基于Prophet算法的服裝面料需求預測研究

李亭立　李長云　王松燁

摘? 要：針對目前服裝面料需求數據周期非確定性導致預測精度差的問題，提出一種基于Prophet算法的服裝面料需求預測模型。通過分析服裝面料需求歷史數據的時間序列特征構建Prophet模型，使用M公司面料數據集設計Prophet與LSTM的對比實驗，并采用RMES以及MAE作為評價指標。實驗結果表明：相比于LSTM，Prophet模型具有較高的預測精度且有效提升了服裝面料需求時間序列預測的準確性。

關鍵詞：Prophet模型;時間序列預測;LSTM;服裝面料需求預測

中圖分類號：TP18? ? ? ? ? ? ? ? ? 文獻標識碼：A文章編號：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

面料作為服裝生產最主要的物質材料，在服裝生產過程中占據顯著地位，精準的服裝面料需求預測是企業成功運營的關鍵。服裝面料需求預測作為服裝生產流程的一個重要環節，預測的效果直接影響企業前期面料備料情況，是解決供應鏈環節中面料庫存問題的最直接手段[1]。

在實際發展應用中，服裝企業在服裝生產過程中對面料需求的不確定性、時間差異性和動態變化性對面料需求預測問題的解決提出了極大挑戰。服裝面料需求預測由于容易受到周期性、季節性以及促銷活動和節假日等多種不確定因素的影響，導致預測精度低。本文研究一種基于Prophet算法的服裝面料需求預測模型，滿足服裝企業對面料需求的高精度預測。這對提高服裝企業經營及拉動經濟增長具有重要現實意義。

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

1? Prophet模型基本原理

Prophet模型是Facebook于2017年發布的開源的時間序列預測框架[6]。Prophet適用于各種具有潛在特殊特征的預測問題包括廣泛的業務時間序列問題，并且其對時間序列趨勢變化點的檢測、季節性、節假日以及突發事件具有更好的擬合效果。如圖1所示，Prophet模型內部由循環中的分析師與自動化兩部分構成一個循環體系。

Prophet模型是一個加法回歸模型，它由三個核心部分trend（趨勢項）、seasonality（季節項）及holidays（假期項）構成。Prophet模型基本組成如式（1）所示：

（1）趨勢項：g（t）是趨勢函數，它用于分析和擬合時間序列的非周期變化。可通過設置參數將模型分為飽和增長趨勢模型或分段線性趨勢模型。飽和增長趨勢函數如式（2）所示：

（2）季節項：s（t）代表時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，由傅立葉級數表達，如式（4）所示：

（3）假期項：h（t）表示非周期性的不規律的假期影響。模型通過自定義假期列表實現節假日或突發事件場景下的預測。模型原理如式（5）所示：

（4）誤差項：ε_t表示模型中未反映的噪聲部分并假設噪聲因子服從正態分布。

2? 實驗驗證

2.1? 數據來源

為驗證模型的有效性及精確性，本文采用的實驗數據來源于M公司2013年1月至2015年11月的DYX-45790型號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據以秒為單位存在，并且存在一些缺失值，不能直接用于模型預測。為使原始數據符合目標模型要求，需要對原始數據進行進一步處理。針對原始服裝面料需求訂單數據中的缺失值，采用同期數據均值進行填充。原始服裝面料需求數據沒有將數據聚合過于離散，不便于分析產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據。經處理后的M公司DYX-45790型號服裝面料需求數據如圖2所示，可見在2013-2015年間DYX-45790型號面料需求數據波動明顯，有明顯的周期性和季節性趨勢，整體呈下降趨勢。

節假日通常由于放假及促銷活動等原因會導致服裝面料需求增加，在對服裝面料需求預測時除了考慮正常趨勢情況，還要考慮假期和突發事件情況下對服裝需求量造成的影響。

2.2? 實驗環境

本實驗使用Windowsl0 64位操作系統，intel（r）xeon（r） E3-1225 v5處理器，主頻為3.30 GHz，內存為32 GB，基于Python3開發環境在Jupyter Notebook實現整個實驗流程。

