物品需求量预测方法及装置、电子设备和存储介质

技术领域

本公开涉及智慧供应链技术领域，具体地涉及一种物品需求量预测方法、装置、设备、介质和程序产品。

背景技术

需求预测是库存管理等规划活动重要的基础，很多情况下，需求可能会出现稀疏性和间断性，也就是存在一些零需求，在一些零配件行业尤其如此，现有间断性预测方法在数据极其稀疏的情况下(也就是零需求占比达到50％以上)，对于零需求的估计很保守，导致准确率很难进一步提升，也给库存成本造成很大压力。

发明内容

鉴于上述问题，本公开提供了一种物品需求量预测方法、装置、设备、介质和程序产品。

本公开的一个方面，提供了一种物品需求量预测方法，包括：

从数据库中获取历史需求特征数据，其中历史需求特征数据用于表征预定物品在预设历史时间段内历史需求量；

将历史需求特征数据输入第一分类模型，以利用第一分类模型输出预定物品在未来预设时间段内需求发生概率；

对需求发生概率进行随机扰动处理，以生成随机扰动特征结果，其中随机扰动特征结果用于表征：预定物品在未来预设时间段内关于T次需求事件的随机发生结果，其中T为正整数；

将随机扰动特征结果和历史需求特征数据输入综合预测模型，以利用综合预测模型输出预定物品在未来预设时间段内预测需求量。

根据本公开的实施例，其中，综合预测模型包括第二分类模型和回归模型，利用综合预测模型输出预定物品在未来预设时间段内预测需求量包括：

将随机扰动特征结果输入第二分类模型，以利用第二分类模型输出预定物品在未来预设时间段内的阶段性需求预测结果，其中阶段性需求预测结果用于表征在未来预设时间段内是否会发生针对预定物品的需求事件；

在未来预设时间段内会发生针对预定物品的需求事件的情况下，将历史需求特征数据输入回归模型，以利用回归模型输出预定物品在未来预设时间段内预测需求量。

根据本公开的实施例，其中，历史需求特征数据包括预定物品在预设历史时间段内的M个时间窗口的历史需求量，需求发生概率包括预定物品在未来预设时间段内的N个时间窗口的需求发生概率矩阵，随机扰动特征结果包括：预定物品在未来预设时间段内的N个时间窗口中，每一时间窗口下T次需求事件的随机发生结果；

对需求发生概率进行随机扰动处理，以生成随机扰动特征结果包括：

生成随机概率矩阵，其中随机概率矩阵用于表征：预定物品在未来预设时间段内的N个时间窗口中，每一时间窗口下T次需求事件的随机发生概率；

将随机概率矩阵和需求发生概率矩阵进行融合，以生成表征随机扰动特征结果的随机扰动特征矩阵。

根据本公开的实施例，其中，将随机概率矩阵和需求发生概率矩阵进行融合，以生成随机扰动特征矩阵包括：

在随机概率矩阵中的概率值P

在随机概率矩阵中的概率值P

其中，第一数值用于表征需求事件会发生，第二数值用于表征需求事件不会发生，概率值P

根据本公开的实施例，其中：

历史需求特征数据满足预设数据限定条件，预设数据限定条件用于表征，历史需求特征数据的数据间断性指标值和数据稀疏性指标值满足预设数值范围。

根据本公开的实施例，其中：

预设数据限定条件为：历史需求特征数据的数据间断性指标值大于1.32，历史需求特征数据的数据稀疏性指标值大于等于50％。

根据本公开的实施例，其中：

数据间断性指标值为历史需求特征数据中，零需求时间窗口数与零需求间隔次数的比值；

数据稀疏性指标值为历史需求特征数据中，零需求时间窗口数与时间窗口总数的比值。

本公开的另一个方面提供了一种物品需求量预测装置，包括获取模块、第一输出模块、扰动模块和第二输出模块。

其中，获取模块，用于从数据库中获取历史需求特征数据，其中历史需求特征数据用于表征预定物品在预设历史时间段内的历史需求量；

第一输出模块，用于将历史需求特征数据输入第一分类模型，以利用第一分类模型输出预定物品在未来预设时间段内的需求发生概率；

扰动模块，用于对需求发生概率进行随机扰动处理，以生成随机扰动特征结果，其中随机扰动特征结果用于表征：预定物品在未来预设时间段内关于T次需求事件的随机发生结果，其中T为正整数；以及

