[发明专利]基于特征系数似然估计和零售业业务规则的需求预测方法

摘要

本发明公开了一种基于特征系数似然估计和零售业业务规则的需求预测方法，本发明首先，获取门店人流量及外部因素数据天气温度节假日等利用线性回归方法得到未来营业额预估量；其次，构造星期及星期对应销量占比联合考虑的特征，基于Euclidean metric规则定义门店相似度后对门店进行聚类，通过归并相似销量占比的星期，构造星期组特征；然后，计算加权温度和近期销量均值加入特征集，利用GLM模型得到日销量分布；最后，基于门店的陈列要求、要货限制等规则计算日配送需求量，完成零售业需求预测。本发明基于业务考虑来构建模型特征，建立零售行业商品需求模型，极大地提升了零售业门店经营效率。

主权项

1.基于特征系数似然估计和零售业业务规则的需求预测方法，其特征在于包括以下步骤：步骤1：初始化零售业终端业务流程关联数据：门店集合I、单品集合J、时间线t、星期数W_t、日初库存数量SS、日末库存数量ES、到货数量D、真实销量X、预测销量货柜陈列数量C、门店可订货的星期数集合O、物流发货后至到店期间的天数L用于单品到货需求预测模块；初始化销量相关内部及外部特征：X⁽ⁿ⁾为单品销量预测模型构建使用的n个特征，其中X⁽ⁿ⁾＝[X⁽¹⁾，X⁽²⁾，X⁽³⁾，X⁽⁴⁾，X⁽⁵⁾]用于销量预测模块；步骤2：利用线性回归方法得到营业额预估值特征X⁽¹⁾，设定求解X⁽¹⁾的映射关系为y_i＝w^Tx_i，其中x_i为人流量、天气、温度、节假日的四维数据，y_i为目标营业额预估值X⁽¹⁾，构建损失函数并利用梯度下降法求解：w_i＝w_i‑α(w_ix_i‑y_i)x⁽ⁱ⁾     (3)继而根据计算得到(2)公式所述无约束问题目标函数关于w的梯度，初始定义确定步长α，更新w，并添加样本点重复该步骤直至收敛，得到营业额预估值作为销量预测模型的特征X⁽¹⁾；利用Euclidean metric规则定义门店集合I之间的相似度得到星期组特征X⁽²⁾，构造星期及门店星期对应销量占比特征I_i，对门店特征进行总类内距离最短目标聚类，得到聚类结果集合C_i，k，根据C_i，k集合归并相似星期组特征X⁽²⁾：其中：C_i，k表示门店i聚类结果属于第k类，各类中心点为步骤3：利用泊松回归GLM模型得到日销量预测目标数据基于Poission分布的数据集构建GLM模型及创建模型使用特征[X⁽¹⁾，X⁽²⁾，X⁽³⁾，X⁽⁴⁾，X⁽⁵⁾]，其中X⁽¹⁾，X⁽²⁾为步骤2中的得到的值，设日销量分布的概率密度函数为Y，使用泊松分布表达式得到日销量分布的概率密度函数为：使用极大似然估计为找到能使得目前样本数据中的联合概率尽可能达到最大的θ参数值，即求解得到的门店i单品j第t天的日销量预测值步骤4：根据步骤3得到的销量预测GLM模型及预测值结合零售业业务规则来进行零售终端的商品日需求量预测，具体过程如下：(4.1)定义单品到货需求预测模块：要货的门店i构成门店集合I、需要要货的单品j构成单品集合J、t为时间线第t日、W_t为第t日对应的星期几、为门店i单品j第t日的日初库存数量、为门店i单品j第t日的日末库存数量、为门店i单品j第t日的到货数量、为门店i单品j第t日的真实销量、为门店i单品j第t日的预测销量、C_ij为门店i单品j的货柜陈列数量、O为门店可订货的星期数集合、L_i为门店i的物流发货后至到店期间的天数；(4.2)若W_t∈O(即第t日为门店订货日)，而门店到货日为第t+L_i日，需对第t+L_i日的商品到货量进行决策，本发明中，基于门店陈列要求及正常经营的业务考量设定单品到货量决策公式为单品陈列要求量+90％到货日预测销量‑到货日期初库存，即其中，C_ij,L_i为门店提供数据，分别为门店i单品j的陈列量和门店i的物流发货后至到店期间的天数，为步骤3模型得到数据，即仍需要对求解；(4.3)根据零售行业库存计算规则，来推导得到使用近似预估为为真实销量与预估销量的差值，得到(4.4)满足物流规格要求表示为得到门店商品的日需求量预测数。