C_j的距离Dis_i,j小于Dis_i,min的n倍的准则，确定新产品属于C₁和C₂这两类，该新产品分别以如下概率归于C₁和C₂

把新产品i的预测特征F_i,τ分别输入C₁和C₂对应的模型

和

由于τ＝1，选取F_i矩阵的第一行作为预测特征F_i,1，选取模型

和

可以得到新产品i需求的预测值

实施例二

某在线零售平台共有10000个已有SKU，数据库内拥有2016年1月1日-2019年8月31日所有 SKU的运营记录。现计划于2019年9月1日上架一批新产品，SKU数量为15。商超的运营部门需要预测2019年9月5日，这15个SKU的需求量。此时，预测时间幅度δ＝1天、预测提前期τ＝5天和训练集时间段TP＝[2016-1-1,2016-1-2,...,2019-8-31]^T，时间段长度为tp，共1338天。

提取已有所有产品(包括在售的产品和销售周期已结束的产品)用于聚类的属性特征集P_k。属性特征包括

P_k＝[PL_k,BL_k,CA_k,FP_k,FMCG_k,CF_k]^T,k∈[1,10000]

其中PL_k、BL_k、CA_k、FP_k、FMCG_k、PT_k、PP_k和CF_k分别表示产品i的价格水平、品牌层级、类目、功能参数、是否快速消费品和产品消费频率。

提取新产品i用于聚类的属性特征集P_i，采用的属性与[020]相同。

提取已有产品k用于模型训练的预测特征

和需求量向量

其中tp_k表示产品k拥有历史销售数据的时长，元素

表示产品k的特征，特征数量为20。

提取趋势因子向量TF＝[tf₁,...,tf_t,...,tf_tp]^T，与合并得到训练集的预测特征Fi_；用D_i与 F_i构建已有产品i的训练集数据FD_k

类似地，提取新产品的预测特征

与趋势因子TF合并构建新产品的预测特征F_i

根据产品属性对已有产品进行聚类，得到5个类别

C＝{C₁,C₂,C₃,C₄,C₅}

对类j，分别选取各销售阶段τ的数据作为训练集，用神经网络算法进行模型训练，得到类j对应的模型集

对新产品按照与各类的距离进行概率归类，距离Dis_i,j采用单连接Dis_i,j、全连接DC_i,j和平均连接DA_i,j三个指标以1：1：2的权重加总计算得到

对新产品i，取n＝1.3，得到i与5个类别之间的最小距离Dis_i,min，根据新产品i的属性与某类C_j的距离Dis_i,j小于Dis_i,min的n倍的准则，确定新产品属于C₁、C₂和C₄这三类，该新产品分别以如下概率归于这三类

把新产品i的预测特征F_i,τ分别输入C₁、C₂和C₄对应的模型

和

由于τ＝5，选取F_i矩阵的第五行作为预测特征F_i，5，选取模型

和

可以得到新产品i需求的预测值

实施例三

某在线零售平台共有2000个已有SKU，数据库内拥有2016年1月1日-2019年8月31日所有SKU 的运营记录。现计划于2019年9月1日0时上架一批新产品，SKU数量为20。商超的运营部门需要预测2019年9月2日上午11时，这20个SKU的需求量。此时，预测时间幅度δ＝1小时、预测提前期τ＝35小时和训练集时间段TP＝[2016-1-1 0时,2016-1-1 1时,...,2019- 8-31 24时]^T，时间段长度为tp＝32112小时。

提取已有所有产品(包括在售的产品和销售周期已结束的产品)用于聚类的属性特征集P_k。属性特征包括

P_k＝[PL_k,BL_k,CA_k,FP_k,FMCG_k,CF_k]^T,k∈[1,2000]

其中PL_k、BL_k、CA_k、FP_k、FMCG_k、PT_k、PP_k和CF_k分别表示产品i的价格水平、品牌层级、类目、功能参数、是否快速消费品和产品消费频率。

提取新产品i用于聚类的属性特征集P_i，采用的属性与[020]相同。

提取已有产品k用于模型训练的预测特征

和需求量向量

其中tp_k表示产品k拥有历史销售数据的时长，元素

表示产品k的特征，特征数量为50。

提取趋势因子向量TF＝[tf₁,...,tf_t,...,tf_tp]^T，与合并得到训练集的预测特征F_k；将D_k与 F_k合并构建已有产品i的训练集数据FD_k

