基于數(shù)據(jù)差分的LSTM 模型庫存商品需求預(yù)測

文/韓志遠(yuǎn)

1.引言

供應(yīng)鏈管理中決策至關(guān)重要，而預(yù)測是決策的前提，準(zhǔn)確的需求預(yù)測可以使企業(yè)降本增效、提高服務(wù)質(zhì)量和客戶滿意度。面對當(dāng)今復(fù)雜的社會環(huán)境以及各種不穩(wěn)定因素的影響，企業(yè)管理者更加需要一種科學(xué)、準(zhǔn)確、有效的預(yù)測方法[1]。因此，研究提出了基于數(shù)據(jù)差分的LSTM 預(yù)測方法，實(shí)驗(yàn)證明，相比于LSTM 網(wǎng)絡(luò)，數(shù)據(jù)差分處理后有更好的預(yù)測精度。

2.時間序列預(yù)測

需求預(yù)測是所有規(guī)劃活動的基礎(chǔ)，準(zhǔn)確的需求預(yù)測可確保適當(dāng)?shù)墓?yīng)鏈管理，并通過防止庫存缺貨提高客戶滿意度，任何領(lǐng)域的企業(yè)之間的激烈競爭使得企業(yè)難以使用傳統(tǒng)的需求預(yù)測方法如指數(shù)平滑、灰色模型等準(zhǔn)確預(yù)測客戶的需求。在供應(yīng)鏈領(lǐng)域，需求預(yù)測問題可以表述為一個時間序列預(yù)測問題[2]。時間序列數(shù)據(jù)本質(zhì)上反映的是某個或者某些隨機(jī)變量隨時間不斷變化的趨勢，而時間序列預(yù)測方法的核心就是從數(shù)據(jù)中挖掘出這種規(guī)律，并利用其對將來的數(shù)據(jù)做出估計。一般來說，時間序列預(yù)測技術(shù)可分為統(tǒng)計和機(jī)器學(xué)習(xí)方法，在深度學(xué)習(xí)方面，人工神經(jīng)網(wǎng)絡(luò)(ANN)、支持向量機(jī)（SVM）[3]、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）等技術(shù)是時間序列預(yù)測模型中常使用的模型。在時間序列預(yù)測模型中，RNN是最常使用的模型，但其易發(fā)生梯度消失或爆炸的問題，克服這一弱點(diǎn)的普遍解決方法是使用LSTM 網(wǎng)絡(luò)，這種網(wǎng)絡(luò)可以利用更長范圍的時間信息且在訓(xùn)練過程中避免了梯度消失和爆炸。本研究通過對數(shù)據(jù)進(jìn)行差分處理，在單層LSTM 網(wǎng)絡(luò)下不同的隱含層神經(jīng)元數(shù)量情況下，均獲得了較非差分處理情況下更穩(wěn)定的訓(xùn)練和預(yù)測結(jié)果。

3.LSTM網(wǎng)絡(luò)

LSTM 作為RNN的擴(kuò)展，二者之間的主要區(qū)別在于，LSTM可以存儲長期的時間依賴信息，并且可以在輸入和輸出數(shù)據(jù)之間進(jìn)行適當(dāng)?shù)挠成鋄4]。LSTM 網(wǎng)絡(luò)結(jié)構(gòu)不同于傳統(tǒng)的感知器結(jié)構(gòu)，其包含輸入門、遺忘門、內(nèi)部狀態(tài)（單元存儲器）和輸出門，具體結(jié)構(gòu)見下圖所示：

圖3.1LSTM 結(jié)構(gòu)

結(jié)構(gòu)中主要的公式如下：

3.1 數(shù)據(jù)差分改進(jìn)的LSTM 網(wǎng)絡(luò)

LSTM 網(wǎng)絡(luò)在預(yù)測時對數(shù)據(jù)差分處理是常用的數(shù)據(jù)處理方法之一，有效的數(shù)據(jù)預(yù)處理可以使不改變模型結(jié)構(gòu)的前提下提高訓(xùn)練和預(yù)測效果。因此，本研究在預(yù)測需求量時先對數(shù)據(jù)進(jìn)行了差分處理，研究所使用的幾種模型預(yù)測均為最后三十天的數(shù)據(jù)。數(shù)據(jù)差分處理的LSTM 網(wǎng)絡(luò)流程如下：

步驟1對原始需求量矩陣并進(jìn)行差分處理：

原始矩陣：[q1，q2，q3，q3，…，qn-2，qn-1，qn]

差分處理：dn=dn+1-dn

差分處理矩陣：[d1，d2，d3，d3，…，dn-3，dn-3，dn-1]

步驟2轉(zhuǎn)化成有監(jiān)督數(shù)據(jù)、進(jìn)行數(shù)據(jù)縮放，范圍為[-1，1]：

有監(jiān)督數(shù)據(jù)形式：[[0，d1]，[d1，d2]，…，[dn-3，dn-2]，[dn-2，dn-1]]

縮放后數(shù)據(jù)形式：[[x1，x2]，[x2，x3]，…，[xn-2，xn-1]，[xn-1，xn]]

