一种基于大数据分析的服装库存动态预测方法及系统与流程

摘要: 本发明涉及服装零售库存管理,尤其涉及一种基于大数据分析的服装库存动态预测方法及系统。背景技术:1、随着服装零售行业数字化程度不断提高,门店、仓储、电商平台以及供...
一种基于大数据分析的服装库存动态预测方法及系统与流程

本发明涉及服装零售库存管理,尤其涉及一种基于大数据分析的服装库存动态预测方法及系统。

背景技术:

1、随着服装零售行业数字化程度不断提高,门店、仓储、电商平台以及供应链系统中积累了大量与库存和销售相关的业务数据,利用大数据分析技术对服装库存进行动态预测,已经成为提升补货效率、降低积压风险和减少缺货损失的重要技术手段。现有技术中,通常通过采集销售数据、库存数据、商品属性数据、促销数据以及外部环境数据,采用移动平均、指数平滑、回归分析、时间序列模型或者机器学习模型,对未来一段时间内的商品销量或库存变化趋势进行预测,并据此生成补货建议或库存预警结果。

2、然而,服装商品与一般标准化商品相比,具有明显的款式、颜色、尺码组合特征,不同色码之间存在较强的替代购买关系,特别是在门店缺货、断码或者可售时长不足的情况下,消费者往往会转向同款其他颜色或其他尺码商品,导致实际观测销量不能真实反映原始需求。现有技术大多直接以历史销量作为预测依据,缺少对缺货截断需求、替代吸收需求以及可售暴露不足情形的有效区分,容易造成需求标签失真,进而降低预测结果的准确性。

3、因此,如何提供一种基于大数据分析的服装库存动态预测方法及系统是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出一种基于大数据分析的服装库存动态预测方法及系统,本发明通过色码族需求迁移修正、tweedie回归分布预测、dunn-smyth残差校准及lugannani-rice尾部风险计算,实现对服装库存需求与缺货风险的动态预测,提升库存调控的准确性和时效性。

2、根据本发明实施例的一种基于大数据分析的服装库存动态预测方法,包括如下步骤:

3、获取服装零售业务中的多源库存数据,并进行标准化处理,形成基础数据集;

4、基于基础数据集构建目标服装库存预测单元,并根据同款服装在不同色码维度下的对应关系构建色码族样本集合;

5、依据目标服装库存预测单元进行可售状态识别和销量观测,得到状态识别结果和销量观测结果;

6、通过状态识别结果和色码族样本集合构建色码族需求迁移代价矩阵,采用非平衡最优传输方法处理色码族需求迁移代价矩阵,得到潜在需求修正量;

7、基于销量观测结果和潜在需求修正量,得到修正需求标签,并建立tweedie回归预测映射关系,得到需求预测分布;

8、按照需求预测分布计算dunn-smyth随机分位残差,并根据dunn-smyth随机分位残差对修正需求标签和tweedie回归预测映射关系进行校准,得到校准预测映射关系;

9、基于校准预测映射关系得到累计需求预测分布,依据lugannani-rice鞍点近似方法处理累计需求预测分布,得到缺货尾部概率,并根据缺货尾部概率生成库存动态预测结果。

10、可选的,所述基础数据集的得到具体包括:

11、按照统一采集周期获取服装零售业务中的原始库存关联数据,对原始库存关联数据设置数据记录标识、业务时间标识和服装库存预测单元关联标识,得到原始库存关联数据集;

12、对原始库存关联数据集进行数据对齐和数据清洗处理,得到对齐清洗数据集;

13、对对齐清洗数据集进行字段标准化和记录整编处理,形成基础数据集。

14、可选的,所述色码族样本集合与目标服装库存预测单元的得到具体包括:

15、读取基础数据集,按照服装库存预测单元关联标识对归属于同一预测对象的基础数据进行归并,按照统一采集周期对完成归并的基础数据进行时间整编,形成目标服装库存预测单元;

16、提取目标服装库存预测单元对应的款式标识、颜色标识和尺码标识,在基础数据集中检索满足色码关联条件的目标服装库存预测单元,并按照统一采集周期进行配对整理,形成色码关联记录;

17、对色码关联记录执行色码对应关系识别处理,按照色码关联条件确定目标服装库存预测单元与色码关联记录之间的对应关系,得到色码对应关系,并与目标服装库存预测单元和色码关联记录进行组合记录,形成色码族样本集合。

18、可选的,所述状态识别结果和销量观测结果的得到具体包括:

