本發(fā)明涉及商品管理，尤其是涉及一種積壓物料相關(guān)物料屬性的查詢和預(yù)測方法。

背景技術(shù)：

商家在采購商品時，往往憑借采購人員的采購經(jīng)驗對商品的種類和數(shù)量進行采購，容易造成緊缺商品的采購不足以及滯銷商品的過度采購，這種采購方式對采購人員的采購經(jīng)驗依賴性大，對采購種類和采購數(shù)量缺乏科學性分析，造成庫存壓力，增加庫存成本[1]。

為了防止貨物積壓和減少貨物積壓投資，對物料庫存的監(jiān)控是必不可少的。傳統(tǒng)的統(tǒng)計方法可以幫助我們建立庫存相關(guān)圖表，直觀地了解物料庫存的整體情況。但由于物料相關(guān)庫存數(shù)據(jù)量激增和屬性復(fù)雜度的提高，僅通過圖表很容易忽略庫存相關(guān)的重要信息。

參考文獻：

[1]zipkinph.foundationsofinventorymanagement[m].newyork:mcgraw-hill,2000.

[2]i.guyonanda.elisseeff,“anintroductiontovariableandfeatureselection,”thejournalofmachinelearningresearch,vol.3,pp.1157–1182,2003.

[3]q.zhou,w.hong,f.yang,andl.luo,“featureselectionofrandomforest-basedproximitymatrixdifference,”journalofhuazhonguniv.ofsci.&tech.:naturalscienceedition,no.4,pp.58–61,2010.

[4]l.breiman,“randomforests,”machinelearning,vol.45,no.1,pp.5–32,2001.

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種積壓物料相關(guān)物料屬性的查詢和預(yù)測方法。

本發(fā)明包括以下步驟：

1)庫齡基本統(tǒng)計分析，利用圖表等形式初步了解特定貨物的庫齡分布基本情況，同時比較當前和歷史庫齡的變化；

2)針對預(yù)測物料是否積壓問題，對相關(guān)物料屬性進行重要性排序；

3)查詢積壓物料，利用屬性重要性排序得出的對造成積壓最相關(guān)的屬性，在該屬性上查詢某個時間范圍的庫存量。

4)預(yù)測積壓物料，通過步驟3)的查詢結(jié)果來預(yù)測積壓物料。

在步驟1)中，所述庫齡基本統(tǒng)計分析的具體方法可為：通過各種直觀圖表形式，按產(chǎn)品、產(chǎn)品類型、公司及其組合計算當期庫齡和庫齡金額結(jié)構(gòu)，來顯示庫齡的基本信息；通過選擇不同的屬性，來查看關(guān)于庫齡數(shù)據(jù)分布情況，包括貨物庫齡、庫齡金額結(jié)構(gòu)、當期庫齡、歷史庫齡比較和庫齡排名等。

在步驟2)中，所述針對預(yù)測物料是否積壓問題，對相關(guān)物料屬性進行重要性排序的具體方法可為：將預(yù)測物料是否積壓問題轉(zhuǎn)化為特征選擇問題，綜合多種特征選擇方法：過濾法和封裝法，來進行相關(guān)物料屬性重要性排序。首先利用過濾法進行特征選擇，從原始特征中獲得候選特征子集。然后利用封裝法進行特征選擇，從上一步中的候選特征子集中確定對于物料積壓與否相關(guān)性大的屬性，并按相關(guān)性進行重要性排序；所述相關(guān)物料屬性包括：上月入庫數(shù)量、上月出庫數(shù)量、上次入庫數(shù)量、上次出庫數(shù)量、上次入庫至今時間(月)、上次出庫至今時間(月)、上次入庫至今時間、上次出庫至今時間(月)、類型、尺寸等；

在步驟3)中，所述查詢積壓物料的具體方法可為：利用屬性重要性排序得出的對造成積壓最相關(guān)的屬性，在該屬性上獲取某個時間范圍的庫存量。

在步驟4)中，所述預(yù)測積壓物料，通過步驟3)的查詢結(jié)果預(yù)測積壓物料的具體方法可為：若在設(shè)置的查詢范圍內(nèi)庫存量為0或者小于一定閾值，則不是積壓物料；若庫存量越過一定閾值，則可能是積壓物料。

