一种基于深度学习的五金配件供应预测方法及系统与流程

1.本发明涉及配件供应技术领域，具体为一种基于深度学习的五金配件供应预测方法及系统。


背景技术：

2.人工智能领域的创新正在深刻地改变着商业和生产领域的各个方面。人工智能的快速演进已经让我们能够从庞大的数据中提取出有价值的信息和洞察，为决策提供更准确和智能的支持。在供应链管理领域，预测供应情况一直是一个关键性的挑战。为了更好地管理库存、采购和生产，基于深度学习技术的预测系统逐渐崭露头角，然而，当涉及五金配件供应预测时，由于其特定的季节性、时间性和供应链变动等因素，传统的预测方法往往无法满足高精度和复杂性的需求。
3.传统的园艺五金配件供应预测方法往往难以捕捉时间序列中的复杂模式和非线性关系，其中修枝剪、剪刀和铲子园艺五金配件，使用简单的统计模型无法准确地预测季节性和节假日特殊情况下的供应变化，此外，对于涉及大量数据和多个影响因素的复杂供应链系统来说，传统方法往往难以进行准确的数据挖掘和分析，这导致库存过剩、缺货，以及资源分配不合理问题。


技术实现要素：

4.针对现有技术的不足，本发明提供了一种基于深度学习的五金配件供应预测方法及系统，解决了背景技术中提到的问题。
5.为实现以上目的，本发明通过以下技术方案予以实现：一种基于深度学习的五金配件供应预测方法及系统，包括信息采集模块、预处理模块、建模训练模块、预测生成模块；所述信息采集模块收集八个月内的各类五金配件销售量以及库存量，以及各类五金配件的采购量，同时对供应商与供应链问卷调查收集销售量和运输订单信息，作为第一数据集；所述预处理模块用于对获取的第一数据集进行预处理，包括异常数据的检测与处理，同时对第一数据集进行特征提取，并从中提取季节性、时间线与供应量相关信息，作为第二数据集；所述建模训练模块用于对获取的第一数据集和第二数据集进行分类和分析，选择相应的算法模型进行训练计算，获取：节假日关联系数、库存趋势系数和供应链趋势系数后，再进行计算获取：预测指数；所述预测指数通过以下公式获取：；
所述节假日关联系数通过所述第一数据集和所述第二数据集计算获取；所述库存趋势系数通过所述第一数据集和所述第二数据集计算后对比获取；所述供应链趋势系数通过所述第一数据集和所述第二数据集计算后对比获取；式中，表示节假日关联系数的权重值，表示历史供应趋势系数的权重值，表示库存趋势系数的权重值，表示供应链趋势系数的权重值，表示修正常数；其中，，，，，其中，；所述预测生成模块通过所述建模训练模块获取的预测指数和预设阈值对比，获取等级供应预测方案，根据方案内容进行对预设模板进行填充后，将展示方案进行具体展示，并且提供简单交互功能。
6.优选的，所述信息采集模块包括虚拟信息采集单元和供应链调查单元；所述虚拟信息采集单元用于根据商家进销管理系统软件获取八个月内的各类五金配件销量，包括日销量和月销量，以及各类五金配件的库存数据，包括现存库存总量、月补货量和平均日销量；所述平均日销量通过以下公式获取：；式中，表示八个月的天数，通过八个月的日销量和八个月的月销量进行计算所述平均日销量，以便增加所述平均日销量的准确率；所述供应链调查单元通过电话调查供应商和供应链，获取最近八个月内的五金配件的销量和运输订单信息，包括销售数量、邮政编码代表的销售地点、运输配件类型数量和配件总数量；所述第一数据集通过所述虚拟信息采集单元和所述供应链调查单元采集获的数据进行集成。
7.优选的，所述预处理模块包括异常检测单元和特征提取单元；所述异常检测单元用于检测和处理采集到的数据中的异常值，并对其做出处理包括去重、删除异常值、修正和验证，以确保数据的准确性；所述特征提取单元用于对所述第一数据集进行特征提取，从中提取节假日、周末和工作日与供应量和销售量的关联关系，包括节假日销售量、周末销售量、和工作日销售量。
8.所述第二数据集包括：节假日销售量、周末销售量、和工作日销售量
