第5章

智能存貨管理xx老師本章內(nèi)容5.1存貨管理辦法5.2存貨需求量預(yù)測5.3智能存貨采購決策機(jī)器學(xué)習(xí)平臺(tái)網(wǎng)址

01存貨管理方法5.1.1傳統(tǒng)的存貨管理方法5.1.2存貨管理的智能化實(shí)現(xiàn)思路5.1.1傳統(tǒng)的存貨管理方法經(jīng)濟(jì)訂貨批量(economicorderquantity)也稱最優(yōu)訂購批量，既能夠滿足生產(chǎn)經(jīng)營需要，又能使存貨成本達(dá)到最低的一次采購數(shù)量。經(jīng)濟(jì)訂貨批量控制A類庫存--特別重要、B類庫存--一般重要、C類庫存--不太重要ABC重點(diǎn)控制法存貨成本=訂貨成本+儲(chǔ)存成本+預(yù)期缺貨成本不確定條件下的存貨管理5.1.2存貨管理的智能化實(shí)現(xiàn)思路智能存貨管理框架5.1.2存貨管理的智能化實(shí)現(xiàn)思路智能存貨管理的操作流程02存貨需求量預(yù)測5.2.1實(shí)訓(xùn)任務(wù)要求與特點(diǎn)5.2.2時(shí)間序列預(yù)測方法5.2.3基于ARIMA的存貨需求量預(yù)測5.2.4基于LSTM的存貨需求量預(yù)測5.2.5不同時(shí)間序列模型的效果比較5.2.1實(shí)訓(xùn)任務(wù)要求與特點(diǎn)案例內(nèi)容：問題原因解決方案①領(lǐng)多了，浪費(fèi)，占用資金；領(lǐng)少了，影響日常運(yùn)營②耗材沒有分類管理③耗材預(yù)測不準(zhǔn)①建立一個(gè)智能存貨管理系統(tǒng)，科學(xué)預(yù)測消耗量②耗材分類管理，如按照價(jià)值、數(shù)量、功能等劃分③考慮余量，安全庫存①耗材領(lǐng)用沒有科學(xué)的數(shù)據(jù)支撐②存貨沒有嚴(yán)格的管理制度③預(yù)測方法落后5.2.1實(shí)訓(xùn)任務(wù)要求與特點(diǎn)5.2.1實(shí)訓(xùn)任務(wù)要求與特點(diǎn)為了簡化數(shù)據(jù)處理過程，本次任務(wù)僅使用25種存貨的相關(guān)數(shù)據(jù)進(jìn)行需求預(yù)測，下表展示了所選物料的九宮格分布：數(shù)智時(shí)代預(yù)測方法分析歷史數(shù)據(jù)，基于機(jī)器學(xué)習(xí)構(gòu)建模型，從數(shù)據(jù)中發(fā)現(xiàn)規(guī)律，捕捉包含趨勢變化情況沒有考慮趨勢變化等情況，如季節(jié)、環(huán)境等波動(dòng)因素傳統(tǒng)預(yù)測方法移動(dòng)平均法指數(shù)平滑法（加權(quán)移動(dòng)平均法）ARIMA時(shí)間序列分析法（自回歸差分移動(dòng)平均模型）LSTM（(LongShort-termMemoryNetworks)

）5.2.2時(shí)間序列預(yù)測方法傳統(tǒng)預(yù)測方法與數(shù)智時(shí)代預(yù)測方法對(duì)比：LSTM(LongShort-termMemoryNetworks)模型LSTM通過引入門控機(jī)制(包括輸入門、遺忘門和輸出門)來控制信息的流動(dòng)，從而能夠有效地捕捉長期依賴關(guān)系，核心結(jié)構(gòu)包括一個(gè)記憶單元（cellstate），它能夠存儲(chǔ)信息并傳遞到下一個(gè)時(shí)間步。