文/韓志遠(yuǎn)
供應(yīng)鏈管理中決策至關(guān)重要,而預(yù)測(cè)是決策的前提,準(zhǔn)確的需求預(yù)測(cè)可以使企業(yè)降本增效、提高服務(wù)質(zhì)量和客戶(hù)滿(mǎn)意度。面對(duì)當(dāng)今復(fù)雜的社會(huì)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(cè)方法[1]。因此,研究提出了基于數(shù)據(jù)差分的LSTM 預(yù)測(cè)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(cè)精度。
需求預(yù)測(cè)是所有規(guī)劃活動(dòng)的基礎(chǔ),準(zhǔn)確的需求預(yù)測(cè)可確保適當(dāng)?shù)墓?yīng)鏈管理,并通過(guò)防止庫(kù)存缺貨提高客戶(hù)滿(mǎn)意度,任何領(lǐng)域的企業(yè)之間的激烈競(jìng)爭(zhēng)使得企業(yè)難以使用傳統(tǒng)的需求預(yù)測(cè)方法如指數(shù)平滑、灰色模型等準(zhǔn)確預(yù)測(cè)客戶(hù)的需求。在供應(yīng)鏈領(lǐng)域,需求預(yù)測(cè)問(wèn)題可以表述為一個(gè)時(shí)間序列預(yù)測(cè)問(wèn)題[2]。時(shí)間序列數(shù)據(jù)本質(zhì)上反映的是某個(gè)或者某些隨機(jī)變量隨時(shí)間不斷變化的趨勢(shì),而時(shí)間序列預(yù)測(cè)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(duì)將來(lái)的數(shù)據(jù)做出估計(jì)。一般來(lái)說(shuō),時(shí)間序列預(yù)測(cè)技術(shù)可分為統(tǒng)計(jì)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(shí)間序列預(yù)測(cè)模型中常使用的模型。在時(shí)間序列預(yù)測(cè)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(wèn)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(zhǎng)范圍的時(shí)間信息且在訓(xùn)練過(guò)程中避免了梯度消失和爆炸。本研究通過(guò)對(duì)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(cè)結(jié)果。
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(chǔ)長(zhǎng)期的時(shí)間依賴(lài)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(mén)、遺忘門(mén)、內(nèi)部狀態(tài)(單元存儲(chǔ)器)和輸出門(mén),具體結(jié)構(gòu)見(jiàn)下圖所示:
圖3.1LSTM 結(jié)構(gòu)
結(jié)構(gòu)中主要的公式如下:
LSTM 網(wǎng)絡(luò)在預(yù)測(cè)時(shí)對(duì)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(cè)效果。因此,本研究在預(yù)測(cè)需求量時(shí)先對(duì)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(cè)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(duì)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(cè);
步驟4模型訓(xùn)練完成后進(jìn)行測(cè)試,最終輸出預(yù)測(cè)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}
本文對(duì)貨品需求進(jìn)行預(yù)測(cè),選取均方誤差(RMSE)和平均絕對(duì)百分比誤差(MAPE)作為評(píng)價(jià)指標(biāo)。RMSE和MAPE的公式如下:
式中:m是樣本個(gè)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(cè)值。RMSE和MAPE越小,代表模型性能越好。
本研究實(shí)驗(yàn)基于Windows 10操作系統(tǒng),使用python語(yǔ)言進(jìn)行編碼,版本為python3.7。實(shí)驗(yàn)貨品數(shù)據(jù)來(lái)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(cè)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
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(gè),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。
對(duì)兩種LSTM 網(wǎng)絡(luò)進(jìn)行分析對(duì)比,兩種網(wǎng)絡(luò)預(yù)測(cè)結(jié)果見(jiàn)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(guò)差分處理后預(yù)測(cè)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(duì)比
表4.3 RoLSTM 網(wǎng)絡(luò)不同數(shù)量神經(jīng)元結(jié)果對(duì)比
隨著神經(jīng)元數(shù)量的增加,單次預(yù)測(cè)效果有些許提升,但偶爾出現(xiàn)的異常結(jié)果也會(huì)特別異常,這使得在多次訓(xùn)練下,LSTM 網(wǎng)絡(luò)并沒(méi)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(cè)效果,多個(gè)數(shù)據(jù)集的測(cè)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。
面對(duì)復(fù)雜的市場(chǎng)需求,有效預(yù)測(cè)極其重要,研究提出了數(shù)據(jù)差分的LSTM 網(wǎng)絡(luò)預(yù)測(cè)的方法,通過(guò)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(shí),通過(guò)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(duì)傳統(tǒng)預(yù)測(cè)方法已逐漸不適用的趨勢(shì),深度學(xué)習(xí)的方法展示出了良好的適用性。面對(duì)庫(kù)存需求數(shù)據(jù),較為簡(jiǎn)單的數(shù)據(jù)處理和預(yù)測(cè)方法就能獲得較好效果,研究認(rèn)為,深度學(xué)習(xí)預(yù)測(cè)方法將會(huì)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(dòng)下基于深度學(xué)習(xí)的電商物流服務(wù)質(zhì)量監(jiān)測(cè)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(cè)[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(cè)研究[J].中國(guó)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(shí)物流需求預(yù)測(cè)[J/OL].控制與決策:1-10[2022-08-19].