；优选的，所述建模训练模块包括算法选择单元和趋势预测单元；所述算法选择单元用于根据所述第一数据集和第二数据集信息，选择合适的算法模型，包括arima模型、sarima模型、prophet模型、随机森林模型和神经网络模型；所述趋势预测单元用于根据确定的算法模型对所述第一数据集和第二数据集进行建立模型，进行分析和训练，以获取：节假日关联系数、历史供应趋势系数、库存趋势系数、供应链趋势系数和预测指数。
9.优选的，所述节假日关联系数通过以下公式获取：；式中，表示节假日销售量的权重值，表示周末销售量，表示工作日销售量的权重值；其中，，，，其中，，表示修正常数；通过节假日关联系数能够得到所述节假日销售量和所述周末销售量与所述工作日销售量销量的差值，通过差值能够得出销售量和普通工作日之间的关联关系，其中，节假日关联系数表示八个月内销售量和普通工作日关联关系较强，节假日关联系数表示八个月内销售量和普通工作日关联关系较弱。
10.优选的，所述库存趋势系数通过以下公式获取：；；式中，代表月份，包括一至八月，通过表示当月库存结余量，通过当月库存结余量减去月销量得到差值，通过八个月差值得到库存趋势系数是增加还是降低；优选的，所述供应链趋势系数通过以下公式获取：；式中，、、和分别表示销售数量、销售地点邮政编码、运输配件类型数量和配件总数量的权重值；其中，，，，，
其中，，表示修正常数；通过邮政编码代表的销售地点的销售数量和当地的供应链获取的运输配件类型数量和配件总数量计算总和，得到供应链趋势系数，当供应链趋势系数时，存在趋势增加情况，当供应链趋势系数时，存在趋势降低的情况。
11.优选的，所述预测指数和预设阈值对比，获取等级供应预测方案：，获取一级供应评价，增加供应量，具体为原供应量的2倍，预测未来配件销量呈持续上升趋势，因此，增加供应以满足预期的销售增长；，获取二级供应评价，少量增加供应量，具体为原供应量的1.4倍，预测未来配件销量保持稳定上涨，基于现有的供应水平增加一定量，稳定提高库存应对；，获取三级供应评价，稳定供应量，具体和原供应量保持一致，预测未来配件销量保持稳定状态；，获取四级供应评价，降低供应量，具体为原供应量的0.8倍，预测未来配件销量会下降，缩少供应以减少库存积压；，获取五级供应评价，停止进货，预测未来配件销量急剧下降，缩减供应量以减少库存积压。
12.优选的，所述预测生成模块包括模板填充单元和可视化单元；所述模板填充单元用于获取的等级供应预测方案的内容信息包括，实际供应数据、销售趋势数据、供应趋势数据和历史数据，对预设的模板进行填充，形成展示方案内容；所述可视化单元用于展示方案内容，进行具体展示，包括柱状图、饼图和折线图，同时展示实际供应相关数据和历史数据，以便比较预测结果和实际情况，并提供简单交互功能用于选择不同的展示方式和具体操作功能。
13.一种基于深度学习的五金配件供应预测方法及系统，包括以下步骤：步骤一：通过采集模块收集各类五金配件销售量以及库存量和对供应商与供应链问卷调查收集销售量和运输订单信息，形成第一数据集；步骤二：通过预处理模块对获取的第一数据集进行预处理，同时提取季节性、时间线与供应链相关特征信息，形成第二数据集；步骤三：通过建模训练模块对第一数据集和第二数据集进行分析，再选择算法模型进行训练计算，获取：节假日关联系数、库存趋势系数和供应链趋势系数后，再进行计算获取：预测指数，通过预测指数和预设阈值对比，获取等级供应预测方案；步骤四：通过预测生成模块对获取的等级供应预测方案内容，对预设展示模板进行填充，再进行展示，同时提供给用户简单的交互功能，便于观察和了解趋势情况。
14.本发明提供了一种基于深度学习的五金配件供应预测方法及系统。具备以下有益效果：（1）系统运行时，通过信息采集模块收集配件进销数据，同时对供应商与供应链收
