本发明涉及一种订单预测的方法，特别是一种使用神经网络训练得到的模型预测订单的方法。
背景技术：
对于电子产品制造商而言，最理想的情况是库存维持在一定数量以下，过高的库存以及较低的库存周转率将占用大量的资金，对现金流造成压力，此外，高库存也增加额外的时间以及人力成本用于仓储费用、拣选产品及盘点。
现今对于订单预测的方式，大多是依赖经验、先前的订单及库存资料进行判断。然而，人类并无法精确地掌握过于复杂且高维度的资料，即使采用简单回归或时间序列分析来预订单，也只能依循前期的状况进行预测，无法从长期的角度来分析而确保其预测准确率。因此，目前极需一种高准确率的订单预测方法。
技术实现要素：
有鉴于此，本发明提出一种基于神经网络模型(neuralnetworkmodel)的订单预测方法，借此解决现有方法中订单预测准确率不高的问题。
依据本发明一实施例所叙述的一种订单预测方法，适用于一产品生产计划系统。所述的方法包括：取得关联于产品的下次参考订单的参考信息及产品的本次实际订单；依据参考信息及本次实际订单执行一基于神经网络模型的算法以产生特征向量；以及依据特征向量执行另一基于神经网络模型的算法以输出下次预测订单至产品生产计划系统，以供产品生产计划系统依据下次预测订单计划生产线生产产品的运行。
通过上述架构，本发明所公开的订单预测方法可综合考量关联于订单的多种类型信息，做出更为精确的下次订单预测。例如：若预测下周将接获大量订单，则提前在本周主动提高产能以满足下周的订单；若预测到下周的订单数量减少将导致库存率升高，则在本周降低产能以避免生产过剩。本发明有助于减少库存，进一步减少盘点仓储的时间成本及人力成本。
以上的关于本发明内容的说明及以下的实施方式的说明用以示范与解释本发明的精神与原理，并且提供本发明的专利申请权利要求保护范围更进一步的解释。
附图说明
图1是依据本发明一实施例的订单预测方法所绘示的流程图。
图2是下次预测订单、下次参考订单及本次实际订单的“订单量-时间”的折线图。
具体实施方式
以下在实施方式中详细叙述本发明的详细特征以及优点，其内容足以使任何本领域的技术人员了解本发明的技术内容并据以实施，且根据本说明书所公开的内容、权利要求保护范围及附图，任何本领域的技术人员可轻易地理解本发明相关的目的及优点。以下的实施例进一步详细说明本发明的观点，但非以任何观点限制本发明的范畴。
本发明提出的订单预测方法适用于产品生产计划系统。所述的产品生产计划系统例如是云端服务器，可用于控制产品生产线的运作。产品生产计划系统可包括处理器及存储器，也可更进一步包括硬盘及多个可进行平行处理的运算单元。产品生产计划系统的处理器运行本发明提出的订单预测方法。产品生产计划系统依据本发明提出的订单预测方法的输出结果适应性地调整生产线上的机具运作的参数，借此提高生产周期或降低生产周期实现控制产品产量的效果。实务上，产品生产计划系统例如是企业资源计划系统(enterpriseresourceplanning，erp)、进销存(purchase,sales,inventory，psi)管理系统。
请参考图1，其是绘示本发明的一实施例的订单预测方法的流程图。
请参考步骤s1，取得产品的本次实际订单及参考信息。
详言之，本次实际订单例如是销售订单(salesorder，so)记载的数值。参考信息关联于产品的下次参考订单。参考信息包括一或多个参考值。若参考信息为一参考值，该参考值例如为下次参考订单。若参考信息为多个参考值，则这些参考值分别对应到多个参考订单，这些参考订单其中一个是下次参考订单，且这些参考订单在时间上依据第一周期连续。所述的第一周期例如采用以“周”为单位，所述的参考信息例如是下周参考订单以及其后的连续n-1周的参考订单(即参考信息为连续n周的参考订单)。所述的参考信息可以还包括连续n周的目标库存率、或者是连续n期的原材料预测价格、连续n周的天气，或者是上述列举的任意组合，本发明对于前述举例的n值以及可作为参考信息的种类和数目并不特别限制。
请参考步骤s2，依据参考信息及本次实际订单执行基于神经网络模型的算法以产生特征向量。在本发明一实施例中，所述的基于神经网络模型的算法例如包括注意力机制(attentionmechanism)的长短期记忆网络(longshort-termmemory，lstm)，其输入参数为多维度的向量(例如n 1维度)，由参考信息(例如连续n周的参考订单)及本次实际订单(例如从上周日起至本周六止累计的订单量)所组成。采用lstm的神经网络模型以前述多维度(例如30维)的向量作为输入层参数，并产生一个多维度的特征向量(例如是64维)。