第二输出模块，用于将随机扰动特征结果和历史需求特征数据输入综合预测模型，以利用综合预测模型输出预定物品在未来预设时间段内预测需求量。

根据本公开的实施例，综合预测模型包括第二分类模型和回归模型，上述装置还包括输入模块、第三输出模块。

其中，输入模块，用于将随机扰动特征结果输入第二分类模型，以利用第二分类模型输出预定物品在未来预设时间段内的阶段性需求预测结果，其中阶段性需求预测结果用于表征在未来预设时间段内是否会发生针对预定物品的需求事件；

第三输出模块，用于在未来预设时间段内会发生针对预定物品的需求事件的情况下，将历史需求特征数据输入回归模型，以利用回归模型输出预定物品在未来预设时间段内预测需求量。

根据本公开的实施例，其中，历史需求特征数据包括预定物品在预设历史时间段内的M个时间窗口的历史需求量，需求发生概率包括预定物品在未来预设时间段内的N个时间窗口的需求发生概率矩阵，随机扰动特征结果包括：预定物品在未来预设时间段内的N个时间窗口中，每一时间窗口下T次需求事件的随机发生结果；

扰动模块包括生成单元、融合单元。

其中，生成单元，用于生成随机概率矩阵，其中随机概率矩阵用于表征：预定物品在未来预设时间段内的N个时间窗口中，每一时间窗口下T次需求事件的随机发生概率；

融合单元，用于将随机概率矩阵和需求发生概率矩阵进行融合，以生成表征随机扰动特征结果的随机扰动特征矩阵。

根据本公开的实施例，其中，融合单元包括第一生成子单元、第二生成子单。

其中，第一生成子单元，用于在随机概率矩阵中的概率值P

第二生成子单元，用于在随机概率矩阵中的概率值P

其中，第一数值用于表征需求事件会发生，第二数值用于表征需求事件不会发生，概率值P

根据本公开的实施例，其中，历史需求特征数据满足预设数据限定条件，预设数据限定条件用于表征，历史需求特征数据的数据间断性指标值和数据稀疏性指标值满足预设数值范围。

根据本公开的实施例，其中，预设数据限定条件为：历史需求特征数据的数据间断性指标值大于1.32，历史需求特征数据的数据稀疏性指标值大于等于50％。

根据本公开的实施例，其中，数据间断性指标值为历史需求特征数据中，零需求时间窗口数与零需求间隔次数的比值；数据稀疏性指标值为历史需求特征数据中，零需求时间窗口数与时间窗口总数的比值。

本公开的另一个方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器执行上述物品需求量预测方法。

本公开的另一个方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述物品需求量预测方法。

本公开的另一个方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述物品需求量预测方法。

根据本公开的实施例，通过对第一分类模型输出预定物品在未来预设时间段内需求发生概率进行随机扰动处理，提出了一种比较合理的对干扰进行量化的方式，充分考虑了小概率事件对概率预测结果产生干扰的影响，通过利用综合预测模型基于扰动后的数据进行进一步预测，可提高模型的泛化能力，得出较为准确的需求预测结果，提升模型预测的准确度，为后续库存准备提供了合理的参考，不仅可以节省后期库存控制成本，同时也可以通过准确判断需求有无来规避缺货风险。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的物品需求量预测方法、装置、设备、介质和程序产品的应用场景图；

图2示意性示出了根据本公开实施例的物品需求量预测方法的流程图；

图3示意性示出了根据本公开另一实施例的物品需求量预测方法的流程图；

图4示意性示出了根据本公开实施例的物品需求量预测装置的结构框图；以及

图5示意性示出了根据本公开实施例的适于实现物品需求量预测方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