集销售量和运输订单信息，形成第一数据集，通过预处理模块对获取的第一数据集进行预处理，再从中提取季节性、时间线与供应量相关信息，作为第二数据集，通过建模训练模块对第一和第二数据集进行分析，通过算法模型进行计算获取：节假日关联系数、库存趋势系数和供应链趋势系数后，再进行计算获取：预测指数，通过预测指数和预设阈值对比，获取等级供应预测方案，通过预测生成模块对获取的等级供应预测方案的内容，对预设展示模板进行填充，再进行展示，并且提供给用户简易的交互功能，以便用户观察和了解趋势情况，从而结合等级供应预测方案的内容，对修枝剪、剪刀和铲子园艺五金配件的供应做出具体变化，提高了用户库存利用率，降低了资源分配不合理和库存积压的情况。
15.（2）通过多个等级供应预测方案，能够灵活的应对多种情况，使供应与需求能够更好地匹配，通过根据不同情况制定不同等级的供应方案，优化库存管理、减少过剩和短缺现象，并提高整体供应的效率和稳定性。
16.（3）本方法发明，通过步骤一至步骤四，对配件进销量供应商与供应链进行与订单信息进行收集，形成第一数据集，通过对第一数据集进行预处理，同时提取季节性、时间线与供应链相关特征信息，形成第二数据集，通过对第一数据集和第二数据集进行分析，选择算法模型进行训练计算，获取：节假日关联系数、库存趋势系数和供应链趋势系数后，再进行计算获取：预测指数，通过预测指数和预设阈值对比，获取等级供应预测方案，再通过等级供应预测方案内容，对预设展示模板进行填充，再进行展示，同时提供交互功能，以便用户观察和了解趋势情况，从而对未来的供应量制定计划，提高资源的利用率，降低了库存过剩和短缺的情况。
附图说明
17.图1为本发明一种基于深度学习的五金配件供应预测系统框图流程示意图；图2为本发明一种基于深度学习的五金配件供应预测方法步骤示意图；
具体实施方式
18.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
19.人工智能领域的创新正在深刻地改变着商业和生产领域的各个方面。人工智能的快速演进已经让我们能够从庞大的数据中提取出有价值的信息和洞察，为决策提供更准确和智能的支持。在供应链管理领域，预测供应情况一直是一个关键性的挑战。为了更好地管理库存、采购和生产，基于深度学习技术的预测系统逐渐崭露头角，然而，当涉及五金配件供应预测时，由于其特定的季节性、时间性和供应链变动等因素，传统的预测方法往往无法满足高精度和复杂性的需求。
20.传统的园艺五金配件供应预测方法往往难以捕捉时间序列中的复杂模式和非线性关系，其中修枝剪、剪刀和铲子，使用简单的统计模型无法准确地预测季节性和节假日特
殊情况下的供应变化，此外，对于涉及大量数据和多个影响因素的复杂供应链系统来说，传统方法往往难以进行准确的数据挖掘和分析，这导致库存过剩、缺货，以及资源分配不合理等问题。
21.实施例1：本发明提供一种基于深度学习的五金配件供应预测方法及系统，请参阅图1，包括信息采集模块、预处理模块、建模训练模块、预测生成模块；所述信息采集模块收集八个月内的各类五金配件销售量以及库存量，以及各类五金配件的采购量，同时对供应商与供应链问卷调查收集销售量和运输订单信息，作为第一数据集；所述预处理模块用于对获取的第一数据集进行预处理，包括异常数据的检测与处理，同时对第一数据集进行特征提取，并从中提取季节性、时间线与供应量相关信息，作为第二数据集；所述建模训练模块用于对获取的第一数据集和第二数据集进行分类和分析，选择相应的算法模型进行训练计算，获取：节假日关联系数、库存趋势系数和供应链趋势系数后，再通过节假日关联系数、库存趋势系数和供应链趋势系数进行计算获取：预测指数；所述预测指数通过以下公式获取：；所述节假日关联系数通过所述第一数据集和所述第二数据集计算获取；所述库存趋势系数通过所述第一数据集和所述第二数据集计算后对比获取；所述供应链趋势系数通过所述第一数据集和所述第二数据集计算后对比获取；式中，表示节假日关联系数的权重值，表示历史供应趋势系数的权重值，表示库存趋势系数的权重值，表示供应链趋势系数的权重值，表示修正常数；其中，，，，，其中，；所述预测生成模块通过所述建模训练模块获取的预测指数和预设阈值对比，获取等级供应预测方案，根据方案内容进行对预设模板进行填充后，将展示方案进行具体展示，并且提供简单交互功能。