本發(fā)明利用特征選擇方法對相關(guān)物料屬性進行排列，從而找到與造成積壓最相關(guān)的物料屬性，然后通過查詢在該屬性上的某個時間查詢范圍的庫存量，來判斷該物料是否是積壓物料，從而降低成本，實現(xiàn)了對商品庫存的精益化管理。

本發(fā)明將預(yù)測物料是否積壓問題轉(zhuǎn)化為特征選擇問題，集成多種特征選擇方法：過濾法和封裝法，進行相關(guān)物料屬性重要性排序[2,3,4]。選取重要性大的屬性進行重點監(jiān)控，將大大降低了庫存監(jiān)管的工作復(fù)雜度和提高了物料庫存積壓的預(yù)判精度。

本發(fā)明的有益效果是：通過判斷該物料是否是積壓物料，降低了庫存監(jiān)管的工作復(fù)雜度和提高了物料庫存積壓的預(yù)判精度，有效防止貨物積壓和減少貨物積壓投資。

具體實施方式

以下實施例對本發(fā)明作進一步的說明。

本發(fā)明提供的一種基于數(shù)據(jù)挖掘技術(shù)的一種積壓物料相關(guān)物料屬性的查詢和預(yù)測方法的流程圖，該方法包括；

步驟一：庫齡基本統(tǒng)計分析。利用圖表等形式初步了解特定貨物的庫齡分布基本情況，同時比較當前和歷史庫齡的變化。

步驟二：將預(yù)測物料是否積壓問題轉(zhuǎn)化為特征選擇問題，綜合多種特征選擇方法：過濾法和封裝法，來進行相關(guān)物料屬性重要性排序。

步驟三：查詢積壓物料。利用屬性重要性排序得出的對造成積壓最相關(guān)的屬性，在該屬性上獲取某個時間范圍的庫存量。

步驟四：預(yù)測積壓物料。通過上一步的查詢結(jié)果來預(yù)測積壓物料。

下面結(jié)合一個具體實施例對本發(fā)明進行具體描述。

庫齡分析主要針對貨物從入庫起在倉庫存放時間和其相關(guān)屬性的分析，其主要目的是防止貨物積壓和減少貨物積壓投資。在本發(fā)明中，一種貨物在一段時間y內(nèi)(例如6個月)庫存量超過x％(例如30％)則定義為在時間t的積壓貨物，其中用戶可以自己設(shè)置x和y。

步驟一：庫齡基本分析。利用圖表等形式初步了解特定貨物的庫齡分布基本情況，同時比較當前和歷史庫齡的變化。

通過各種直觀圖表形式，按產(chǎn)品、產(chǎn)品類型、公司及其組合計算當期庫齡和庫齡金額結(jié)構(gòu)，來顯示庫齡的基本信息。通過選擇不同的屬性，來查看關(guān)于庫齡數(shù)據(jù)分布情況，包括貨物庫齡、庫齡金額結(jié)構(gòu)、當期庫齡、歷史庫齡比較和庫齡排名等。

步驟二：將針對預(yù)測物料是否積壓問題轉(zhuǎn)化為特征選擇問題，集成多種特征選擇方法：過濾法和封裝法，來進行相關(guān)物料屬性重要性排序。

相關(guān)物料屬性包括：上月入庫數(shù)量、上月出庫數(shù)量、上次入庫數(shù)量、上次出庫數(shù)量、上次入庫至今時間(月)、上次出庫至今時間(月)、上次入庫至今時間、上次出庫至今時間(月)、類型、尺寸等。本發(fā)明將針對預(yù)測物料是否積壓問題轉(zhuǎn)化為特征選擇問題，綜合多種特征選擇方法：過濾法和封裝法來進行相關(guān)物料屬性重要性排序。

