CN119338511B 基于深度学习模型的库存优化方法及系统 （深圳市秦丝科技有限公司）

道科技园社区科技路1号桑达科技大本发明提供基于深度学习模型的库存优化将短期和长期特征融合后输入双向长短期记忆2根据所述多维度数据通过图卷积运算得到初始节点特征，基于基于所述销量预测结果，计算安全库存水平，其中所述安全库存对输入的多维度数据进行归一化处理得到归一化特征矩阵，将所述所述自适应邻接矩阵与所述归一化特征矩阵进行图卷积运算得到初对所述初始节点特征提取时间编码信息，将所述时间编码信息与所述基于所述动态时序特征构建节点对之间的特征差异向量，将所述层感知器计算得到节点相似度矩阵，对所述节点相似度矩阵进行softmax归一化得到软聚将所述聚类中心特征与所述动态时序特征进行特征融合得到融将所述门控输出特征分别输入三个独立的线性映射层得到查询矩阵、键矩阵和值矩基于所述时序注意力权重对值矩阵进行加权聚合得到多头注意力3将所述混合特征向量输入所述双向长短期记忆网络的前向网络得到前向隐状态特征，述前向隐状态特征与所述后向隐状态特征进行拼接获得双向基于所述双向隐状态特征构建注意力权重计算单元，所述注意力权别输入所述历史状态映射层与所述当前状态映射层，经过注意力打分得到时序注意力权重；利用所述时序注意力权重对当前时刻双向隐状态特征进行加权求和得到上下文向量，将所述上下文向量与当前时刻的双向隐状态特征进行特征融合得到增将所述增强特征表示输入预测分布生成网络，所述预测分布生成网对预测区间进行自适应调整，基于实际销量与预测均值的偏差程度动基于销量预测序列的预测置信区间上界与预测置信区间下界计算计算所述预测置信区间上界与历史最大预测值之差的第一的较大值与所述预测区间标准差的比值作为需求波动将所述需求波动调整因子与预先获取的敏感度参数的乘积作为动态始安全库存水平与所述动态调整量进行组合得到最构建仓储成本函数，所述仓储成本函数为单位仓储成本所述积压成本函数为单位积压成本与超出预测置信区间上界的库基于各成本函数对总成本的贡献计算权重梯度，根据所述权重梯度与学习率更新权重系4构建状态向量空间，所述状态向量空间包含各品类的安全库存水平以及在途订单量；将所述库存成本函数与经折现因子调整的未来价值函数期望值相加构建动态规划价值函将所述状态转移方程代入所述动态规划价值函数，通过递归方式对获取各品类的资源占用量与可用资源总量构建资源约束条件，获取各品ts分别表示仓储成本函数、缺货成本函数、积压成本函数对应的最终权重系t表示t时刻的库存水平；5第二单元，用于根据所述多维度数据通过图卷积运算得到知器网络生成的动态卷积核对所述初始节点特征进行自适应卷积运算得到动态时序特征，6知器构建软聚类分配矩阵，结合残差连接得到融合空间维度与时间维度的长期依赖特征；7每个数据作为图节点，基于所述归一化特征矩阵计算图节点间相似度构建自适应邻接矩所述初始节点特征进行自适应卷积运算得到动入多层感知器计算得到节点相似度矩阵，对所述节点相似度矩阵进行softmax归一化得到头注意力特征进行残差连接并经过层归一化处理，得到具有长期依赖关系的长期依赖特[0021]将所述混合特征向量输入所述双向长短期记忆网络的前向网络得到前向隐状态特征，将所述混合特征向量输入所述双向长短期记忆网络的后向网络得到后向隐状态特权重；利用所述时序注意力权重对当前时刻双向隐状态特征进行加权求和得到上下文向8[0026]基于销量预测序列的预测置信区间上界与预测置信区间下界计算预测区间标准值中的较大值与所述预测区间标准差的比值作为需求波动述初始安全库存水平与所述动态调整量进行组合得到最终安全库[0030]构建仓储成本函数，所述仓储成本函数为单位仓储成本与当权重系数与对应成本函数的加权组合构建库存成位持有成本计算经济订货批量，在满足所述资源约束条件与所述预算约束条件的前提下，9EIVX1(srx1)l表示t+1时刻价值函数的期望值；(r表示转置；[0052]第二单元，用于根据所述多维度数据通过图神经网络构方法基于经验值或简单统计方法设定安全库存的局限性，能够更精准地确定安全库存水[0062]图1为本发明实施例基于深度学习模型的库存优化方法的流程示意图，如图1所[0064]S102.根据所述多维度数据通过图神经网[0066]在一种可选的实施方式中,根据所述多维度数据通每个数据作为图节点，基于所述归一化特征矩阵计算图节点间相似度构建自适应邻接矩所述初始节点特征进行自适应卷积运算得到动入多层感知器计算得到节点相似度矩阵，对所述节点相似度矩阵进行softmax归一化得到头注意力特征进行残差连接并经过层归一化处理，得到具有长期依赖关系的长期依赖特[0086]2.增强模型的鲁棒性:动态卷积核和自[0088]在一种可选的实施方式中,将所述混合特征[0089]将所述混合特征向量输入所述双向长短期记忆网络的前向网络得到前向隐状态特征，将所述混合特征向量输入所述双向长短期记忆网络的后向网络得到后向隐状态特权重；利用所述时序注意力权重对当前时刻双向隐状态特征进行加权求和得到上下文向的统计分布特征得到销量预测序列；[0098]将增强特征表示输入预测分布生成网络，该网络包含均值预测层和方差预测[24,28],[26,30],[2[0106]基于销量预测序列的预测置信区间上界与预测置信区间下界计算预测区间标准值中的较大值与所述预测区间标准差的比值作为需求波动述初始安全库存水平与所述动态调整量进行组合得到最终安全库安全库存水平可以设定为预测区间标准差*服务水平系数*sqrt(补货提前期/复查周[0121]构建仓储成本函数，所述仓储成本函数为单位仓储成本与当权重系数与对应成本函数的加权组合构建库存成际库存量超过预测置信区间上界的部分。例如，如果单位积压成本为每天每件商品0.2[0135]在一种可选的实施方式中,将所述安位持有成本计算经济订货批量，在满足所述资源约束条件与所述预算约束条件的前提下，补货量是15个单位，补货提前期是2个时期，那么下一时期的库存状态将是10+5_8+[0146]基于每个品类的固定订货成本、平均需求率以及单位持有成本计算经济订货批[0155]其中，表示t时刻状态St下的最优价值函数，At表示t时刻的动作，表示t+1时刻价值函数的期望值；sf表示品类i的最优再订货点，i订货量等于再订货点减