（2019年度“嘉環杯”獲獎論文三等獎）基于大數據下的通信安全庫存預估模型研究

邢 健 姚亮亮

江蘇中博通信有限公司

0 引言

在市場經濟環境下，通信行業的供應鏈存在著較大的不確定性，這主要表現在：一方面，通信業供應鏈的鏈條較長，各節點企業無法實現高度的信息集成，不可避免地產生節點企業之間銜接上的不確定性；另一方面，節點企業內部由于各自生產計劃與實際產出不匹配，生產系統在需求與供給方面存在較大的不確定性。通信行業供應鏈的不確定性對庫存管理提出了更大的挑戰。通信運營商的第三方物流服務企業，在為通信企業管理庫存和物流運營服務中發揮了重要的作用。然而在如今供應鏈一體化的趨勢下，面對供應鏈不確定性的增強，第三方物流服務企業的庫存管理水平亟待提升，必須以提升倉庫利用效率和降低閑置物資為目標，設定合理的安全庫存水平，優化公司的資源配置，實現降本增效。

各供應鏈一體化服務公司逐步建設起了完備的信息化管理系統，并積累了海量的數據資源。隨著云計算、數據挖掘與處理等技術的日漸成熟，通過對通服供應鏈企業積累的歷史數據進行有效處理，識別代表庫存物料變化的特性和系統數據分布的因素，增強通信供應鏈服務公司在信息資源價值挖掘與整合方面的能力，促進其業務管理更加精細化與協同化。結合通信行業庫存的固有特點和傳統庫存預測模型存在的劣勢，本文從向量機的角度出發，運用前沿的數據挖掘概念模型，構建一類物料周轉庫存預測模型，結合機會約束規劃理論技術進行安全庫存的決策，較好地實現庫存周轉的動態預測和監管，從而降低供應鏈不確定性對安全庫存構建帶來的消極影響。

1 安全庫存預估模型

1.1 物資消耗情況預測模型

在一定程度上，倉儲優化的有效性是由庫存物料需求預測的準確性來決定的，預測架構如圖1所示。其中SVM表示支持向量機（Support Vector Machine），SBL表示稀疏貝葉斯學習方法（Sparse Bayesian Learning）。本文綜合上述兩類預測方法對各個倉儲配送中心的物料需求展開概率預估。圖1結果顯示：訓練數據集合1包含了公司數據庫系統中記錄的倉儲配送中心的數據，以及響應及時率、按時提貨率、運輸安全率等指標；訓練數據集合2包含了SBL單點預測歷史誤差；預測輸入數據1包括了倉配中心所轄區域內的各個地方的周轉率、到貨率、倉儲空間的利用率等指標；預測輸入數據2包括了SBL輸入的歷史誤差數據。經過綜合計算，單點預測結果的平均值為通信倉配物料的需求預測值。

本文在SVM+SBL模型相互結合的基礎之上，提出一個全新的的預測模型，基本構思如下。

（1）SVM。SVM作為一類有效的核函數的深度學習算法，基于統計學習理論的VC（Vapnik-Chervonenkis Dimension）理論和結構風險最小原理，在庫存預測方面具有普遍的應用。SVM能夠有效提高低維向量的空間維度，從而簡化概率預測的流程和算法（見圖2）。從低維度向高維度映射過去，在高維度空間中建立一個超平面進行數據集的擬合，通過在分開數據的高維度平面上建立不同的相互平行的超平面，形成的超平面需要保持最遠的間隔距離。兩個超平面的最大間距如圖3所示，從圖上我們可以看出兩個支撐的超平面到中間的紅色線條是等距離的，能夠通過支持向量的兩個超平面的上的點來對有關向量數據進行分析和擬合。

圖1 物資需求概率預測架構

圖2 低維到高維映射原理

圖3 最大間隔超平面

SVM的數學模型可表述為：

式（1）中：xi表示訓練數據集合中的第i個輸入的向量；xin表示輸入向量；yout是根據輸入數據集的輸入向量xin預算得出的輸出變量；Ki()表示核函數（主要是指高斯定理核函數）；N表示訓練集合樣本數；Wi表示所有數據集的權值系數；ε表示擾動分量。

根據數學模型分析預測過程為：利用給定的訓練樣本集(xin,yin)={(x1,y1),…,(xn,yn)}優化求解模型的參數ω，得出輸入向量與輸出向量兩者的映射關系，從而得出全新的輸入樣本xi，能夠構建對應輸出變量的一個估計值yout，即預測單點值。

SVM模型預測在安全庫存預估方面有以下各項優勢：①能通過圖形和公式找到理論最優解；②在VC維理論和結構化風險最小化的基礎上降低維數災的可能性；③在處理樣本量不充足的問題方面存在一定的有效性；④對非平穩時間序列具有穩定的預測能力。

（2）SBL。SBL是一類基于核函數的機器學習方法，這一模型存在一定的稀疏性，能夠有效得到包括對象的概率分布和期望值等在內的多種預測值。SBL的回歸方程與公式（1）具有一定程度上的相似性，然而其中的權重因子wi被作為均值為0和方差為αi的正態分布的隨機變量函數。我們可以通過學習貝葉斯架構理論知識，由所求的超參數αi多數趨于無窮大，可以知道相應的權值系數wi趨于0，剩余少數非零權值系數wi的核函數所對應的樣本向量即為相關向量。

