基于Prophet算法的服裝面料需求預(yù)測研究

李亭立　李長云　王松燁

摘? 要：針對目前服裝面料需求數(shù)據(jù)周期非確定性導(dǎo)致預(yù)測精度差的問題，提出一種基于Prophet算法的服裝面料需求預(yù)測模型。通過分析服裝面料需求歷史數(shù)據(jù)的時(shí)間序列特征構(gòu)建Prophet模型，使用M公司面料數(shù)據(jù)集設(shè)計(jì)Prophet與LSTM的對比實(shí)驗(yàn)，并采用RMES以及MAE作為評價(jià)指標(biāo)。實(shí)驗(yàn)結(jié)果表明：相比于LSTM，Prophet模型具有較高的預(yù)測精度且有效提升了服裝面料需求時(shí)間序列預(yù)測的準(zhǔn)確性。

關(guān)鍵詞：Prophet模型;時(shí)間序列預(yù)測;LSTM;服裝面料需求預(yù)測

中圖分類號(hào)：TP18? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2096-4706（2021）20-0095-04

Research on Clothing Fabric Demand Forecast Based on Prophet Algorithm

LI Tingli， LI Changyun， WANG Songye

（Hunan Key Laboratory of Intelligent Information Perception and Processing Technology， Hunan University of Technology， Zhuzhou? 412007， China）

Abstract： Aiming at the problem of poor prediction accuracy caused by the uncertainty of clothing fabric demand data cycle， a clothing fabric demand prediction model based on Prophet algorithm is proposed. By analyzing the time series characteristics of clothing fabric demand historical data， the Prophet model is constructed， the comparative experiment between Prophet and LSTM is designed by using the fabric data set of M company， and RMES and MAE are used as evaluation indexes. The experimental results show that compared with LSTM， Prophet model has higher prediction accuracy and effectively improves the accuracy of clothing fabric demand time series prediction.

Keywords： Prophet model; time series prediction; LSTM; clothing fabric demand forecast

0? 引? 言

面料作為服裝生產(chǎn)最主要的物質(zhì)材料，在服裝生產(chǎn)過程中占據(jù)顯著地位，精準(zhǔn)的服裝面料需求預(yù)測是企業(yè)成功運(yùn)營的關(guān)鍵。服裝面料需求預(yù)測作為服裝生產(chǎn)流程的一個(gè)重要環(huán)節(jié)，預(yù)測的效果直接影響企業(yè)前期面料備料情況，是解決供應(yīng)鏈環(huán)節(jié)中面料庫存問題的最直接手段[1]。

在實(shí)際發(fā)展應(yīng)用中，服裝企業(yè)在服裝生產(chǎn)過程中對面料需求的不確定性、時(shí)間差異性和動(dòng)態(tài)變化性對面料需求預(yù)測問題的解決提出了極大挑戰(zhàn)。服裝面料需求預(yù)測由于容易受到周期性、季節(jié)性以及促銷活動(dòng)和節(jié)假日等多種不確定因素的影響，導(dǎo)致預(yù)測精度低。本文研究一種基于Prophet算法的服裝面料需求預(yù)測模型，滿足服裝企業(yè)對面料需求的高精度預(yù)測。這對提高服裝企業(yè)經(jīng)營及拉動(dòng)經(jīng)濟(jì)增長具有重要現(xiàn)實(shí)意義。