19、读取目标服装库存预测单元在统一采集周期内对应的状态观测参数,基于状态观测参数确定可售状态参数;

20、基于可售状态参数执行可售状态识别,输出缺货状态、可售暴露不足状态和正常可售状态,并组合形成状态识别结果;

21、基于目标服装库存预测单元,在统一采集周期内对状态观测参数中对应的销售数量执行销量观测,形成销量观测结果。

22、可选的,所述潜在需求修正量的得到具体包括:

23、读取目标服装库存预测单元和对应的状态识别结果和销量观测结果,依据状态识别结果确定状态调节系数,得到可迁移需求量集合;

24、基于色码关联条件,结合目标服装库存预测单元与色码关联记录之间的颜色替代方向关系、尺码替代方向关系和缺货影响区间重合关系,确定各色码关联记录对应的需求迁移方向和需求迁移代价值,同时将各色码关联记录对应的需求迁移代价值进行排列,形成色码族需求迁移代价矩阵;

25、基于可迁移需求量集合和色码族需求迁移代价矩阵,采用非平衡最优传输方法,将任意两个色码关联记录之间的候选需求迁移量与对应的需求迁移代价值相乘后进行累加,得到迁移代价项,将候选需求迁移量矩阵各行元素之和与可迁移需求量集合之间的边际偏差作为第一边际约束项,将候选需求迁移量矩阵各列元素之和与可迁移需求量集合之间的边际偏差作为第二边际约束项,将迁移代价项、第一边际约束项和第二边际约束项进行联合优化,并在候选需求迁移量非负的约束下求解最优迁移结果,得到需求迁移矩阵;

26、从需求迁移矩阵中提取流入目标服装库存预测单元的全部需求迁移量并进行累加,得到流入需求总量,从需求迁移矩阵中提取自目标服装库存预测单元流出的全部需求迁移量并进行累加,得到流出需求总量,将流入需求总量与流出需求总量的差值,作为潜在需求修正量。

27、可选的,所述需求预测分布的得到具体包括:

28、将目标服装库存预测单元对应的销量观测结果与潜在需求修正量按照统一采集周期进行一一对应匹配,对完成匹配的销量观测结果与潜在需求修正量执行合并处理,将合并后的非负需求量确定为修正需求标签;

29、将基础数据集中与修正需求标签对应的基础数据,按照字段顺序与时间顺序进行排列整编,形成预测输入数据;

30、将修正需求标签作为需求输出量,将预测输入数据作为需求输入量,采用对数链接方式执行tweedie回归拟合,生成目标服装库存预测单元对应的需求预测分布,所述tweedie回归拟合是指以目标服装库存预测单元对应的修正需求标签作为需求响应值,以与修正需求标签对应的预测输入数据作为需求解释变量,在对数链接函数约束下,对目标服装库存预测单元的拟合参数进行联合参数估计的拟合过程,所述拟合参数包括需求均值、离散参数、方差幂参数和回归系数。

31、可选的,所述校准预测映射关系的得到具体包括:

32、在需求预测分布中确定修正需求标签之前的累计概率位置和对应的累计概率位置,在两个累计概率位置之间生成随机分位值,将随机分位值输入标准正态分布反分布函数,得到与随机分位值对应的标准正态分位点数值,并确定为dunn-smyth随机分位残差;

33、基于dunn-smyth随机分位残差和修正需求标签执行样本校准识别,设定伪零样本判定阈值、冲击样本判定阈值和漂移样本判定阈值,将修正需求标签为零且dunn-smyth随机分位残差低于伪零样本判定阈值的目标服装库存预测单元识别为伪零样本,并将修正需求标签向需求预测分布对应的需求均值方向进行补偿修正,形成校准需求标签,同时将dunn-smyth随机分位残差高于冲击样本判定阈值的目标服装库存预测单元识别为冲击样本,并依据dunn-smyth随机分位残差偏离冲击样本判定阈值的程度确定冲击校准权重,并将连续统一采集周期内dunn-smyth随机分位残差绝对值持续高于漂移样本判定阈值的目标服装库存预测单元识别为漂移样本,并依据连续统一采集周期内dunn-smyth随机分位残差绝对值的平均偏离程度确定漂移校准权重;

34、将冲击校准权重与漂移校准权重进行组合,形成综合校准权重,同时对校准需求标签、预测输入数据和综合校准权重执行tweedie回归拟合,对tweedie回归预测映射关系中的拟合参数执行迭代更新,在目标似然收敛后建立校准预测映射关系。

