论文部分内容阅读
需求作为牵动企业供应系统的源动力,对上下游节点的商品需求进行预测是供应链上各方成员制定订货策略、库存管理及配送规划等经营决策的基础。并且,当前随着互联网经济的快速发展及工业与互联网的进一步融合,衍生了一系列新的业态,如:C2M(Customer to Manufacturer)、F2C(Factory to Customer)及新零售等,顾客的购买行为更具策略性,由此使得需求的不确定性日趋增大,极大增加了预测客户需求的难度。同时也对企业供应链的敏捷性提出了更高的要求。因此,如何对客户的商品购买实现更为准确的预测,对于供应链运作及管理策略的合理制定具有重要的现实意义。本文在学者们研究的基础上,将非参数理论、顾客需求的波动随机性及时序上的联系有效的结合在一起,对供应链情境下的需求预测模型的构建进行更深入的研究。具体的,本文以供应链上某一特定企业的商品需求预测为建模背景。从数据驱动的角度出发,将商品的销售记录纳入考虑,运用贝叶斯网络等理论知识作为需求预测模型建立的基础。并进一步,考虑在无边信息及有边信息的前提下,如何进行需求预测模型的构建,以期为现实的企业供应链运作提供更为完整的决策参考,同时拓展现有的需求预测理论。首先,在无边信息条件下,即在仅考虑商品的历史需求数据已知的情形下,提出了一个基于多层贝叶斯网络的非参数商品需求预测模型Hiyes。其次,在有边信息条件下,将影响顾客需求的关键因素纳入考虑,提出了一个考虑边信息的多层贝叶斯需求预测模型DFSI。上述两个模型均以贝叶斯推断为理论基础,以最大化后验概率为优化角度,进行模型的优化目标的推导。在模型的求解上,则均基于梯度下降算法进行相应的求解算法的设计。最后,本文通过设计对比实验以验证所提出的两个需求预测模型的有效性及科学性。其中,无边信息条件下的Hiyes模型以Croston、ARIMA、H-NBSS等现有的需求预测模型为参照基准。并且,在6个真实的客户需求数据集上的实验结果显示,与基准算法相比,Hiyes能获得更准确的预测结果。而有边信息条件下的DFSI模型则以Croston、ARIMA、SSpace、H-NBSS及高斯过程为基准算法。并使用京东商城及A制造企业的真实销售数据对所提出的DFSI模型进行检验,结果显示,与常用的需求预测模型相比,DFSI模型能获得更好的预测结果。