22.系统运行时，通过信息采集模块收集八个月内的各类五金配件进销数据，同时对供应商与供应链问卷调查收集销售量和运输订单信息，形成第一数据集，通过预处理模块对获取的第一数据集进行预处理，再从中提取季节性、时间线与供应量相关信息，作为第二数据集，通过建模训练模块对第一数据集和第二数据集进行分析，再通过算法模型进行计
算获取：节假日关联系数、库存趋势系数和供应链趋势系数后，再进行计算获取：预测指数，通过预测指数和预设阈值对比，获取等级供应预测方案，通过预测生成模块对获取的等级供应预测方案的内容，对预设展示模板进行填充，再进行展示，并且提供给用户简易的交互功能，以便用户观察和了解趋势情况，从而结合等级供应预测方案的内容，对修枝剪、剪刀和铲子园艺五金配件的供应做出具体变化，提高了用户库存利用率，降低了资源分配不合理和库存积压的情况。
23.实施例2：本实施例是在实施例1中进行的解释说明，请参照图1，具体的：所述信息采集模块包括虚拟信息采集单元和供应链调查单元；所述虚拟信息采集单元用于根据商家进销管理系统软件获取八个月内的各类五金配件销量，包括日销量和月销量，以及各类五金配件的库存数据，包括现存库存总量、月补货量和平均日销量；所述平均日销量通过以下公式获取：；式中，表示八个月的天数，通过八个月的日销量和八个月的月销量进行计算所述平均日销量，以便增加所述平均日销量的准确率；所述供应链调查单元通过电话调查供应商和供应链，获取最近八个月内的五金配件的销量和运输订单信息，包括销售数量、邮政编码代表的销售地点、运输配件类型数量和配件总数量；所述第一数据集通过所述虚拟信息采集单元和所述供应链调查单元采集获的数据进行集成。
24.所述预处理模块包括异常检测单元和特征提取单元；所述异常检测单元用于检测和处理采集到的数据中的异常值，并对其做出处理包括去重、删除异常值、修正和验证，以确保数据的准确性；所述特征提取单元用于对所述第一数据集进行特征提取，从中提取节假日、周末和工作日与供应量和销售量的关联关系，包括节假日销售量、周末销售量、和工作日销售量。
25.所述第二数据集包括：节假日销售量、周末销售量、和工作日销售量；所述建模训练模块包括算法选择单元和趋势预测单元；所述算法选择单元用于根据所述第一数据集和第二数据集信息，选择合适的算法模型，包括arima模型、sarima模型、prophet模型、随机森林模型和神经网络模型；所述趋势预测单元用于根据确定的算法模型对所述第一数据集和第二数据集进行建立模型，进行分析和训练，以获取：节假日关联系数、历史供应趋势系数、库存趋势系数、供应链趋势系数和预测指数。
26.实施例3：本实施例是在实施例1中进行的解释说明，请参照图1，具体的：所述节假日关联系数通过以下公式获取：；式中，表示节假日销售量的权重值，表示周末销售量，表示工作日销售量的权重值；其中，，，，其中，，表示修正常数；通过节假日关联系数能够得到所述节假日销售量和所述周末销售量与所述工作日销售量销量的差值，通过差值能够得出销售量和普通工作日之间的关联关系，其中，节假日关联系数表示八个月内销售量和普通工作日关联关系较强，节假日关联系数表示八个月内销售量和普通工作日关联关系较弱，节假日关联系数为用户提供了一个量化的指标，帮助分析不同时间段的销售特点。
27.所述库存趋势系数通过以下公式获取：；；式中，代表月份，包括一至八月，通过表示当月库存结余量，通过当月库存结余量减去月销量得到差值，通过八个月差值得到库存趋势系数是增加还是降低；所述供应链趋势系数通过以下公式获取：；式中，、、和分别表示销售数量、销售地点邮政编码、运输配件类型数量和配件总数量的权重值；其中，，，，，其中，，表示修正常数；邮政编码代表的销售地点，表示不同的城市，用于适应多个城市不同市场需求；通过邮政编码代表的销售地点和销售数量结合，表示该城市的销售数量比值；通过邮政编码代表的销售地点和销售数量结合，表示该城市的运输