实务上，采用lstm的神经网络模型是预先根据过往的参考信息及过往的实际订单训练而成。例如采用第1周至第20周的参考订单和实际订单等信息自动调整神经网络模型中的多个权重，并且在第21周时将训练后的模型用在产品生产计划系统及生产线上运作，从第21周起所做的预测和实际订单，可选择性地反馈到神经网络模型当中。另外需提及的是，所述的参考信息可采用不同的周期输入至采用lstm的神经网络模型。举例来说，参考订单是以“周”为单位作为输入层参数，原材料预测价格则是以“月”为单位作为输入层参数。在每周更新参考订单的输入层参数时，若非适逢每月更新原材料预测价格的时间点，则可选择性地输入0值或是延续前次输入值作为代替。
请参考步骤s3，依据特征向量执行另一算法以输出下次预测订单至产品生产计划系统，以供产品生产计划系统依据下次预测订单控制生产线生产产品的运行。所述的另一算法是基于一神经网络模型的算法，或基于一回归分析的算法。实务上，所述的基于神经网络模型的另一算法是多层感知器(multilayerperceptron，mlp)。mlp以lstm产生的多维度特征向量作为输入参数，并采用线性组合(linearcombination)的方式将该特征向量转换为一标量，此标量代表下次预测订单。因此，产线控制系统可依据该下次预测订单的数值适应地调整后续产线上的生产进度，借此可避免额外的生产导致库存率提高。在本发明另一实施例中，mlp也可以输出多个标量代表连续数次的预测订单。举例来说，若预测周期为4，则输出连续四周的预测订单，借此作为产品生产计划系统下个月的参考指标。生产线上的各项生产机具也可依据下次预测订单而决定本身运行时的参数设定。
请参考图2，其是应用本发明一实施例的订单预测方法所得到的下次预测订单、下次参考订单及本次实际订单的“订单量-时间”的折线图，其中前20周为神经网络模型的训练阶段，因此实际订单、预测订单及参考订单的数值相同。第21周起为神经网络模型上线运作阶段，由图2可看出，应用本发明一实施例的订单预测方法所得到的预测订单在约第50周起之后愈来愈贴近实际订单的折线，这代表本发明一实施例的订单预测方法的精确度可随着上线运作时间而更为提高。
综上所述，本发明提出的订单预测方法，采用lstm以及mlp分别作为权重区以及分析区，lstm输出多维向量信息作为mlp的输入，mlp输出一维(也可为多维)向量信息作为下次预测订单。lstm的输入资料包括本次实际订单与参考信息，参考信息可涵盖多种类的预测信息，例如连续半年的参考订单、预测库存率等。本发明所述的订单预测方法可在训练过程中自动调整权重区中的权重值，并且在上线运行之后，仍可持续根据实际运作结果以及误差作为新的训练资料反馈至神经网络的模型中，因此得以进一步提升预测的准确率。整体而言，本发明所公开的订单预测系统可综合考量关联于产品生产的多种类型信息，做出更为精确的下次订单预测。例如：若预测下周将接获大量订单，则提前在本周主动提高产能以满足下周的订单；若预测到下周的订单数量减少将导致库存率升高，则在本周降低产能以避免生产过剩。本发明并且有助于减少库存，进一步减少盘点仓储的时间成本及人力成本。
当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属本发明所附的权利要求的保护范围。
1.一种订单预测方法，其特征在于，适用于一产品生产计划系统，所述的方法包括：
取得关联于一产品的一下次参考订单的一参考信息及该产品的一本次实际订单；
依据该参考信息及该本次实际订单执行基于一神经网络模型的一算法以产生一特征向量；以及
依据该特征向量执行另一算法以输出一下次预测订单至该产品生产计划系统，以供该产品生产计划系统依据该下次预测订单控制一生产线生产该产品的运行。
2.根据权利要求1所述的订单预测方法，其特征在于，基于该神经网络模型的该算法是长短期记忆网络。
3.根据权利要求1所述的订单预测方法，其特征在于，该另一算法是基于另一神经网络模型的一算法或基于一回归分析的一算法。
4.根据权利要求3所述的订单预测方法，其特征在于，基于该另一神经网络模型的该算法是多层感知器。
5.根据权利要求1所述的订单预测方法，其特征在于，该参考信息包括多个参考值，该些参考值对应至多个参考订单，且该些参考订单依据一第一周期在时间上连续，该些参考订单其中一个是该下次参考订单。
6.根据权利要求1所述的订单预测方法，其特征在于，该另一算法还输出另一下次预测订单，该下次预测订单及该另一下次预测订单间隔一预测周期。
技术总结