2.3? 評價指標

本文采用均方根誤差（RMES）及平均絕對誤差（MAE）作為評價指標對模型的效果進行評估。RMES如式（6）所示，MAE如式（7）所示。當RMES、MAE評價指標的結果越小時，預測值與真實值之間誤差越小，模型的預測精度越高，模型效果越好。

2.4? Prophet模型訓練

考慮到周期性、季節性及節假日或特殊促銷活動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據進行擬合并預測。時間序列越接近正態分布則數據的可用性會越高，也更能提高建模的準確性[7]。為保證模型效果，對將缺失值進行同期均值填充處理后的服裝面料需求數據做log處理，如圖3所示。

首先，實例化一個Prophet對象，使用fit方法實現模型的擬合。Prophet通過變化速率的突變及對趨勢變化的幅度做稀疏先驗來自動監測時間序列數據中的趨勢突變點，通過調整趨勢參數能有效防止過擬合的問題。本實驗設置changepoint_prior_scale=0.5來增強趨勢擬合效果，提高了趨勢擬合的靈活性。然后，構建待預測日期數據框periods=60來預測未來兩個月的面料需求量，設置季節性傅立葉級數為10。考慮到節假日對面料需求量不可忽視的影響，本實驗創建了新的dataframe用于記錄歷史時間及待預測時間中出現的所有節假日，以此實現對節假日的專門建模。最后，擬合模型并得到訓練結果，模型組成成分析結果如圖4所示。Prophet模型將時間序列分解成分段線性趨勢項（trend）、傅立葉級數季節項（weekly、yearly）和假期項（holidays）三大組成成分。全面分析面料需求量趨勢，M公司DYX-45790型號面料需求量逐年下滑，在全年1、3、5、9月出現峰值，面料需求量很可觀，但在6、11月出現滑坡。從周面料需求量趨勢進行分析，周末面料需求量顯著高于工作日。受到節假日的影響，在法定假期附近，面料需求量皆出現上漲趨勢。

Prophet訓練的預測結果如圖5所示，模型靈活的通過深藍色線擬合了黑色圓點代表的實際值，并且給出了未來6個月的預測值，淺藍色區域表示了預測的合理范圍yhat upper及yhat lower。

3? 實驗結果與分析

為了驗證模型的預測性能，本文采用Prophet與LSTM作對比實驗進行驗證，采用RMES、MAE作為模型評價指標。各模型預測效果評價指標對比如表2所示。

結果表明，Prophet模型相較于人工神經網絡LSTM模型，均方根誤差及平均絕對誤差均有所降低，表現更優;Prophet的RMES為3.691，MAE為3.073，評價指標越低，預測精度越高。這證明了本實驗模型對于時間序列特征的面料需求量數據預測精度提高具有有效性，因此Prophet模型能更好地擬合歷史數據特征，合理提升服裝面料需求預測精度。

4? 結? 論

服裝生產離不開面料的支撐，面料需求預測是服裝生產企業經營管理的重要方面。為有效提升服裝面料需求量的預測精度，以M公司DYX-45790型號服裝面料2013年1月至2015年11月的服裝面料需求歷史訂單數據為對象，首先分析服裝面料需求量數據時間序列周期非確定性對服裝面料需求歷史訂單數據進行預處理，然后構建基于Prophet算法的服裝面料需求預測模型并對數據進行建模，最后，采用RMES、MAE作為評價指標與LSTM進行對比實驗，通過評價指標衡量模型性能及預測精確度。實驗結果表明：Prophet模型有效提升了面料需求量時間序列預測的準確性。在未來工作中，將進一步考慮不同模型的融合，進一步提高模型性能及預測精度。

參考文獻：

[1] 江婷.D公司基于需求預測的運動服裝面料庫存優化研究 [D].上海：東華大學，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測 [J].現代電子技術，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測 [J].企業科技與發展，2020（10）：97-98.

[5] 常炳國，臧虹穎，廖春雷，等.基于選擇性集成ARMA組合模型的零售業銷量預測 [J].計算機測量與控制，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測研究 [D].鎮江：江蘇科技大學，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：工業大數據;

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、物聯網工程、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：邊緣計算。