配件类型数量比值；通过邮政编码代表的销售地点和销售数量结合，表示该城市的配件总数量比值；通过邮政编码代表的销售地点的销售数量和当地城市的供应链获取的运输配件类型数量和配件总数量计算总和，得到供应链趋势系数，当供应链趋势系数时，存在趋势增加情况，当供应链趋势系数时，存在趋势降低的情况。
28.所述取预测指数和预设阈值对比，获取等级供应预测方案：，获取一级供应评价，增加供应量，具体为原供应量的2倍，预测未来配件销量呈持续上升趋势，因此，增加供应以满足预期的销售增长，确保供应能够跟上市场的需求趋势，通过将供应量提升至原有水平的2倍，在销售高峰期保持足够的库存水平，以满足消费者的需求，并避免因销售上升而导致的库存不足问题；，获取二级供应评价，少量增加供应量，具体为原供应量的1.4倍，预测未来配件销量保持稳定上涨，基于现有的供应水平增加一定量，稳定提高库存应对；，获取三级供应评价，稳定供应量，具体和原供应量保持一致，预测未来配件销量保持稳定状态，避免因库存过多或过少而产生的库存管理风险；，获取四级供应评价，降低供应量，具体为原供应量的0.8倍，预测未来配件销量会下降，缩少供应以减少库存积压，降低因库存积压而导致的资源浪费；，获取五级供应评价，停止进货，预测未来配件销量急剧下降，缩减供应量以减少库存积压，减少资金的占用，并降低库存风险；通过多个等级供应预测方案，能够灵活的应对多种情况，使供应与需求能够更好地匹配，通过根据不同情况制定不同等级的供应方案，优化库存管理、减少过剩和短缺现象，并提高整体供应的效率和稳定性。
29.实施例4：本实施例是在实施例1中进行的解释说明，请参照图1，具体的：所述预测生成模块包括模板填充单元和可视化单元；所述模板填充单元用于获取的等级供应预测方案的内容信息包括，实际供应数据、销售趋势数据、供应趋势数据和历史数据，对预设的模板进行填充，形成展示方案内容；所述可视化单元用于展示方案内容，进行具体展示，包括柱状图、饼图和折线图，同时展示实际供应相关数据和历史数据，以便比较预测结果和实际情况，并提供简单交互功能用于选择不同的展示方式和具体操作功能。
30.实施例5：一种基于深度学习的五金配件供应预测方法及系统，请参照图2，具体的：包括以下步骤：步骤一：通过采集模块收集各类五金配件销售量以及库存量和对供应商与供应链问卷调查收集销售量和运输订单信息，形成第一数据集；步骤二：通过预处理模块对获取的第一数据集进行预处理，同时提取季节性、时间线与供应链相关特征信息，形成第二数据集；
步骤三：通过建模训练模块对第一数据集和第二数据集进行分析，再选择算法模型进行训练计算，获取：节假日关联系数、库存趋势系数和供应链趋势系数后，再进行计算获取：预测指数，通过预测指数和预设阈值对比，获取等级供应预测方案；步骤四：通过预测生成模块对获取的等级供应预测方案内容，对预设展示模板进行填充，再进行展示，同时提供给用户简单的交互功能，便于观察和了解趋势情况。
31.本方法发明，通过步骤一至步骤四，对配件进销量供应商与供应链进行与订单信息进行收集，形成第一数据集，通过对第一数据集进行预处理，同时提取季节性、时间线与供应链相关特征信息，形成第二数据集，通过对第一数据集和第二数据集进行分析，选择算法模型进行训练计算，获取：节假日关联系数、库存趋势系数和供应链趋势系数后，再进行计算获取：预测指数，通过预测指数和预设阈值对比，获取等级供应预测方案，再通过等级供应预测方案内容，对预设展示模板进行填充，再进行展示，同时提供交互功能，以便用户观察和了解趋势情况，从而对未来的供应量制定计划，提高资源的利用率，降低了库存过剩和短缺的情况。