步驟3將新構(gòu)建的數(shù)據(jù)矩陣作為輸入進(jìn)行訓(xùn)練和預(yù)測；

步驟4模型訓(xùn)練完成后進(jìn)行測試，最終輸出預(yù)測結(jié)果并進(jìn)行逆縮放和逆差分，最終輸出需求量矩陣，形式為：

y={yn-29，yn-28，yn-27，…，yn}

3.2 評價指標(biāo)

本文對貨品需求進(jìn)行預(yù)測，選取均方誤差（RMSE）和平均絕對百分比誤差（MAPE）作為評價指標(biāo)。RMSE和MAPE的公式如下：

式中：m是樣本個數(shù)；y?i與yi分別是樣本補(bǔ)貨數(shù)量的實(shí)際值和預(yù)測值。RMSE和MAPE越小，代表模型性能越好。

4.實(shí)驗(yàn)分析

4.1 實(shí)驗(yàn)環(huán)境及數(shù)據(jù)介紹

本研究實(shí)驗(yàn)基于Windows 10操作系統(tǒng)，使用python語言進(jìn)行編碼，版本為python3.7。實(shí)驗(yàn)貨品數(shù)據(jù)來源于2021阿里云基礎(chǔ)設(shè)施供應(yīng)鏈大賽，數(shù)據(jù)集使用數(shù)據(jù)中最后30天為測試集，其余為訓(xùn)練集，數(shù)據(jù)集中不存在缺失值。

表4.1 數(shù)據(jù)集描述

4.2 LSTM 參數(shù)設(shè)置

本研究所使用的LSTM 均為單層網(wǎng)絡(luò)，隱含層神經(jīng)元分別有16,32,64,128個，激活函數(shù)為Adam 函數(shù)，batchsize大小為50，訓(xùn)練次數(shù)為50次，每種數(shù)量神經(jīng)元下的網(wǎng)絡(luò)均訓(xùn)練10次，結(jié)果取平均值。

4.3 實(shí)驗(yàn)結(jié)果分析

對兩種LSTM 網(wǎng)絡(luò)進(jìn)行分析對比，兩種網(wǎng)絡(luò)預(yù)測結(jié)果見下圖所示，可以得知，在LSTM 網(wǎng)絡(luò)不改變的前提下，數(shù)據(jù)經(jīng)過差分處理后預(yù)測精度有顯著提升：

表4.2 LSTM 網(wǎng)絡(luò)不同數(shù)量神經(jīng)元結(jié)果對比

表4.3 RoLSTM 網(wǎng)絡(luò)不同數(shù)量神經(jīng)元結(jié)果對比

隨著神經(jīng)元數(shù)量的增加，單次預(yù)測效果有些許提升，但偶爾出現(xiàn)的異常結(jié)果也會特別異常，這使得在多次訓(xùn)練下，LSTM 網(wǎng)絡(luò)并沒有隨著隱含層神經(jīng)元數(shù)量的增加而提升訓(xùn)練和預(yù)測效果，多個數(shù)據(jù)集的測試充分顯示了單層LSTM 在數(shù)據(jù)只做歸一化處理下的不穩(wěn)定狀況。

5.結(jié)論

面對復(fù)雜的市場需求，有效預(yù)測極其重要，研究提出了數(shù)據(jù)差分的LSTM 網(wǎng)絡(luò)預(yù)測的方法，通過實(shí)驗(yàn)分析，主要有以下結(jié)論：LSTM 在不改變網(wǎng)絡(luò)結(jié)構(gòu)的同時，通過將原始輸入進(jìn)行差分處理，使得網(wǎng)絡(luò)提升了訓(xùn)練效果，且減少了隱含層神經(jīng)元數(shù)量變化造成的影響。面對傳統(tǒng)預(yù)測方法已逐漸不適用的趨勢，深度學(xué)習(xí)的方法展示出了良好的適用性。面對庫存需求數(shù)據(jù)，較為簡單的數(shù)據(jù)處理和預(yù)測方法就能獲得較好效果，研究認(rèn)為，深度學(xué)習(xí)預(yù)測方法將會在供應(yīng)鏈管理和物流領(lǐng)域有著更為廣泛的應(yīng)用。

引用出處

[1]鄭宇.數(shù)據(jù)驅(qū)動下基于深度學(xué)習(xí)的電商物流服務(wù)質(zhì)量監(jiān)測研究[D].重慶交通大學(xué),2021.

[2]冉葉子.基于深度學(xué)習(xí)模型的貴州省物流需求預(yù)測[J].物流工程與管理,2021,43(06):19-20+18.

[3]于凱麗.基于支持向量機(jī)的區(qū)域物流需求預(yù)測研究[J].中國經(jīng)貿(mào)導(dǎo)刊,2022(05):85-87.

[4]冉茂亮,陳彥如,楊新彪.基于EEMD-LMD-LSTM-LEC深度學(xué)習(xí)模型的短時物流需求預(yù)測[J/OL].控制與決策:1-10[2022-08-19].