需求预测是库存管理等规划活动重要的基础，很多情况下，需求可能会出现稀疏性和间断性，也就是存在一些零需求，在一些零配件行业尤其如此。另外，非间断性数据在精细的数据分解级别上会呈现间断性，例如，预测的时间粒度从月分解到天，就会出现大量的间断性数据，提高间断性需求预测的准确率对于库存成本和水平控制有着重要的作用。

对于间断性数据，其需求预测，例如可以采用以下方法：

例如，可采用Croston方法及其变体。Croston方法将间歇性需求序列拆分为两个连续序列，分别是需求量和需求间隔，然后对这两个连续序列分别采用指数平滑算法进行预测，通过预测出的间隔与需求量，形成最终的时间序列预测结果。基于Croston修正系数，也可以采用其衍生出的Syntetos-Boylan Approximation(SBA)方法等方法。

例如，还可采用Bootstrapping系列方法。Bootstrapping方法被证实可以有效用于间断性预测的提升。该方法使用两阶段马尔科夫链来生成非零需求点，然后再利用历史数据重采样生成需求量，其效果被证实要优于Croston，该方法可利用历史数据中非零需求间隔来重采样，从而生成提前期内的非零需求间隔分布，步骤如下：

步骤1、获取一定时期内的历史需求数据(包括需求量数据和需求间隔数据)的直方图。

步骤2、根据相应的直方图随机生成需求间隔，并更新时间范围。

步骤3、如果更新后的时间范围比提前期短，或者等于提前期，就根据直方图随机生成需求量，然后返回步骤二；如果时间范围大于提前期，就对提前期内的需求量求和，作为提前期需求的一个预测值，然后转到步骤4。

步骤4、重复步骤2和步骤3。排序并生成提前期内需求的分布，根据要求的服务水平，得到安全库存和补货点。

例如，还可采用Aggregation系列方法。该方法通过将数据向更高层次聚合，使得数据不再稀疏，从而提高预测准确率。例如时序聚合，是将较短的时间聚合成较长的时间，比如将天粒度聚合成周粒度或月粒度，这样的好处是可以将序列中需求为零的样本降到最少，缺点也很明显，历史的样本数大幅减少，同时如何分配也是重要的难点。分配比例可以按照以往观测的比例或是相同的权重，也可以采用其他更加有效的方法。

例如，还可采用分类融合方法，通过某些分类范式，可以根据平均需求间隔长度以及需求量的变异系数来对时间序列进行分类，基于有效的时间序列分类，就可以更好地应用模型组合的方法，针对不同的间断特点，采用不同的适用模型，最后再将结果组合，得到最终的预测结果。

在实现本公开的过程中发现，上述间断性需求预测方法在数据极其稀疏的情况下(也就是零需求占比达到50％以上)，对于零需求的估计很保守，导致准确率很难进一步提升，也给库存成本造成很大压力。

有鉴于此，本公开的实施例提供了一种物品需求量预测方法，用以解决在零需求占比较高、需求间断且稀疏的情况下如何提高预测的准确率的问题。

本公开的实施例的物品需求量预测方法，包括：

从数据库中获取历史需求特征数据，其中历史需求特征数据用于表征预定物品在预设历史时间段内历史需求量；

将历史需求特征数据输入第一分类模型，以利用第一分类模型输出预定物品在未来预设时间段内需求发生概率；

对需求发生概率进行随机扰动处理，以生成随机扰动特征结果，其中随机扰动特征结果用于表征：预定物品在未来预设时间段内关于T次需求事件的随机发生结果，其中T为正整数；

将随机扰动特征结果和历史需求特征数据输入综合预测模型，以利用综合预测模型输出预定物品在未来预设时间段内预测需求量。

根据本公开的实施例，通过对第一分类模型输出预定物品在未来预设时间段内需求发生概率进行随机扰动处理，提出了一种比较合理的对干扰进行量化的方式，充分考虑了小概率事件对概率预测结果产生干扰的影响，通过利用综合预测模型基于扰动后的数据进行进一步预测，可提高模型的泛化能力，得出较为准确的需求预测结果，提升模型预测的准确度，为后续库存准备提供了合理的参考，不仅可以节省后期库存控制成本，同时也可以通过准确判断需求有无来规避缺货风险。