在需求預(yù)測問題中，為了提高預(yù)測的準(zhǔn)確性，常用的方法有時(shí)間序列預(yù)測法、因果關(guān)系預(yù)測法、專家預(yù)測法、灰色預(yù)測法、馬爾科夫預(yù)測法[2]等。針對服裝面料需求預(yù)測不確定性的特點(diǎn)，時(shí)間序列預(yù)測算法具有顯著優(yōu)勢，能較好擬合時(shí)序歷史數(shù)據(jù)。但傳統(tǒng)的時(shí)間序列預(yù)測法如移動(dòng)平均法、指數(shù)平滑法[3-5]等對受季節(jié)性、突發(fā)事件的時(shí)間序列預(yù)測擬合效果差，因此本文采用Prophet算法解決此問題，Prophet算法針對時(shí)間序列的周期性及季節(jié)性部分能較好擬合歷史數(shù)據(jù)，對節(jié)假日及促銷活動(dòng)等特殊活動(dòng)有很好的擬合效果，并且可以自定義突發(fā)事件的時(shí)間窗口，能有效提高服裝面料需求預(yù)測的精度。本文以M公司DYX-45790型號(hào)服裝面料2013年1月至2015年11月的服裝面料需求歷史訂單數(shù)據(jù)為對象，研究基于Prophet算法服裝面料需求預(yù)測模型的預(yù)測準(zhǔn)確性。

1? Prophet模型基本原理

Prophet模型是Facebook于2017年發(fā)布的開源的時(shí)間序列預(yù)測框架[6]。Prophet適用于各種具有潛在特殊特征的預(yù)測問題包括廣泛的業(yè)務(wù)時(shí)間序列問題，并且其對時(shí)間序列趨勢變化點(diǎn)的檢測、季節(jié)性、節(jié)假日以及突發(fā)事件具有更好的擬合效果。如圖1所示，Prophet模型內(nèi)部由循環(huán)中的分析師與自動(dòng)化兩部分構(gòu)成一個(gè)循環(huán)體系。

Prophet模型是一個(gè)加法回歸模型，它由三個(gè)核心部分trend（趨勢項(xiàng)）、seasonality（季節(jié)項(xiàng)）及holidays（假期項(xiàng)）構(gòu)成。Prophet模型基本組成如式（1）所示：

（1）趨勢項(xiàng)：g（t）是趨勢函數(shù)，它用于分析和擬合時(shí)間序列的非周期變化?？赏ㄟ^設(shè)置參數(shù)將模型分為飽和增長趨勢模型或分段線性趨勢模型。飽和增長趨勢函數(shù)如式（2）所示：

（2）季節(jié)項(xiàng)：s（t）代表時(shí)間序列的周期性變化，可用于模擬周、月、年等各種周期變化趨勢，由傅立葉級數(shù)表達(dá)，如式（4）所示：

（3）假期項(xiàng)：h（t）表示非周期性的不規(guī)律的假期影響。模型通過自定義假期列表實(shí)現(xiàn)節(jié)假日或突發(fā)事件場景下的預(yù)測。模型原理如式（5）所示：

（4）誤差項(xiàng)：ε_t表示模型中未反映的噪聲部分并假設(shè)噪聲因子服從正態(tài)分布。

2? 實(shí)驗(yàn)驗(yàn)證

2.1? 數(shù)據(jù)來源

為驗(yàn)證模型的有效性及精確性，本文采用的實(shí)驗(yàn)數(shù)據(jù)來源于M公司2013年1月至2015年11月的DYX-45790型號(hào)服裝面料需求歷史訂單。由于獲取的M公司的服裝面料需求歷史訂單數(shù)據(jù)以秒為單位存在，并且存在一些缺失值，不能直接用于模型預(yù)測。為使原始數(shù)據(jù)符合目標(biāo)模型要求，需要對原始數(shù)據(jù)進(jìn)行進(jìn)一步處理。針對原始服裝面料需求訂單數(shù)據(jù)中的缺失值，采用同期數(shù)據(jù)均值進(jìn)行填充。原始服裝面料需求數(shù)據(jù)沒有將數(shù)據(jù)聚合過于離散，不便于分析產(chǎn)品面料需求量的特征，采用按周重采樣方法獲得面料需求數(shù)據(jù)。經(jīng)處理后的M公司DYX-45790型號(hào)服裝面料需求數(shù)據(jù)如圖2所示，可見在2013-2015年間DYX-45790型號(hào)面料需求數(shù)據(jù)波動(dòng)明顯，有明顯的周期性和季節(jié)性趨勢，整體呈下降趨勢。