5.2.2時(shí)間序列預(yù)測方法LSTM模型5.2.2時(shí)間序列預(yù)測方法在機(jī)器學(xué)習(xí)中，常使用循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)來處理序列數(shù)據(jù)，然而傳統(tǒng)的RNN在處理時(shí)間序列上距離較遠(yuǎn)的節(jié)點(diǎn)時(shí)會(huì)遇到巨大的困難，難以處理長期依賴關(guān)系，常常會(huì)出現(xiàn)梯度消失或梯度膨脹等問題。針對(duì)這一問題，學(xué)者們提出了眾多解決辦法，其中成效最好、應(yīng)用最廣泛的便是LSTM。LSTM引入了輸入門、遺忘門和輸出門，使得自循環(huán)的權(quán)重可以在不同時(shí)刻動(dòng)態(tài)變化，并且允許網(wǎng)絡(luò)忘記當(dāng)前已經(jīng)累積的信息，從而避免梯度消失或梯度膨脹的問題。5.2.2時(shí)間序列預(yù)測方法

5.2.2時(shí)間序列預(yù)測方法

5.2.3基于ARIMA的存貨需求量預(yù)測ARIMA時(shí)間序列模型預(yù)測存貨需求量的技術(shù)流程圖5.2.3基于ARIMA的存貨需求量預(yù)測數(shù)據(jù)導(dǎo)入與處理（1）數(shù)據(jù)導(dǎo)入通過A集團(tuán)數(shù)據(jù)中臺(tái)獲取的存貨需求量存在兩個(gè)問題：一是數(shù)據(jù)中包含部分缺失值；二是不同存貨的需求量的量綱不統(tǒng)一。（2）缺失值填充A集團(tuán)交流發(fā)現(xiàn)，缺失值是由于當(dāng)日未發(fā)生物料領(lǐng)用而導(dǎo)致的，因此用0來填充缺失值。（3）數(shù)據(jù)歸一化處理在本任務(wù)中，標(biāo)準(zhǔn)化處理會(huì)使存貨日消耗量出現(xiàn)負(fù)數(shù)，故而最終采取歸一化的處理方式。值得注意的是，在模型預(yù)測和評(píng)估階段，還需要通過反歸一化處理將結(jié)果轉(zhuǎn)換回正常的數(shù)據(jù)范圍，以便進(jìn)行后續(xù)的結(jié)果分析和解釋。5.2.3基于ARIMA的存貨需求量預(yù)測ARIMA建模過程接下來，我們以“醫(yī)用棉簽”為例來展示存貨需求量的預(yù)測流程。（1）劃分訓(xùn)練集與測試集本任務(wù)采用7:3的比例進(jìn)行數(shù)據(jù)集劃分，選取70%的數(shù)據(jù)為訓(xùn)練集，30%的數(shù)據(jù)為測試集。經(jīng)過數(shù)據(jù)集劃分之后，原先的時(shí)間序列數(shù)據(jù)形成了多個(gè)樣本，每個(gè)樣本都以t–p到t–1日的存貨需求數(shù)據(jù)作為輸入變量（p代表使用過去多少期的觀測值來預(yù)測），并以t日的存貨需求量作為目標(biāo)值。5.2.3基于ARIMA的存貨需求量預(yù)測（2）模型訓(xùn)練在構(gòu)建ARIMA模型時(shí)，需要給模型確定適當(dāng)?shù)碾A數(shù)(p,d,q)，以保證模型對(duì)時(shí)間序列擬合的準(zhǔn)確性。階數(shù)p表示自回歸模型（AR）中包含的過去觀測值的個(gè)數(shù)；階數(shù)越大說明模型對(duì)過去信息的利用越充分，但也容易導(dǎo)致過擬合，即模型對(duì)訓(xùn)練數(shù)據(jù)擬合得很好但對(duì)新數(shù)據(jù)的預(yù)測能力較差。階數(shù)d為差分階數(shù)，如果一個(gè)時(shí)間序列是非平穩(wěn)的，可以通過差分來消除其趨勢和季節(jié)性成分，使時(shí)間序列數(shù)據(jù)變得平穩(wěn)。