图1示意性示出了根据本公开实施例的物品需求量预测方法、装置、设备、介质和程序产品的应用场景图。

如图1所示，根据该实施例的应用场景100可以包括终端设备101、102、103、网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

在本公开实施例的应用场景下，业务人员可通过终端设备101、102、103向服务器105发起用于获取某一预定物品的需求预测结果的请求，响应于用户请求，服务器105可执行本公开实施例的物品需求量预测方法，例如首先从数据库中获取预定物品在预设历史时间段内历史需求量数据，基于历史需求特征数据，利用分类预测模型，输出预定物品在未来预设时间段内的需求发生预测结果。生成需求发生预测结果后，服务器105可通过终端设备101、102、103向用户展示结果。

需要说明的是，本公开实施例所提供的物品需求量预测方法一般可以由服务器105执行。相应地，本公开实施例所提供的物品需求量预测装置一般可以设置于服务器105中。本公开实施例所提供的物品需求量预测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的物品需求量预测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

需要说明的是，在本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

以下将基于图1描述的场景，通过图2～图5对公开实施例的物品需求量预测方法进行详细描述。

图2示意性示出了根据本公开实施例的物品需求量预测方法的流程图。

如图2所示，该实施例的物品需求量预测方法包括操作S201～操作S204。

在操作S201，从数据库中获取历史需求特征数据，其中历史需求特征数据用于表征预定物品在预设历史时间段内历史需求量，具体地，历史需求特征数据可包括预定物品在预设历史时间段内的M个时间窗口的历史需求量，其中M为正整数。

例如，可以首先从数据库中获取某sku的汽车零部件在20xx年1月1号到1月10号的销量如下表1所示，之后对从数据库中获取得到的销量数据进行特征构建得到该sku的汽车零部件的历史需求特征数据。

表1

在操作S202，将历史需求特征数据输入第一分类模型，以利用第一分类模型输出预定物品在未来预设时间段内需求发生概率；具体地，需求发生概率可以是预定物品在未来预设时间段内的N个时间窗口的需求发生概率矩阵。

根据本公开的实施例，第一分类模型可以是经训练得到的是机器学习模型LightGBM，用于预测预定物品在未来预设时间段内的N个时间窗口的需求发生概率(即在每一时间窗口下会有购买需求发生的概率是多大)。例如，输出上述某sku的汽车零部件在20xx年1月1号到1月10号的需求发生概率为：20xx-01-01会有购买需求发生的概率为0.8、20xx-01-02会有购买需求发生的概率为0.7、20xx-01-03会有购买需求发生的概率为0.3……。

在操作S203，对需求发生概率进行随机扰动处理，以生成随机扰动特征结果，其中随机扰动特征结果用于表征：预定物品在未来预设时间段内关于T次需求事件的随机发生结果，其中T为正整数。具体地，随机扰动特征结果可以是随机扰动特征矩阵，其中随机扰动特征矩阵用于表征：预定物品在未来预设时间段内的N个时间窗口中，每一时间窗口下T次需求事件的随机发生结果，其中T为正整数。

