一种产品销量预测方法及系统技术方案

本发明专利技术公开了一种产品销量预测方法及系统，方法包括：获取产品历史销量数据；调用不同的预测算法，并将预测值与部分历史销量数据比较，计算出均方根误差RMSE；挑选均方根误差RMSE最小的值作为结果。本发明专利技术通过使用多种算法进行预测，可以兼顾不同销量变化特性的产品，例如季节性需求和零星需求；取拟合度最优的算法作为最终预测值，可以提高预测的准确性；采用计算机程序进行预测，可大幅减少库存维护的人工工作量，进而提高运营效率并降低成本。本。本。

【技术实现步骤摘要】
一种产品销量预测方法及系统


[0001]本专利技术涉及数据处理
，尤其涉及一种产品销量预测方法及系统。

技术介绍

[0002]在MRO工业品采购场景中，客户需求会随其生产情况，季节，消费者需求等多方面因素影响，并且采购产品具有品类多，不同品类数量差异大的特点。为及时满足客户需求，供应商需要建设仓库，提前储备各种产品，但随之而来的问题是如何高效的通过补货来保持健康的库存水平。现有方式是销售计划专员依据客户提供的需求预测，以及以往的销量数据做出大致估算；这种依赖于个人经验的方式存在以下问题：(1)难以保证预测的准确性；(2)人工预测需求效率低；(3)预测难度大。最终使得库存水平较高，或者无法及时满足客户需求，导致了服务质量的降低并且拉高了整体运营成本。