35、可选的,所述库存动态预测结果的得到具体包括:

36、按照统一采集周期的时间顺序,从补货提前期起始时刻开始逐周期累加,构建累计需求窗口组,并针对累计需求窗口组中的每一累计需求窗口整编对应的累计需求预测分布,形成累计需求预测分布组;

37、读取目标服装库存预测单元对应的即时库存数量、锁定库存数量、在途库存数量和在途到货时点,将即时库存数量减去锁定库存数量后的可用库存量与各在途到货时点对应的可释放在途库存量进行分段叠加,构建库存承载轨迹,并依据各累计需求窗口对应的累计需求预测分布和库存承载轨迹,确定窗口风险比,将窗口风险比最大的累计需求窗口确定为主导缺货窗口;

38、提取主导缺货窗口对应的累计需求预测分布和库存承载轨迹阈值,基于所述累计需求预测分布构建累计需求累积生成函数,对累计需求累积生成函数关于自变量的一阶导数进行求取,并令一阶导数等于库存承载轨迹阈值,建立鞍点方程,采用lugannani-rice鞍点近似方法对鞍点方程进行求解,得到鞍点估计值,同时根据鞍点估计值、累计需求累积生成函数在鞍点估计值处的一阶导数和二阶导数,确定lugannani-rice鞍点近似中的主近似项和修正近似项,并基于主近似项和修正近似项计算累计需求量超过库存承载轨迹阈值的尾部概率,将尾部概率确定为目标服装库存预测单元对应的缺货尾部概率;

39、将缺货尾部概率与风险分级阈值进行比较,确定目标服装库存预测单元对应的缺货风险等级,并生成目标服装库存预测单元对应的库存动态预测结果。

40、根据本发明实施例的一种基于大数据分析的服装库存动态预测系统,包括:

41、多源数据处理模块,用于获取服装零售业务中的多源库存数据,并进行标准化处理,形成基础数据集;

42、预测单元构建模块,用于基于基础数据集构建目标服装库存预测单元,并根据同款服装在不同色码维度下的对应关系构建色码族样本集合;

43、状态识别观测模块,用于依据目标服装库存预测单元进行可售状态识别和销量观测,得到状态识别结果和销量观测结果;

44、需求迁移修正模块,用于通过状态识别结果和色码族样本集合构建色码族需求迁移代价矩阵,采用非平衡最优传输方法处理色码族需求迁移代价矩阵,得到潜在需求修正量;

45、需求分布预测模块,用于基于销量观测结果和潜在需求修正量,得到修正需求标签,并建立tweedie回归预测映射关系,得到需求预测分布;

46、残差校准优化模块,用于按照需求预测分布计算dunn-smyth随机分位残差,并根据dunn-smyth随机分位残差对修正需求标签和tweedie回归预测映射关系进行校准,得到校准预测映射关系;

47、风险决策输出模块,用于基于校准预测映射关系得到累计需求预测分布,依据lugannani-rice鞍点近似方法处理累计需求预测分布,得到缺货尾部概率,并根据缺货尾部概率生成库存动态预测结果。

48、本发明的有益效果是:

49、本发明通过构建目标服装库存预测单元和色码族样本集合,并结合状态识别结果构建色码族需求迁移代价矩阵,利用非平衡最优传输方法对缺货、断码以及可售暴露不足场景下被同款不同色码商品替代吸收的需求进行回流修正,从而能够更加真实地恢复目标服装库存预测单元的潜在需求,减少仅以历史销量作为需求依据所造成的低估偏差。

50、本发明基于修正需求标签建立tweedie回归预测映射关系,能够对服装商品大量零销量、低频销量与非零连续波动并存的需求数据进行统一建模,提升长尾商品、低频色码组合以及复杂销售波动场景下的需求预测精度。

51、本发明通过计算dunn-smyth随机分位残差,对修正需求标签和tweedie回归预测映射关系进行进一步校准,能够有效识别伪零样本、异常冲击样本以及分布漂移情形,降低需求预测分布与真实业务分布之间的偏离程度,增强预测结果的稳定性和鲁棒性。

52、本发明基于校准预测映射关系得到累计需求预测分布,并结合lugannani-rice鞍点近似方法对补货提前期内的缺货尾部概率进行求解,不仅能够输出需求预测结果,还能够输出缺货风险等级和库存动态预测结果,从而使库存调控由单纯均值判断提升为面向尾部风险的动态决策判断。