節(jié)假日通常由于放假及促銷活動(dòng)等原因會(huì)導(dǎo)致服裝面料需求增加，在對服裝面料需求預(yù)測時(shí)除了考慮正常趨勢情況，還要考慮假期和突發(fā)事件情況下對服裝需求量造成的影響。

2.2? 實(shí)驗(yàn)環(huán)境

本實(shí)驗(yàn)使用Windowsl0 64位操作系統(tǒng)，intel（r）xeon（r） E3-1225 v5處理器，主頻為3.30 GHz，內(nèi)存為32 GB，基于Python3開發(fā)環(huán)境在Jupyter Notebook實(shí)現(xiàn)整個(gè)實(shí)驗(yàn)流程。

2.3? 評價(jià)指標(biāo)

本文采用均方根誤差（RMES）及平均絕對誤差（MAE）作為評價(jià)指標(biāo)對模型的效果進(jìn)行評估。RMES如式（6）所示，MAE如式（7）所示。當(dāng)RMES、MAE評價(jià)指標(biāo)的結(jié)果越小時(shí)，預(yù)測值與真實(shí)值之間誤差越小，模型的預(yù)測精度越高，模型效果越好。

2.4? Prophet模型訓(xùn)練

考慮到周期性、季節(jié)性及節(jié)假日或特殊促銷活動(dòng)對服裝面料需求的影響，通過Prophet模型對服裝面料需求歷史訂單數(shù)據(jù)進(jìn)行擬合并預(yù)測。時(shí)間序列越接近正態(tài)分布則數(shù)據(jù)的可用性會(huì)越高，也更能提高建模的準(zhǔn)確性[7]。為保證模型效果，對將缺失值進(jìn)行同期均值填充處理后的服裝面料需求數(shù)據(jù)做log處理，如圖3所示。

首先，實(shí)例化一個(gè)Prophet對象，使用fit方法實(shí)現(xiàn)模型的擬合。Prophet通過變化速率的突變及對趨勢變化的幅度做稀疏先驗(yàn)來自動(dòng)監(jiān)測時(shí)間序列數(shù)據(jù)中的趨勢突變點(diǎn)，通過調(diào)整趨勢參數(shù)能有效防止過擬合的問題。本實(shí)驗(yàn)設(shè)置changepoint_prior_scale=0.5來增強(qiáng)趨勢擬合效果，提高了趨勢擬合的靈活性。然后，構(gòu)建待預(yù)測日期數(shù)據(jù)框periods=60來預(yù)測未來兩個(gè)月的面料需求量，設(shè)置季節(jié)性傅立葉級數(shù)為10?？紤]到節(jié)假日對面料需求量不可忽視的影響，本實(shí)驗(yàn)創(chuàng)建了新的dataframe用于記錄歷史時(shí)間及待預(yù)測時(shí)間中出現(xiàn)的所有節(jié)假日，以此實(shí)現(xiàn)對節(jié)假日的專門建模。最后，擬合模型并得到訓(xùn)練結(jié)果，模型組成成分析結(jié)果如圖4所示。Prophet模型將時(shí)間序列分解成分段線性趨勢項(xiàng)（trend）、傅立葉級數(shù)季節(jié)項(xiàng)（weekly、yearly）和假期項(xiàng)（holidays）三大組成成分。全面分析面料需求量趨勢，M公司DYX-45790型號(hào)面料需求量逐年下滑，在全年1、3、5、9月出現(xiàn)峰值，面料需求量很可觀，但在6、11月出現(xiàn)滑坡。從周面料需求量趨勢進(jìn)行分析，周末面料需求量顯著高于工作日。受到節(jié)假日的影響，在法定假期附近，面料需求量皆出現(xiàn)上漲趨勢。

Prophet訓(xùn)練的預(yù)測結(jié)果如圖5所示，模型靈活的通過深藍(lán)色線擬合了黑色圓點(diǎn)代表的實(shí)際值，并且給出了未來6個(gè)月的預(yù)測值，淺藍(lán)色區(qū)域表示了預(yù)測的合理范圍yhat upper及yhat lower。