階數(shù)q表示移動(dòng)平均模型（MA）中包含的過去隨機(jī)誤差項(xiàng)的個(gè)數(shù)；階數(shù)越大說明模型對(duì)隨機(jī)誤差的平滑效果越好，但也會(huì)增加模型的復(fù)雜性和計(jì)算量。5.2.3基于ARIMA的存貨需求量預(yù)測另外，時(shí)間序列預(yù)測有“初始考慮趨勢”和“初始不考慮趨勢”兩種假設(shè)。前者假設(shè)時(shí)間序列數(shù)據(jù)存在某種趨勢，例如線性增長、下降或其他復(fù)雜的趨勢模式，可能由市場變化、技術(shù)進(jìn)步、經(jīng)濟(jì)發(fā)展等因素引起。后者假設(shè)時(shí)間序列數(shù)據(jù)沒有明顯的長期增長或下降趨勢，波動(dòng)主要是由隨機(jī)因素和短期因素引起。在機(jī)器學(xué)習(xí)平臺(tái)中，n代表初始不考慮趨勢，c代表初始考慮趨勢。由于醫(yī)用棉簽的日需求量較為平穩(wěn)，可以選擇初始不考慮趨勢。5.2.3基于ARIMA的存貨需求量預(yù)測建模結(jié)果如下圖所示，最優(yōu)參數(shù)選擇函數(shù)對(duì)醫(yī)用棉簽數(shù)據(jù)自動(dòng)選擇了(1,0,1)的階數(shù)組合；代表使用前一期的觀測值來預(yù)測當(dāng)期的存貨需求量，不進(jìn)行差分處理，同時(shí)考慮前一期的誤差。當(dāng)然，若換成其他醫(yī)療物料數(shù)據(jù)，就可能因數(shù)據(jù)特征的變化而得到不同的最優(yōu)階數(shù)組合。5.2.3基于ARIMA的存貨需求量預(yù)測ARIMA模型預(yù)測及結(jié)果評(píng)估（1）樣本預(yù)測采用構(gòu)建好的ARIMA模型對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行模型擬合，便可對(duì)訓(xùn)練集生成每一天的醫(yī)用棉簽需求量的擬合值，并對(duì)測試集生成每一天的醫(yī)用棉簽需求量的預(yù)測值。5.2.3基于ARIMA的存貨需求量預(yù)測（2）模型評(píng)估如圖所示，上述ARIMA模型的各項(xiàng)誤差都很大，而R2與調(diào)整R2的值都很小，這表明模型的擬合效果較差，預(yù)測值與實(shí)際值之間存在較大偏差。鑒于模型的預(yù)測效果較差，財(cái)務(wù)分析人員應(yīng)當(dāng)考慮換用其他功能更強(qiáng)大的機(jī)器學(xué)習(xí)模型來提升預(yù)測效果。5.2.3基于ARIMA的存貨需求量預(yù)測（3）模型預(yù)測效果可視化如圖所示，模型對(duì)測試集中醫(yī)用棉簽的日消耗量的預(yù)測值與真實(shí)值之間存在較大差異，說明ARIMA模型沒有很好地捕捉到醫(yī)用棉簽消耗量的時(shí)間序列規(guī)律。因此，我們換用LSTM模型重新進(jìn)行預(yù)測。5.2.4基于LSTM的存貨需求量預(yù)測相較于ARIMA模型，LSTM模型更擅長處理數(shù)據(jù)之間的長期依賴性以及學(xué)習(xí)數(shù)據(jù)之間的非線性關(guān)系，且LSTM模型具有適應(yīng)多變量輸入的顯著優(yōu)勢，通常能夠更好地捕捉數(shù)據(jù)中的復(fù)雜模式和關(guān)系，因而能提供更準(zhǔn)確的預(yù)測結(jié)果。下圖展示了LSTM預(yù)測的技術(shù)流程。