根据本公开的实施例，上述第一分类模型得到的预测概率指某一需求会发生的概率大小，考虑到小概率事件发生的可能，会对上述概率预测结果产生一定的扰动，即预测无法百分百准确，一定会有各种各样的干扰因素，而这种扰动机制提供了比较合理的干扰量化方式。基于此，对需求发生概率矩阵进行随机扰动处理，生成随机扰动特征矩阵。随机扰动特征矩阵用于表征预定物品在未来预设时间段内的N个时间窗口中，每一时间窗口下T次需求事件的随机发生结果，例如，针对上述示例生成的某sku的汽车零部件的需求发生概率，生成随机扰动特征矩阵中，20xx-01-01时间窗口下，T次(5次)需求事件的随机发生结果为：1、0、0、1、1(1代表会卖出，0代表不会卖出)；20xx-01-02时间窗口下，T次(5次)需求事件的随机发生结果为：0、0、0、1、1(1代表会卖出，0代表不会卖出)；20xx-01-03时间窗口下，T次(5次)需求事件的随机发生结果为：1、1、0、1、1(1代表会卖出，0代表不会卖出)……。

在操作S204，将随机扰动特征结果和历史需求特征数据输入综合预测模型，以利用综合预测模型输出预定物品在未来预设时间段内预测需求量。根据本发明的实施例，综合预测模型可包括第二分类模型和回归模型，可利用综合预测模型输出预定物品在未来预设时间段内预测需求量(即有多少件物品可能会卖出)。

根据本公开的实施例，通过对第一分类模型输出预定物品在未来预设时间段内的需求发生概率进行随机扰动处理，提出了一种比较合理的对干扰进行量化的方式，充分考虑了小概率事件对概率预测结果产生干扰的影响，通过利用综合预测模型基于扰动后的数据进行进一步预测，可提高模型的泛化能力，得出较为准确的需求预测结果，提升模型预测的准确度，为后续库存准备提供了合理的参考，不仅可以节省后期库存控制成本，同时也可以通过准确判断需求有无来规避缺货风险。

根据本公开的实施例，进一步地，利用综合预测模型输出预定物品在未来预设时间段内预测需求量包括：

操作1、将随机扰动特征结果输入第二分类模型，以利用第二分类模型输出预定物品在未来预设时间段内的阶段性需求预测结果，其中阶段性需求预测结果用于表征在未来预设时间段内是否会发生针对预定物品的需求事件(例如购买行为)；

根据本公开的实施例，第二分类模型可以是经训练得到的是机器学习模型LightGBM，用于预测预定物品在未来预设时间段内的N个时间窗口的阶段性需求预测结果(即在每一时间窗口下是否会有购买需求发生)。例如，输出上述某sku的汽车零部件在20xx年1月1号到1月10号的需求发生分别结果为：1、1、0、0、1、1、1、0、0、0(1代表当天会卖出，0代表当天不会卖出)。

操作2、在未来预设时间段内会发生针对预定物品的需求事件的情况下，将历史需求特征数据输入回归模型，以利用回归模型输出预定物品在未来预设时间段内预测需求量(即有多少件物品可能会卖出)。

根据本公开的实施例，在上述通过第二分类模型输出预定物品在未来预设时间段内的N个时间窗口的阶段性需求预测结果的基础上，可以对预测需求购买事件会发生的时间窗口，进一步预测需求量。具体可以是将历史需求特征数据中需求量不为零的时间窗的数据输入上述回归模型，利用回归模型预测需求量。具体地，上述操作2可以是在未来预设时间段内的N个时间窗口中，存在k个时间窗口的需求发生预测结果为需求事件会发生的情况下，将目标历史需求特征数据输入回归模型，其中目标历史需求特征数据为历史需求特征数据中，与历史需求量不为零的时间窗口关联的数据，其中k为正整数；利用回归模型，输出预定物品在未来预设时间段内的N个时间窗口中，k个时间窗口的预测需求量。

根据本公开的实施例，回归模型可以是经训练得到的是机器学习模型LightGBM，用于预测预定物品在特定时间窗口的需求发生量(即在每一时间窗口下有多少件物品可能会卖出)。