32.具体示例：尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

技术特征：
1.一种基于深度学习的五金配件供应预测系统，其特征在于：包括信息采集模块、预处理模块、建模训练模块和预测生成模块；所述信息采集模块收集八个月内的各类五金配件销售量以及库存量，以及各类五金配件的采购量，同时对供应商与供应链问卷调查收集销售量和运输订单信息，作为第一数据集；所述预处理模块用于对获取的第一数据集进行预处理，包括异常数据的检测与处理，同时对第一数据集进行特征提取，并从中提取季节性、时间线与供应量相关信息，作为第二数据集；所述建模训练模块用于对获取的第一数据集和第二数据集进行分类和分析，选择相应的算法模型进行训练计算，获取：节假日关联系数、库存趋势系数和供应链趋势系数后，再进行计算获取：预测指数；所述预测指数通过以下公式获取：；所述节假日关联系数通过所述第一数据集和所述第二数据集计算获取；所述库存趋势系数通过所述第一数据集和所述第二数据集计算后对比获取；所述供应链趋势系数通过所述第一数据集和所述第二数据集计算后对比获取；式中，表示节假日关联系数的权重值，表示历史供应趋势系数的权重值，表示库存趋势系数的权重值，表示供应链趋势系数的权重值，表示修正常数；其中，，，，，其中，；所述预测生成模块通过所述建模训练模块获取的预测指数和预设阈值对比，获取等级供应预测方案，根据方案内容进行对预设模板进行填充后，将展示方案进行具体展示，并且提供简单交互功能。2.根据权利要求1所述的一种基于深度学习的五金配件供应预测系统，其特征在于：所述信息采集模块包括虚拟信息采集单元和供应链调查单元；所述虚拟信息采集单元用于根据商家进销管理系统软件获取八个月内的各类五金配件销量，包括日销量和月销量，以及各类五金配件的库存数据，包括现存库存总量、月补货量和平均日销量；所述平均日销量通过以下公式获取：；式中，表示八个月的天数，通过八个月的日销量和八个月的月销量进行
计算所述平均日销量，以便增加所述平均日销量的准确率；所述供应链调查单元通过电话调查供应商和供应链，获取最近八个月内的五金配件的销量和运输订单信息，包括销售数量、邮政编码代表的销售地点、运输配件类型数量和配件总数量；所述第一数据集通过所述虚拟信息采集单元和所述供应链调查单元采集获的数据进行集成。3.根据权利要求1所述的一种基于深度学习的五金配件供应预测系统，其特征在于：所述预处理模块包括异常检测单元和特征提取单元；所述异常检测单元用于检测和处理采集到的数据中的异常值，并对其做出处理包括去重、删除异常值、修正和验证，以确保数据的准确性；所述特征提取单元用于对所述第一数据集进行特征提取，从中提取节假日、周末和工作日与供应量和销售量的关联关系，包括节假日销售量、周末销售量、和工作日销售量；所述第二数据集包括：节假日销售量、周末销售量、和工作日销售量。4.根据权利要求1所述的一种基于深度学习的五金配件供应预测系统，其特征在于：所述建模训练模块包括算法选择单元和趋势预测单元；所述算法选择单元用于根据所述第一数据集和第二数据集信息，选择合适的算法模型，包括arima模型、sarima模型、prophet模型、随机森林模型和神经网络模型；所述趋势预测单元用于根据确定的算法模型对所述第一数据集和第二数据集进行建立模型，进行分析和训练，以获取：节假日关联系数、历史供应趋势系数、库存趋势系数、供应链趋势系数和预测指数。5.根据权利要求3所述的一种基于深度学习的五金配件供应预测系统，其特征在于：所述节假日关联系数通过以下公式获取：；式中，表示节假日销售量的权重值，表示周末销售量，表示工作日销售量的权重值；其中，，，，其中，，表示修正常数；通过节假日关联系数能够得到所述节假日销售量和所述周末销售量与所述工作日销售量销量的差值，通过差值能够得出销售量和普通工作日之间的关联关系，其中，节假日关联系数表示八个月内销售量和普通工作日关联关系较强，节假日关联系数表示八个月内销售量和普通工作日关联关系较弱。