LSTM建模過程（1）劃分訓(xùn)練集與測試集以“日期”作為目標(biāo)，以“醫(yī)用棉簽”作為特征變量，將70%的數(shù)據(jù)劃分為訓(xùn)練集，30%的數(shù)據(jù)劃分為測試集。（2）生成時(shí)間序列滯后數(shù)據(jù)構(gòu)建LSTM模型之前，需要生成時(shí)間序列的滯后數(shù)據(jù)，以供LSTM模型后續(xù)訓(xùn)練使用。生成滯后數(shù)據(jù)是指將時(shí)間序列數(shù)據(jù)中的當(dāng)前觀測值延遲（滯后）若干個(gè)時(shí)間步，作為特征輸入到模型中。滯后數(shù)據(jù)的引入可以有效捕捉時(shí)間序列數(shù)據(jù)的時(shí)序關(guān)系和趨勢，根據(jù)過去若干期的數(shù)據(jù)來預(yù)測未來一期的數(shù)據(jù)。本任務(wù)中，我們將時(shí)間步數(shù)設(shè)置為3，即通過前三天（t-3、t-2和t-1日）的存貨日消耗量數(shù)據(jù)，預(yù)測當(dāng)天（t日）的存貨日消耗量數(shù)據(jù)。5.2.4基于LSTM的存貨需求量預(yù)測5.2.3基于ARIMA的存貨需求量預(yù)測結(jié)合下圖對(duì)LSTM模型的時(shí)間序列滯后機(jī)制進(jìn)行直觀說明。若設(shè)定滯后3期，則每三個(gè)連續(xù)的觀測值構(gòu)成一組特征值（自變量X），而緊隨其后的下一個(gè)觀測值作為目標(biāo)值（因變量y）。通過這種方式，我們?nèi)藶榈貏?chuàng)建了一個(gè)具有滾動(dòng)窗口性質(zhì)的時(shí)間序列數(shù)據(jù)集，不僅能夠確保LSTM模型在訓(xùn)練過程中賦予近期數(shù)據(jù)更高的權(quán)重，從而增強(qiáng)短期記憶和應(yīng)用能力；還能適度關(guān)注長期數(shù)據(jù)，保持其在模型中存在必要的影響，但又通過遺忘機(jī)制適當(dāng)減少其影響。這種設(shè)計(jì)能夠有效地實(shí)現(xiàn)LSTM模型的滯后機(jī)制和學(xué)習(xí)模式，提高模型對(duì)時(shí)間序列數(shù)據(jù)的預(yù)測和分析能力。5.2.3基于ARIMA的存貨需求量預(yù)測5.2.3基于ARIMA的存貨需求量預(yù)測LSTM模型預(yù)測及結(jié)果評(píng)估（1）樣本內(nèi)預(yù)測利用構(gòu)建好的LSTM模型進(jìn)行模型預(yù)測，便可對(duì)訓(xùn)練集生成每一天的醫(yī)用棉簽需求量的擬合值，并對(duì)測試集生成每一天的醫(yī)用棉簽需求量的預(yù)測值。5.2.3基于ARIMA的存貨需求量預(yù)測（2）模型評(píng)估對(duì)于LSTM模型，我們?nèi)钥梢圆捎镁秸`差（MSE）、均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）、決定系數(shù)（R2）等指標(biāo)來評(píng)估其預(yù)測有效性。根據(jù)下圖顯示的結(jié)果，相較于ARIMA模型，LSTM模型的三個(gè)誤差指標(biāo)（MSE、RMSE、MAPE）均明顯減小，而決定系數(shù)R2與調(diào)整后R2均明顯增大。說明LSTM模型在該任務(wù)中的擬合程度和預(yù)測能力較好，可以解釋存貨日需求量數(shù)據(jù)中的長期依賴關(guān)系。