根据本公开的实施例，在实际的业务场景中，由于产品的属性(比如零配件)或是预测粒度的细化(天粒度预测)，都会造成间断性需求的发生，这类需求的预测一直存在技术难点，如果准确率无法有效提升，可能会造成库存积压或是缺货损失。本公开实施例的上述方法采用了一种两阶段的模式，第一阶段先去预测需求何时会发生，第二阶段再去预测需求量的大小，相比于相关技术中直接预测需求量的大小，可较大程度地提高预测的准确率，为库存量的准备提供了合理的参考。

根据本公开的实施例，上述物品需求量预测方法基于历史需求特征数据预测未来的需求量。在实现本公开的过程中发现，上述方法对于间断且稀疏的数据预测准确度较高。

具体地，上述历史需求特征数据满足预设数据限定条件，预设数据限定条件用于表征，历史需求特征数据的数据间断性指标值和数据稀疏性指标值满足预设数值范围。进一步地，预设数据限定条件为：历史需求特征数据的数据间断性指标值大于1.32，历史需求特征数据的数据稀疏性指标值大于等于50％。即，该方法针对极其稀疏的间断性数据预测效果较佳。

其中，数据间断性指标值p代表需求间隔的平均，为历史需求特征数据中，零需求时间窗口数与零需求间隔次数的比值，当p＞1.32时，则可以判断该数据为间断性需求。

数据稀疏性指标σ指零需求占比，为历史需求特征数据中，零需求时间窗口数与时间窗口总数的比值，如果零需求占比大于等于50％，则为特别稀疏型数据，如果小于50％，则为一般稀疏型数据。

有鉴于此，在获取历史需求特征数据后，可进一步确定历史需求特征数据的数据形态是否符合上述限定条件。

例如，针对上述表1中某sku的汽车零部件在20xx年1月1号到1月10号的销量数据，确定数据形态如下：

计算数据间断性指标值p如下式(1)：

计算数据稀疏性指标σ如下式(2)：

可以看出，p＞1.32，σ＝P(x＝0)＝60％，所以该数据为间断性数据，且为特别稀疏型。

下表2展示了搭建特征数据时可参考的特征示例。根据本公开的实施例，上述物品需求量预测方法在构建特征数据时，基于预定物品在预设历史时间段内的历史需求特征数据，也不限于此，可根据实际需求选取适合的特征，如表2所示为可参考的特征示例。

表2

基于上述两阶段模式的预测方法，图3示意性示出了根据本公开另一实施例的物品需求量预测方法的流程图。以下结合图3，对本公开实施例的方法进行说明。

如图3所示，首先，获取目标数据，搭建特征工程，例如可以是从数据库中获取预定物品在预设历史时间段内的M个时间窗口的历史需求特征数据作为初选特征数据，再从初选特征数据中选取历史需求特征数据需满足间断且稀疏的数据特性的数据，即数据间断性指标值大于1.32，数据稀疏性指标值大于等于50％。

将数据集切割成训练集(m)和测试集(n)，并进行标记，如果销量大于0，那么将Label标记为1，如果销量等于0，就将Label标记为0。以Label作为目标，调用机器学习模型LightGBM，在训练集上搭建预测需求发生概率的第一分类模型M1。

然后，将上述历史需求特征数据输入第一分类模型，利用第一分类模型输出预定物品在未来预设时间段内的N个时间窗口的需求发生概率矩阵D(n×1)。

对需求发生概率矩阵D(n×1)进行随机扰动处理，以生成随机扰动特征矩阵S(n×T)，其中随机扰动特征矩阵用于表征：预定物品在未来预设时间段内的N个时间窗口中，每一时间窗口下T次需求事件的随机发生结果。具体可包括：

操作1，生成一个[0，1]之间的随机概率矩阵P(n×T)，其中随机概率矩阵用于表征：预定物品在未来预设时间段内的N个时间窗口中，每一时间窗口下T次需求事件的随机发生概率。

操作2，将随机概率矩阵和需求发生概率矩阵进行融合，以生成随机扰动特征结果，即随机扰动特征矩阵。将随机概率矩阵和需求发生概率矩阵进行融合可以是：在随机概率矩阵中的概率值P