技术实现思路

[0003]有鉴于现有技术的上述缺陷，本专利技术所要解决的技术问题是提供一种产品销量预测方法及系统，以提高销量预测的准确性和效率。
[0004]为实现上述目的，本专利技术提供了一种产品销量预测方法，包括：
[0005]获取产品历史销量数据；
[0006]调用不同的预测算法，并将预测值与部分历史销量数据比较，计算出均方根误差RMSE；
[0007]挑选均方根误差RMSE最小的值作为结果。
[0008]进一步的，所述调用不同的预测算法，包括：差分整合移动平均自回归模型ARIMA、Croston方法、Holt
‑
Winters方法、移动平均MA，其中Holt
‑
Winters方法分为加法模型和乘法模型。
[0009]进一步的，所述调用不同的预测算法，并将预测值与部分历史销量数据比较，计算出均方根误差RMSE的步骤，包括：
[0010]将历史销量数据按照时间段划分为两部分，调用算法并使用第一部分参与计算，得到预测结果，并使预测结果的时间范围与第二部分的时间范围相同；
[0011]使用上述预测结果及第二部分销量数据计算RMSE。
[0012]进一步的，挑选RMSE最小的值作为结果的步骤包括：针对同一产品，分别使用上述不同的预测算法计算出预测值和RMSE，然后取RMSE值最小的一种算法作为该产品的销量预测值。
[0013]进一步的，所述均方根误差RMSE的计算步骤为：
[0014][0015]其中，为销量预测值；y
i
为对应月份的历史销量；n为时间跨度。
[0016]进一步的，所述挑选均方根误差RMSE最小的值作为结果具体为：通过将每种算法的预测结果存储到数据库，再通过SQL结构化查询语言将各个结果进行聚合，并挑选RMSE最小的值作为结果。
[0017]本专利技术还提供一种产品销量预测系统，包括：
[0018]数据获取模块，用于获取产品历史销量数据；
[0019]数据计算模块，用于调用不同的预测算法，并将预测值与部分历史销量数据比较，计算出均方根误差RMSE；
[0020]数据输出模块，用于挑选均方根误差RMSE最小的值作为结果。
[0021]本专利技术的有益效果是：
[0022]本专利技术通过使用多种算法进行预测，可以兼顾不同销量变化特性的产品，例如季节性需求和零星需求；取拟合度最优的算法作为最终预测值，可以提高预测的准确性；采用计算机程序进行预测，可大幅减少库存维护的人工工作量，进而提高运营效率并降低成本。
[0023]以下将结合附图对本专利技术的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本专利技术的目的、特征和效果。
附图说明
[0024]图1是本专利技术实施例的销量预测方法流程示意图；
[0025]图2是本专利技术实施例的销量预测方法的功能模块示意图。
具体实施方式
[0026]图1是本专利技术实施例的销量预测方法流程示意图。如图1所示，本专利技术实施例的销量预测方法，主要包括以下步骤：
[0027]步骤S1：获取产品历史销量数据；表1为一实施例的历史销量数据，展示了部分商品最近12个月的历史销量。
[0028]表1历史销量数据
[0029][0030]步骤S2：调用不同的预测算法，并将预测值与部分历史销量数据比较，计算出均方根误差(RMSE)。RMSE的计算方式为：将历史销量数据按照时间段划分为两部分(比如第一部分为按照自然月的12个月前至9个月前的历史销量数据，第二部分为最近的3个月的历史销量数据)，调用算法并使用第一部分参与计算，得到预测结果，并使预测结果的时间范围与第二部分的时间范围相同(比如使用12个月前至9个月前的历史销量数据预测出最近3个月
的销量)；
[0031]使用上述预测结果及第二部分销量数据计算RMSE；其计算方法为：
[0032][0033]其中，为销量预测值；y
i
为对应月份的历史销量；n为时间跨度(比如，比较最近3个月的销量预测值与真实销量，则n＝3)。
[0034]步骤S3：通过将每种算法的预测结果存储到数据库(如MySQL)，再通过SQL结构化查询语言将各个结果进行聚合，并挑选RMSE最小的值作为结果，该步骤为计算机程序定时自动运行。
[0035]图2是本专利技术实施例的销量预测方法的功能模块示意图。主要包括：
[0036]模块S21(ARIMA模型)：差分整合移动平均自回归模型。其计算公式为：
[0037][0038]其中，p为自回归项数，q为滑动平均项数，d为使之成为平稳序列所做的差分次数(阶数)，L是滞后算子。ARIMA模型对于季节性，周期性变化较弱的商品销量预测效果较好。
[0039]模块S22(Croston方法)：其计算公式为：
[0040][0041][0042][0043]其中，根据原始的时间序列构造两个新的序列，并指出哪些时间段包含零值以及哪些时间段包含非零值。设qi为第i个非零值，ai为qi
‑
1与qi之间的时间间隔。Croston方法对两个新序列a和q分别进行简单的指数平滑预测。q为历史销量，a为间隔时间。对时间T+h对应的h步预测由上述q与a的比率给出。Croston方法更适合对零星的，间歇性的需求进行预测。
[0044]模块S23(Holt
‑
Winters方法(加法模块))，其计算公式为：
[0045][0046]l
t
＝α(y
t
‑
s
t
‑
m
)+(1
‑
α)(l
t
‑1+b
t
‑1)
[0047]b
t
＝β*(l
t
‑
l
t
‑1)+(1
‑
β
*
)b
t
‑1[0048]s
t
＝γ(y
t
‑
l
t
‑1‑
b
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种产品销量预测方法，其特征在于，包括：获取产品历史销量数据；调用不同的预测算法，并将预测值与部分历史销量数据比较，计算出均方根误差RMSE；挑选均方根误差RMSE最小的值作为结果。2.如权利要求1所述的一种产品销量预测方法，其特征在于：所述调用不同的预测算法，包括：差分整合移动平均自回归模型ARIMA、Croston方法、Holt
‑
Winters方法、移动平均MA，其中Holt
‑
Winters方法为加法模型和乘法模型。3.如权利要求1所述的一种产品销量预测方法，其特征在于，所述调用不同的预测算法，并将预测值与部分历史销量数据比较，计算出均方根误差RMSE的步骤，包括：将历史销量数据按照时间段划分为两部分，调用算法并使用第一部分参与计算，得到预测结果，并使预测结果的时间范围与第二部分的时间范围相同；使用上述预测结果及第二部分销量数据计算RMSE。4.如权利要求1所述的一种...

【专利技术属性】
技术研发人员：叶永清，林永建，平亮，汤婷玉，王成龙，
申请(专利权)人：旷叶互联网技术上海有限公司，
类型：发明
国别省市：