5.2.3基于ARIMA的存貨需求量預(yù)測5.2.4基于LSTM的存貨需求量預(yù)測（3）模型預(yù)測效果可視化如圖所示，顯然，模型對(duì)測試集醫(yī)用棉簽日消耗量的預(yù)測值與真實(shí)值的重疊度較高，說明LSTM模型較好地捕捉到了醫(yī)用棉簽日消耗量在時(shí)間序列上的長期變化規(guī)律。經(jīng)嘗試，LSTM模型在對(duì)其他存貨物料的需求量進(jìn)行預(yù)測時(shí)表現(xiàn)也較為理想。這表明，在醫(yī)療物料日消耗量預(yù)測任務(wù)中，LSTM模型是更恰當(dāng)?shù)姆治龉ぞ摺?.2.5不同時(shí)間序列模型效果比較為了更全面地展示不同時(shí)間序列模型的預(yù)測效果差異，我們進(jìn)一步預(yù)測了其他兩種存貨的日需求量。所預(yù)測的三種耗材包括醫(yī)用棉簽、一次性使用帶針輸液器

和植入式心臟起搏電極導(dǎo)線，其需求量級(jí)各不相同。醫(yī)用棉簽需求量在10000-20000個(gè)之間波動(dòng)，一次性使用帶針輸液器需求在1000-2000個(gè)之間波動(dòng)，植入式心臟起搏電極導(dǎo)線需求量在25-50個(gè)之間波動(dòng)。這便于我們比較各類時(shí)間序列模型在預(yù)測不同量級(jí)的存貨需求量時(shí)的效果。參與比較的預(yù)測模型包括四種：移動(dòng)平均法預(yù)測、指數(shù)平滑法預(yù)測、ARIMA模型以及LSTM模型。5.2.5不同時(shí)間序列模型效果比較（1）移動(dòng)平均法右圖展示了移動(dòng)平均法對(duì)三種耗材需求量的預(yù)測結(jié)果。其中，黑色線條代表存貨需求量的實(shí)際數(shù)據(jù)，藍(lán)色線條代表模型對(duì)存貨需求量的擬合值，綠色線條是模型對(duì)未來存貨需求的預(yù)測值。由圖可知，移動(dòng)平均法對(duì)已知數(shù)據(jù)有很好的擬合效果，但對(duì)于未知數(shù)據(jù)的預(yù)測能力卻很弱，僅能預(yù)測短期1-3日內(nèi)的需求量，之后便很快趨于一條直線，不適用于具有季節(jié)性、周期性特征的存貨需求的長期預(yù)測。5.2.5不同時(shí)間序列模型效果比較（2）指數(shù)平滑法右圖展示了指數(shù)平滑法對(duì)三種物料需求量的預(yù)測結(jié)果。與移動(dòng)平均法的預(yù)測效果類似，指數(shù)平滑法同樣只能對(duì)較短期內(nèi)的數(shù)據(jù)進(jìn)行平滑處理并預(yù)測最近幾天的趨勢，無法進(jìn)行較長窗口期內(nèi)的需求預(yù)測。5.2.5不同時(shí)間序列模型效果比較（3）ARIMA模型右圖展示了ARIMA時(shí)間序列分析對(duì)三種物料需求量的預(yù)測結(jié)果。盡管ARIMA的預(yù)測效果通常要好于前兩種傳統(tǒng)時(shí)間序列模型，但本圖顯示ARIMA模型在對(duì)測試集數(shù)據(jù)進(jìn)行預(yù)測時(shí)就已經(jīng)表現(xiàn)不佳，說明其存在過擬合問題，泛化能力較差，對(duì)于未來需求量的預(yù)測能力不如LSTM算法。5.2.5不同時(shí)間序列模型效果比較（5）LSTM模型右圖顯示了LSTM模型對(duì)三種物料的需求量的預(yù)測結(jié)果。其中，黑色線條代表存貨需求量的實(shí)際數(shù)據(jù)，藍(lán)色和紅色線條分別代表模型對(duì)訓(xùn)練集和測試集的預(yù)測值，綠色線條代表對(duì)未來存貨需求量的預(yù)測值。