例如，针对前述某sku的汽车零部件的需求预测示例，利用第一分类模型输出上述某sku的汽车零部件在20xx年1月1号到1月10号的需求发生概率为：20xx-01-01会有购买需求发生的概率为0.8、20xx-01-02会有购买需求发生的概率为0.7、20xx-01-03会有购买需求发生的概率为0.3……。

例如，生成随机概率矩阵中，20xx-01-01时间窗口下，T次(5次)需求事件的随机发生概率为：0.9、0.5、0、1、0.5；20xx-01-02时间窗口下，T次(5次)需求事件的随机发生概率为：0.5、0.6、0、0、0.8；20xx-01-03时间窗口下，T次(5次)需求事件的随机发生概率为：0.2、0.2、0.2、0.7、0.1……。

则，针对其中随机概率矩阵中的概率值P

根据本公开的实施例，采用上述处理方式的原因在于，模型预测的是需求发生的概率，在[0，1]之间，例如发生概率为0.9，那么随机生成的概率小于发生概率的可能性为90％左右，也就是结果被反转的可能性很小；只有当小概率事件发生的时候，结果才会被扰动，这比较符合真实的情况，预测无法百分百准确，一定会有各种各样的干扰因素，而这种扰动机制提供了比较合理的干扰量化方式。

之后，以S(n×T)作为随机扰动特征集，Label作为目标，搭建第二分类模型(M2)，将随机扰动特征矩阵输入第二分类模型，以利用第二分类模型输出预定物品在未来预设时间段内的N个时间窗口的需求发生预测结果。该方法基于模型堆叠Stacking的思路，可以进一步模型的提高泛化能力。

最后，在上述通过第二分类模型输出预定物品在未来预设时间段内的N个时间窗口的需求发生预测结果的基础上，可以对预测需求购买事件会发生的时间窗口，进一步预测需求量。具体可以是将历史需求特征数据中需求量不为零的时间窗的数据输入回归模型(M3)，利用回归模型(M3)预测需求量。其中，回归模型(M3)利用训练集中历史需求非零的数据训练得到。

根据本公开的实施例，经过以上三层模型进行预测推断，结合随机概率得到随机扰动矩阵，可以得到更加泛化和更加鲁棒的分类预测，通过回归模型得到非零需求估计值，最后将两部分结果组合，得到最终的输出。

以某SKU为例，得出的预测结果如下表3。

表3

根据本公开的实施例，以下表4、表5分别给出了某sku的汽车零部件采用相关技术中的预测方法(表4)、以及采用本公开实施例的预测方法得出的结果数据(表5)。

其中，表中给出了两种准确率指标的评价结果值：Smape和Wmape为两种常用的用于数据准确率的评价指标，Smape值越高准确率越高，Wmape值越低准确率越高。

表4

表5

由表4、表5可以看出，通过随机扰动算法进行第一步的分类任务后，对于零需求和非零需求的判断更加准确，由于零需求占比过高，传统方法倾向于给出零预测，而两阶段算法可以通过特征工程的训练给出非零需求的准确判断。根据分类结果，在第二步进行回归任务后，整体准确率(1-smape)提升20％左右，Wmape值降低显著。由此可见，通过随机扰动的组合预测算法，可以很好地提升部分配件的预测精度，不仅可以节省后期库存控制成本，同时也可以通过准确判断需求有无来规避缺货风险。

基于上述物品需求量预测方法，本公开还提供了一种物品需求量预测装置。以下将结合图4对该装置进行详细描述。

图4示意性示出了根据本公开实施例的物品需求量预测装置的结构框图。

如图4所示，物品需求量预测装置400包括获取模块401、第一输出模块402、扰动模块403和第二输出模块404。

其中，获取模块401，用于用于从数据库中获取历史需求特征数据，其中历史需求特征数据用于表征预定物品在预设历史时间段内的历史需求量；

第一输出模块402，用于将历史需求特征数据输入第一分类模型，以利用第一分类模型输出预定物品在未来预设时间段内的需求发生概率；

扰动模块403，用于对需求发生概率进行随机扰动处理，以生成随机扰动特征结果，其中随机扰动特征结果用于表征：预定物品在未来预设时间段内关于T次需求事件的随机发生结果，其中T为正整数；