本發(fā)明假設(shè)對于庫存中的每個物料和每個時間戳，有一個數(shù)據(jù)樣本，(xi，yi)，其中xi表示項目的屬性，yi是標簽。當一個物料發(fā)生積壓時，yi＝1；否則yi＝0。標簽信息可以將整個物料集合x劃分為積壓物料x1和非積壓物料x0。

庫存數(shù)據(jù)具有大量的樣本和屬性。分類算法所需的時間通常隨著特征的數(shù)量而急劇增長。在過濾法的特征選擇模型用作區(qū)分不相關(guān)和冗余特征的過濾器。它通常比封裝法模型計算密集度低。因此，本發(fā)明首先采用過濾模型從原始屬性集合中尋找候選特征子集，以加快庫存時效挖掘的處理。本發(fā)明集成了多種過濾器特性選擇方法，包括信息增益、mrmr和relieff來對屬性進行排序，并允許用戶對其進行配置。

在過濾模型生成候選特征子集之后，使用封裝模型，利用隨機森林相似度矩陣來獲得最終屬性排序結(jié)果。

一般來說，庫存物料具有大量噪聲，并且它們的屬性包含各種類型，例如作為數(shù)字、文本和時間。隨機森林(rf)是一種恰好非常適合于上述特征下的庫存數(shù)據(jù)的集合學習算法。原始隨機森林以out-of-bag(oob)錯誤為指標返回屬性重要性排序。本發(fā)明通過使用更敏感的指標來改進這種方法：樣本相似度矩陣。以相似度內(nèi)核度量，使用樣本間相似度來替代原始的oob錯誤作為屬性重要性排序的標準，命名為randomforestproximity(fs-rfp)。通過對所有樣本的一個特征的值進行隨機重排，利用相似度矩陣的變化來計算特征的重要性分數(shù)。排名靠前的特征具有高的重要性。與隨機森林原始的變量重要性分析相比，本發(fā)明對相關(guān)特征更敏感，產(chǎn)生更小的信息特征集合并保持預(yù)測精度。

本實施例中得出結(jié)論，上次入庫至今時間(月)與上次出庫至今時間(月)這兩個屬性與物料積壓(一年以上庫存金額占比>30％)有著比較強的關(guān)聯(lián)，相關(guān)系數(shù)分別為0.454和0.467，而其它的屬性的相關(guān)系數(shù)都小于0.026。

步驟三：查詢積壓物料。利用屬性重要性排序得出的對造成積壓最相關(guān)的屬性，在該屬性上獲取某個時間范圍的庫存量。

針對上一步得到的重要屬性建立庫存查詢。一個查詢是一組文字的邏輯連接，每個條件篩選對應(yīng)一個屬性。例如：對連續(xù)屬性a，它的查詢對應(yīng)為la<a<ha，其中l(wèi)a和ha分別是屬性a的上限和下限值；對離散屬性b，其查詢對應(yīng)為b＝v。為屬性設(shè)定一個查詢條件，可以獲得符合該條件的新的集合。從而在閾值對應(yīng)的集合中發(fā)掘貨物積壓概率最大的集合。

步驟四：預(yù)測積壓物料，通過上一步的查詢結(jié)果來預(yù)測積壓物料。

通過上一步的查詢結(jié)果來預(yù)測積壓物料，如果在設(shè)置的查詢范圍內(nèi)庫存量為0或者小于一定閾值，則不是積壓物料，如果庫存量越過一定閾值，則可能是積壓物料。如對2011年1月到2月的數(shù)據(jù)分析，本發(fā)明發(fā)現(xiàn)了一些有價值的信息。如屬性“最新入庫時間”和“最新出庫時間”有很強的相關(guān)性，這兩個屬性有利于貨物積壓的預(yù)測。另外，也得到了一些關(guān)于潛在積壓的信息,例如產(chǎn)品a的安全庫齡閾值是4到6個月，如果庫存齡超過這個閾值，該產(chǎn)品很有可能產(chǎn)生貨物積壓。