可以看出，測試集中醫(yī)用棉簽與一次性使用帶針輸液器的預(yù)測值和實(shí)際需求量都非常接近；植入式心臟起搏器電極導(dǎo)線的預(yù)測值對(duì)實(shí)際需求量的擬合度稍差，但波動(dòng)性基本一致。這表明，相比傳統(tǒng)時(shí)間序列預(yù)測方法，LSTM模型可以較好地學(xué)習(xí)醫(yī)療存貨需求量的波動(dòng)趨勢。5.2.5不同時(shí)間序列模型效果比較下表進(jìn)一步比較了LSTM模型和ARIMA模型的預(yù)測效果指標(biāo)。LSTM模型對(duì)每種存貨的需求量預(yù)測結(jié)果的均方根誤差和平均絕對(duì)誤差均小于ARIMA模型，進(jìn)一步說明LSTM模型預(yù)測更加準(zhǔn)確。LSTM算法對(duì)醫(yī)用棉簽和一次性使用帶針輸液器的預(yù)測結(jié)果的R2均大于0.5，而ARIMA模型的R2普遍較低，甚至呈現(xiàn)負(fù)值，也說明ARIMA模型不適合被應(yīng)用于醫(yī)療存貨的需求量預(yù)測。03智能存貨采購決策5.3.1計(jì)算安全庫存5.3.2計(jì)算再訂貨點(diǎn)5.3.3計(jì)算經(jīng)濟(jì)訂貨量5.3.1計(jì)算安全庫存存貨每天的需求量通常是隨機(jī)變化的，在預(yù)測出存貨日需求量的情況下，計(jì)算特定時(shí)間段內(nèi)存貨日需求量的均值（μd）和標(biāo)準(zhǔn)差（σd）。01存貨需求量（d）提前期指的是從下訂單到收到貨物所需的時(shí)間，可能是固定的，也可能因?yàn)榘l(fā)貨和運(yùn)輸中的突發(fā)狀況而存在不確定性；在不確定性情況下的均值（μL）和標(biāo)準(zhǔn)差（σL）也很容易根據(jù)歷史信息估算出。02訂貨提前期（L）安全系數(shù)又叫服務(wù)水平系數(shù)，是假設(shè)顧客需求情況呈正態(tài)分布時(shí)企業(yè)希望的對(duì)顧客需求的滿足率（即有貨率）所對(duì)應(yīng)的z值水平。企業(yè)可以根據(jù)自己的顧客需求滿足率目標(biāo)來設(shè)置可接受的安全系數(shù)大小。03安全系數(shù)（z）5.3.1計(jì)算安全庫存

5.3.1計(jì)算安全庫存就A醫(yī)療集團(tuán)的情況而言，該企業(yè)針對(duì)重要性程度不同的存貨設(shè)置了不同的安全系數(shù)。如下表所示，身處九宮格不同位置的存貨有差異化的安全系數(shù)。右下角“金額低、數(shù)量高”的存貨類別安全系數(shù)最高，達(dá)到1.812，左上角“金額高、數(shù)量低”的安全系數(shù)為0。以此來引導(dǎo)企業(yè)更有效地分配資源和注意力、降低存貨管理的整體成本。與此同時(shí)，A醫(yī)療集團(tuán)的歷史供貨資料顯示，“金額低、數(shù)量高”的存貨類別的訂貨提前期基本穩(wěn)定，可以視為常數(shù)。5.3.1計(jì)算安全庫存5.3.1計(jì)算安全庫存

5.3.1計(jì)算安全庫存為了保證生產(chǎn)經(jīng)營活動(dòng)的順利進(jìn)行，企業(yè)必須提前若干天數(shù)購入存貨，提前的天數(shù)就是訂貨提前期。再訂貨點(diǎn)（R）指的是在提前訂貨的情況下，企業(yè)再次發(fā)出采購訂單時(shí)尚有的存貨庫存量。再訂貨點(diǎn)由兩部分構(gòu)成：一是訂貨提前期內(nèi)的存貨需求量，在已經(jīng)實(shí)現(xiàn)對(duì)存貨日需求量的預(yù)