(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210833998.8 (22)申请日 2022.07.14 (71)申请人 西北师范大学 地址 730030 甘肃省兰州市安宁区安宁东 路967号 (72)发明人 田冉　王灏篷　马忠彧　刘颜星　 王楚　王晶霞　李新梅　 (74)专利代理 机构 北京盛凡佳华专利代理事务 所(普通合伙) 11947 专利代理师 蔡浩 (51)Int.Cl. G06Q 10/08(2012.01) G06Q 10/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于MAGRU的物流仓储需求 量预测方法 (57)摘要 物流仓库精益管理为仓库运营提供了重要 依据， 不合理的订货量会影响仓库管理效率， 浪 费运营成本， 造成资源闲置浪费或货物囤积等现 象。 本文针对商品预测准确性率较低提出了一种 基于MAGRU的货物需求量预测方法。 首先， 对原始 序列时间特征编码并嵌入特征向量中。 其次， 在 编码器阶段利用注意力机制和GRU对输入特征进 行提取， 捕获关键序列。 在解码器阶段重复编码 器的过程， 利用注意力机制和GRU提取编码后的 序列特征， 最后， 用仓储需求量数据集训练优化 该模型， 通过指标 RMSE和MA E来评价该模型。 以某 商品需求量数据为例， 在不同参数下进行大量实 验， 验证该模型的有效性。 实验结果表明， MAGRU 与现有方法相比有着更显著的改进。 权利要求书2页 说明书7页 附图4页 CN 115439045 A 2022.12.06 CN 115439045 A 1.一种基于MAGRU的物流仓储需求量预测方法， 包括增加对原数据进行数据嵌入， 自注 意力机制与循环门控 单元的结合， 其特征在于， 首先将商品的日期做数据嵌入， 提取影响需 求量的节假日及季节性特征， 且在编码器阶段利用注意力机制提取输入序列的关键部分， 并利用循环门控单元实现对序列的编 码， 在解码 器阶段再次利用注意力机制捕获编 码器输 出的关键序列， 通过门控循环单元实现对未来需求量的预测， 通过多层注意力机制的作用， 以实现提高预测准确率的目标， 其分解具体步骤 包括下述 步骤： 步骤1： 先确定模型的输入输出， 选择合适的训练数据集， 模型需要输入仓库运营中采 集到的商品需求时序数据， 单条数据可表示为表示 其中D表示日 期， A为商品的各类属性， Q是当日商品的需求量， 从数据集中采集m个样本大小的数据集{x (1),...,x(m)}作为模型的训练样本； 步骤2： 根据商品需求量的时间信息进行日期嵌入， 将每一条商品的日期数据D编码为 年、 月、 周内星期、 是否节日4条属性， 将4条属性嵌入原始商品数据中， 替换原来的日期数 据， 可以将日期嵌入后的数据定义为 这样可以将数据 的时间特 征加以提取， 有效捕获影响需求的日期因素； 步骤3： 数据集预处理， 数据集的组成对本方法的训练过程存在影响， 因此， 对数据集预 处理也是本发明的必要步骤之一， 将原始数据集中的异常数据、 极端 数据删除， 并用后续的 数据填补， 此外还对 数据进行归一化， 本发明采用最大最小归一化， 将数据控制在一定范围 内； 步骤4： 基于训练数据集， 按时间步划分序列并计算序列中各分量注意力权重， 首先， 根 据步骤4.1按照 设定的时间步划分数据集， 其次根据步骤4.2计算注意力权重， 通过对输入 序列权重的提取， 可以找到影响需求的关键序列， 从而给与关键序列更多的注 意力， 提升预 测的准确性； 构建编码器的具体步骤如下： 步骤4.1： 根据时间步划分输入序列， 训练数据集可以表示为{x1,x2,...,xt}， 将一个时 间步下的序列输入注意力层， 计算各分量权 重； 步骤4.2： 根据步骤4.1的一个时间步序列， 计算序列中各分量注意力权重， 计算注意力 的公式为： 将权重压缩在[0,1]且各分量权 重和为1， 计算公式如下： 对序列分配权 重， 使每个分量体现不同的重要性， 我们将这 一时间片下的向量记录为 步骤4.3： 根据步骤4.2输出的向量作为GRU的输入， 通过GRU提取这一段时间片序列的 特征， 首先初始化GRU网络隐藏层状态h， 其次将x ′t作为每个GRU单元的输出， 通过公式 Rt＝σ(XtWxz+ht‑1Whz+bz)；                      (4)权　利　要　求　书 1/2 页 2 CN 115439045 A 2Zt＝σ(XtWxz+ht‑1Whz+bz)；                     (5) 对隐藏层ht的更新后， 记录每一个隐藏层的输 出， 这些隐藏层输 出通过一层全连接神经 网络后输出即为编码器的输出； 步骤5： 构建解码器， 将编码器输出的向量进一步特征提取， 从而对未来的商品需求量 提供更准确的预测； 步骤5.1： 计算基于编码器输出的各隐藏层状态h在解码器 中再一次计算隐藏层状态的 注意力， 注意力计算公式如下： 将初始化解码器状态d， s之后计算编码器输出序列的注意力权重， 并通过softmax层使 序列中各分量权 重和为1， 再将权重与序列中的分量相乘求和， 得到的结果 为驱动向量， 步骤5.2： 通过GRU输出计算预测需求量， 一个时间片内最终可以得到一个驱动向量c， 训练过程中将c与此时间片后续的真实需求值相拼接， 共同作为GRU一个单元的输入， 从第 一个时间片， 到训练集划分的最后一个时间片， 组成的序列中， 每个 分量为一个 GRU的输入， 最终输出 未来需求 量； 步骤5.3： 输出预测需求量， 解码器输出的结果是门控循环单元输出的隐藏层序列， 直 接作为预测结果表达能力有限， 基于此， 本发明在解码 器之后添加两个全连接层， 以实现维 度变换， 提高模型表达能力的目的， 公式 中V,W都是需要不断迭代训练的参数； 表示预测结果， 预测结果可以定义为一个向量， 其大小与预测任务长度一致， 预测未 来 τ 天的需求 量则向量大小为 τ。权　利　要　求　书 2/2 页 3 CN 115439045 A 3