第二输出模块404，用于将随机扰动特征结果和历史需求特征数据输入综合预测模型，以利用综合预测模型输出预定物品在未来预设时间段内预测需求量。

根据本公开的实施例，综合预测模型包括第二分类模型和回归模型，上述装置还包括输入模块、第三输出模块。

其中，输入模块，用于将随机扰动特征结果输入第二分类模型，以利用第二分类模型输出预定物品在未来预设时间段内的阶段性需求预测结果，其中阶段性需求预测结果用于表征在未来预设时间段内是否会发生针对预定物品的需求事件；

第三输出模块，用于在未来预设时间段内会发生针对预定物品的需求事件的情况下，将历史需求特征数据输入回归模型，以利用回归模型输出预定物品在未来预设时间段内预测需求量。

根据本公开的实施例，历史需求特征数据包括预定物品在预设历史时间段内的M个时间窗口的历史需求量，需求发生概率包括预定物品在未来预设时间段内的N个时间窗口的需求发生概率矩阵，随机扰动特征结果包括：预定物品在未来预设时间段内的N个时间窗口中，每一时间窗口下T次需求事件的随机发生结果；

其中，扰动模块包括生成单元、融合单元。

其中，生成单元，用于生成随机概率矩阵，其中随机概率矩阵用于表征：预定物品在未来预设时间段内的N个时间窗口中，每一时间窗口下T次需求事件的随机发生概率；

融合单元，用于将随机概率矩阵和需求发生概率矩阵进行融合，以生成随机扰动特征结果。

根据本公开的实施例，其中，融合单元包括第一生成子单元、第二生成子单。

其中，第一生成子单元，用于在随机概率矩阵中的概率值P

第二生成子单元，用于在随机概率矩阵中的概率值P

其中，第一数值用于表征需求事件会发生，第二数值用于表征需求事件不会发生，概率值P

根据本公开的实施例，其中，历史需求特征数据满足预设数据限定条件，预设数据限定条件用于表征，历史需求特征数据的数据间断性指标值和数据稀疏性指标值满足预设数值范围。

根据本公开的实施例，其中，预设数据限定条件为：历史需求特征数据的数据间断性指标值大于1.32，历史需求特征数据的数据稀疏性指标值大于等于50％。

根据本公开的实施例，其中，数据间断性指标值为历史需求特征数据中，零需求时间窗口数与零需求间隔次数的比值；数据稀疏性指标值为历史需求特征数据中，零需求时间窗口数与时间窗口总数的比值。

根据本公开的实施例，获取模块401、第一输出模块402、扰动模块403和第二输出模块404中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，获取模块401、第一输出模块402、扰动模块403和第二输出模块404中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块401、第一输出模块402、扰动模块403和第二输出模块404中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图5示意性示出了根据本公开实施例的适于实现物品需求量预测方法的电子设备的方框图。

如图5所示，根据本公开实施例的电子设备500包括处理器501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。处理器501例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器501还可以包括用于缓存用途的板载存储器。处理器501可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 503中，存储有电子设备500操作所需的各种程序和数据。处理器501、ROM502以及RAM 503通过总线504彼此相连。处理器501通过执行ROM 502和/或RAM 503中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 502和RAM 503以外的一个或多个存储器中。处理器501也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备500还可以包括输入/输出(I/O)接口505，输入/输出(I/O)接口505也连接至总线504。电子设备500还可以包括连接至I/O接口505的以下部件中的一项或多项：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 502和/或RAM 503和/或ROM 502和RAM 503以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的物品需求量预测方法。

在该计算机程序被处理器501执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分509被下载和安装，和/或从可拆卸介质511被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被处理器501执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。