3? 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證模型的預(yù)測性能，本文采用Prophet與LSTM作對比實(shí)驗(yàn)進(jìn)行驗(yàn)證，采用RMES、MAE作為模型評價(jià)指標(biāo)。各模型預(yù)測效果評價(jià)指標(biāo)對比如表2所示。

結(jié)果表明，Prophet模型相較于人工神經(jīng)網(wǎng)絡(luò)LSTM模型，均方根誤差及平均絕對誤差均有所降低，表現(xiàn)更優(yōu);Prophet的RMES為3.691，MAE為3.073，評價(jià)指標(biāo)越低，預(yù)測精度越高。這證明了本實(shí)驗(yàn)?zāi)Ｐ蛯τ跁r(shí)間序列特征的面料需求量數(shù)據(jù)預(yù)測精度提高具有有效性，因此Prophet模型能更好地?cái)M合歷史數(shù)據(jù)特征，合理提升服裝面料需求預(yù)測精度。

4? 結(jié)? 論

服裝生產(chǎn)離不開面料的支撐，面料需求預(yù)測是服裝生產(chǎn)企業(yè)經(jīng)營管理的重要方面。為有效提升服裝面料需求量的預(yù)測精度，以M公司DYX-45790型號(hào)服裝面料2013年1月至2015年11月的服裝面料需求歷史訂單數(shù)據(jù)為對象，首先分析服裝面料需求量數(shù)據(jù)時(shí)間序列周期非確定性對服裝面料需求歷史訂單數(shù)據(jù)進(jìn)行預(yù)處理，然后構(gòu)建基于Prophet算法的服裝面料需求預(yù)測模型并對數(shù)據(jù)進(jìn)行建模，最后，采用RMES、MAE作為評價(jià)指標(biāo)與LSTM進(jìn)行對比實(shí)驗(yàn)，通過評價(jià)指標(biāo)衡量模型性能及預(yù)測精確度。實(shí)驗(yàn)結(jié)果表明：Prophet模型有效提升了面料需求量時(shí)間序列預(yù)測的準(zhǔn)確性。在未來工作中，將進(jìn)一步考慮不同模型的融合，進(jìn)一步提高模型性能及預(yù)測精度。

參考文獻(xiàn)：

[1] 江婷.D公司基于需求預(yù)測的運(yùn)動(dòng)服裝面料庫存優(yōu)化研究 [D].上海：東華大學(xué)，2018.

[2] 董亞，杜景林，胡玉杰.基于K-means的模糊馬爾科夫模型的降水預(yù)測 [J].現(xiàn)代電子技術(shù)，2021，44（19）：85-89.

[3] GILBERT K. An ARIMA Supply Chain Model [J/OL].Management Science，2005，51（2）：[2021-08-26].https：//doi.org/10.1287/mnsc.1040.0308.

[4] 繆輝，唐晨添，羅露璐.基于ARIMA模型的新能源汽車銷量預(yù)測 [J].企業(yè)科技與發(fā)展，2020（10）：97-98.

[5] 常炳國，臧虹穎，廖春雷，等.基于選擇性集成ARMA組合模型的零售業(yè)銷量預(yù)測 [J].計(jì)算機(jī)測量與控制，2018，26（5）：132-135.

[6] TAYLOR S J，LETHAM B. Forecasting at scale [J/OL].PeerJ Preprints，2017. [2021-08-26].https：//doi.org/10.7287/peerj.preprints.3190v2.

[7] 蘇新.基于Prophet-LSTM組合模型的服裝銷售預(yù)測研究 [D].鎮(zhèn)江：江蘇科技大學(xué)，2020.

作者簡介：李亭立（1997—），女，漢族，湖南岳陽人，碩士在讀，研究方向：工業(yè)大數(shù)據(jù);

李長云（1971—），男，漢族，湖南耒陽人，二級教授，博士，研究方向：軟件理論、物聯(lián)網(wǎng)工程、人工智能;

王松燁（1996-），男，漢族，河北石家莊人，碩士在讀，研究方向：邊緣計(jì)算。