6.根据权利要求2所述的一种基于深度学习的五金配件供应预测系统，其特征在于：所述库存趋势系数通过以下公式获取：；；式中，代表月份，包括一至八月，通过表示当月库存结余量，通过当月库存结余量减去月销量得到差值，通过八个月差值得到库存趋势系数是增加还是降低。7.根据权利要求2所述的一种基于深度学习的五金配件供应预测系统，其特征在于：所述供应链趋势系数通过以下公式获取：；式中，、、和分别表示销售数量、销售地点邮政编码、运输配件类型数量和配件总数量的权重值；其中，，，，，其中，，表示修正常数；通过邮政编码代表的销售地点的销售数量和当地的供应链获取的运输配件类型数量和配件总数量计算总和，得到供应链趋势系数，当供应链趋势系数时，存在趋势增加情况，当供应链趋势系数时，存在趋势降低的情况。8.根据权利要求1所述的一种基于深度学习的五金配件供应预测系统，其特征在于：所述预测指数和预设阈值对比，获取等级供应预测方案：，获取一级供应评价，增加供应量，具体为原供应量的2倍，预测未来配件销量呈持续上升趋势，因此，增加供应以满足预期的销售增长；，获取二级供应评价，少量增加供应量，具体为原供应量的1.4倍，预测未来配件销量保持稳定上涨，基于现有的供应水平增加一定量，稳定提高库存应对；，获取三级供应评价，稳定供应量，具体和原供应量保持一致，预测未来配件销量保持稳定状态；，获取四级供应评价，降低供应量，具体为原供应量的0.8倍，预测未来配件销量会下降，缩少供应以减少库存积压；，获取五级供应评价，停止进货，预测未来配件销量急剧下降，缩减供应量以减少库存积压。9.根据权利要求8所述的一种基于深度学习的五金配件供应预测系统，其特征在于：所述预测生成模块包括模板填充单元和可视化单元；
所述模板填充单元用于获取的等级供应预测方案的内容信息包括，实际供应数据、销售趋势数据、供应趋势数据和历史数据，对预设的模板进行填充，形成展示方案内容；所述可视化单元用于展示方案内容，进行具体展示，包括柱状图、饼图和折线图，同时展示实际供应相关数据和历史数据，以便比较预测结果和实际情况，并提供简单交互功能用于选择不同的展示方式和具体操作功能。10.一种基于深度学习的五金配件供应预测方法，其特征在于：包括以下步骤：步骤一：通过采集模块收集各类五金配件销售量以及库存量和对供应商与供应链问卷调查收集销售量和运输订单信息，形成第一数据集；步骤二：通过预处理模块对获取的第一数据集进行预处理，同时提取季节性、时间线与供应链相关特征信息，形成第二数据集；步骤三：通过建模训练模块对第一数据集和第二数据集进行分析，再选择算法模型进行训练计算，获取：节假日关联系数、库存趋势系数和供应链趋势系数后，再进行计算获取：预测指数，通过预测指数和预设阈值对比，获取等级供应预测方案；步骤四：通过预测生成模块对获取的等级供应预测方案内容，对预设展示模板进行填充，再进行展示，同时提供给用户简单的交互功能，便于观察和了解趋势情况。

技术总结
本发明公开了一种基于深度学习的五金配件供应预测方法及系统，涉及配件供应技术领域，该系统运行时，信息采集模块收集配件进销数据，同时对供应商与供应链收集销售量和运输订单信息，形成第一数据集，预处理模块对获取的第一数据集进行预处理，再从中提取季节性、时间线与供应量相关信息，作为第二数据集，建模训练模块对第一第二数据集进行分析，算法模型进行计算获取：节假日关联系数、库存趋势系数和供应链趋势系数后，再进行计算获取：预测指数，预测指数和预设阈值对比，获取等级供应预测方案，预测生成模块根据方案内容，对预设展示模板进行填充，并进行展示，提供给用户简易的交互功能，以便用户观察和了解趋势情况。便用户观察和了解趋势情况。便用户观察和了解趋势情况。


技术研发人员：张明成 穆长卫 杨俊生 丁树立 高世民
受保护的技术使用者：阳信东泰精密金属有限公司
技术研发日：2023.09.01
技术公布日：2023/10/6