类似地，提取新产品的预测特征

与趋势因子TF合并构建新产品的预测特征F_i

根据产品属性对已有产品进行聚类，得到7个类别

C＝C₁,C₂,C₃,C₄,C₅,C₆,C₇

对类j，分别选取各销售阶段τ的数据作为训练集，用神经网络算法进行模型训练，得到类j对应的模型集

对新产品按照与各类的距离进行概率归类，距离Dis_i,j采用单连接DS_i,j、全连接DC_i,j和平均连接DA_i,j三个指标以1：1：2的权重加总计算得到

对新产品i，取n＝1.5，得到i与7个类别之间的最小距离Dis_i,min，根据新产品i的属性与某类C_j的距离Dis_i,j小于Dis_i,min的n倍的准则，确定新产品属于C₁、C₂和C₇这三类，该新产品分别以如下概率归于这三类

把新产品i的预测特征F_i,τ分别输入C₁、C₂和C₇对应的模型

和

由于τ＝35，选取F_i矩阵的第七行作为预测特征F_i,35，选取模型

和

可以得到新产品i需求的预测值

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

上面结合附图对本发明进行了示例性的描述，显然本发明的实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围内。

Claims (8)

1.一种新产品需求的多阶段实时预测方法，其特征在于，该方法采用如下技术方案：

确定预测时间幅度δ、预测提前期τ和训练集时间段TP；提取已有产品k和新产品i用于聚类的属性特征集P_k和P_i；以预测时间幅度δ为单位，提取已有产品需求预测所用的特征矩阵

和需求量向量D_k；以预测时间幅度δ为单位，提取公共趋势因子TF，作为预测特征分别并入矩阵

得到输入模型的特征矩阵F_k、F_i；根据产品属性对已有产品进行通过聚类方法进行聚类，第j个类为记C_j，新产品按照与各类的距离进行概率归类；分别提取出类C_j内已有产品生命周期中不同销售阶段t的销售记录，包括预测特征和需求，记为

将

输入机器学习预测模型

用于训练；对新产品，在不同的预测提前期τ，分别选用对应的模型

用于其销量的组合预测。

2.根据权利要求1所述的新产品需求的多阶段实时预测方法，其特征在于，所述预测特征不包含历史信息相关的特征。

3.根据权利要求1所述的新产品需求的多阶段实时预测方法，其特征在于，所述趋势因子TF作为公共特征，用于已有产品的模型训练和新产品的需求预测。

4.根据权利要求1或3所述的新产品需求的多阶段实时预测方法，其特征在于，所述趋势因子的元素TF_t采用的计算公式为

其中D_i,t表示产品i在销售阶段t时的销量；D_i,0表示产品i在初始销售阶段时的销量。

5.根据权利要求1所述的新产品需求的多阶段实时预测方法，其特征在于，所述聚类方法包括：K-prototype、层次聚类、概率密度聚类、SOM网络、划分法、图论聚类法、网格算法、关联聚类、子空间聚类、模式聚类。

6.根据权利要求1所述的新产品需求的多阶段实时预测方法，其特征在于，所述概率归类是指：当新产品i的属性与某类C_j的距离

小于最小距离的n倍时，该新产品以一定的概率P_i,j＝f(Dis_i,j)归于类C_j，其中，n为大于1的任意自然数，f(Dis_i,j)为Dis_i,j的任意递减函数；若产品i不属于某类j′，则P_i,j′＝0

7.根据权利要求1所述的新产品需求的多阶段实时预测方法，其特征在于，新产品和类的距离计算综合了单连接DS_i,j、全连接DC_i,j和平均连接DA_i,j三个计算指标

Dis_i,j＝ρ_dsDS_i,j+ρ_dcDC_i,j+ρ_daDA_i,j

其中ρ_ds+ρ_dc+ρ_da＝1。

8.根据权利要求1所述的新产品需求的多阶段实时预测方法，其特征在于，新产品i在销售阶段τ的组合预测结果

采用产品所属的类加权求和得到：

其中

∑_j P_i,j＝1。

Images