作為一類數學理論模型，學習機能夠通過訓練過程基于貝葉斯原則進行有關參數超參數的預測，從而構建SBL預測模型公式。而實際上，由于outy仍是遵循正態分布，學習機的訓練過程結束后，能夠有效獲得其統計學上的規律性。

SBL模型預測有如下優點：（1）可以給予高度可信的概率密度預測值；（2）模型變量設定存在一定程度上的不足；（3）一般情況下模型的稀疏程度與支持向量機相當或更好；（4）在非線性約束條件的模型求解中，最終的計算結果能夠看出這一模型的預測精準度處于較高水平。

1.2 安全庫存決策模型

由SBL預估模型計算得到的需求預測結果，結合機會約束規劃方法，進一步構建通信安全庫存決策模型?？紤]到通信行業供應鏈中存在的不確定性，該方法就是利用隨機參數描述問題中的隨機現象，普遍用來求解各異的不確定性問題。

機會約束規劃模型主要是針對約束包含隨機變量的情況，并且必須在預測到隨機變量之前進行。我們考慮到不利情況發生時決策可能不滿足約束條件，于是上述模型就采用了允許決策在一定程度上滿足約束條件的原則，但應當建立決策的概率在一定的區間內，即不小于一定的置信區間。

圖4 物資庫存物料動態特征分析平臺

機會約束規劃可表示如下：

式（2）中：f表示目標函數 ,( )fxξ在置信水平大于等于β時所取的最小值；x表示是n維決策向量；ξ是隨機向量，是隨機約束函數，表示 {}中事件成立的概率；α和β分別是約束成立之前給定的約束條件和目標函數的置信水平。

根據機會約束規劃原則，之前建立的倉儲優化模型如下：決策目標為計及時段內（如月、季度、年）的庫存成本最小化，即 ：

式（3）中：T表示時段數；N表示倉庫數；M表示物資種類；,,tnmC和,,tnmR分別表示時段t下倉庫n存儲物資m的單位成本和存儲量。約束條件主要包括：庫存物資滿足需求的概率大于給定概率下限，各庫庫存容量約束和供貨周期約束。上述約束分別為：

式（4）中：,,tnmD和,,tnmα分別表示時段t下倉庫n存儲物資m的庫存需求量和庫存不充分概率；表示時段t下倉庫n存儲物資m的最大允許庫存。求解時，將借由預設的置信度，通過約束條件的轉化以一般規律求解其等價的確定性模型。

2 安全庫存預估模型在庫存物料管理中的應用

安全庫存預估模型可以較好地為企業提供決策依據，防止因貨物供應或需求的不確定性而影響整個項目的效益。為了平穩推動通信大數據應用試點研究與應用，研究小組對第三方物流企業的倉配中心的物料數據進行收集、整理，并進行動態分析。利用公司的ERP管理系統、供應鏈管理系統（SCM）、博科系統、物流運輸系統、項目招投標管理系統、祥云系統、營銷業務等系統數據進行初步的搜集，利用新的數據關聯度分析技術，構建多目標的安全庫存預估模型和多準則評價模型，在一定的可控范圍內，對物料進行在線實時監測和追蹤，對于物料管理中存在的異常情況，可以做出詳細分析，為管理人員的決策提供科學合理的依據，從而避免庫存物料的缺失，使得物料庫存在某種程度上得以優化。

根據安全庫存的預測模型，對其應用主要分為三個時期：

（1）數據收集時期。在分析物流企業業務現狀、系統現狀和數據現狀的基礎上，對系統平臺上的歷史數據進行提取、研究，分析出項目實現過程中的核心業務問題，進而明確上述問題是否屬于技術性問題。具體如圖4所示。

（2）數據整合時期。對現有數據進行拆分、整合、關聯、合并，提取有用的信息，利用數據庫中的關鍵數據分析出相應指標，并且項目研究人員應核對和復查各數據指標，提高數據的準確性和精確性。

（3）模型應用時期。在數據整合時期，將各個數據集的相應指標置于S超平面中，同時根據現有歷史貨物的入庫信息、出庫信息、庫存周轉等信息建立物料消耗預測模型，最后應用到安全庫存決策模型中。

3 結束語

隨著物聯網、云計算、大數據的技術發展和應用，技術變革不斷加快。第三方物流通信服務企業在數據研究和應用方面不斷推進，應用大數據技術，縮短庫存物料的存儲周期，提升倉庫的管理標準，為企業未來發展提供基礎條件，并且降低倉儲成本，提高倉庫管理的效率和效益。具體價值體現在以下幾個方面：（1）實現海量信息共享，使得倉運配一體化；（2）在數據的匯總、整理、分析的基礎上，有效提高了庫存優化管理能力；（3）新型的倉庫管理模式，降低了倉庫運營風險，提高倉庫優化管理決策能力；（4）在某種程度上，可以更好地整合倉儲數據，通過自動分析、匯總倉儲數據，構建成一個完善的、合理的倉儲數據系統；（5）通過建立安全庫存模型，可以增強信息化建設，減少庫存物料的遲滯情況。

安全庫存估算模型由物料消耗預測模型和安全庫存決策模型組成，在一定的安全庫存區間內，盡可能地降低了庫存成本風險。因此，必須建立一個多準則的安全庫存預估模型，確保其數據模型的科學性和有效性，從安全性和經濟性的角度對安全庫存估算模型進行評估。