牛鞭效应是一种终端消费者的需求信息沿着供应链向上游不断变异扩大的现象。上游供应商无法及时获取有效的需求信息,容易制订错误的生产策略、积压过多库存,这就导致了整条供应链的低效率、低顾客满意度和高成本。牛鞭效应的缓解能够提高企业资金周转率、运营效率及客户满意度,并降低成本,从而提升企业竞争力。通过量化牛鞭效应可以直接观察到牛鞭效应的增减波动情况,而需求预测方法和库存策略是构建牛鞭效应量化模型的关键。传统文献在牛鞭效应量化建模中通常使用简单线性预测方法,而非线性预测方法在牛鞭效应量化模型中鲜有涉及。本文提出一种基于小波变换(Discrete Wavelet Transforms,DWT)和深度长短时记忆网络(Deep Long Short Term Memory,DLSTM)集成的DWT-DLSTM预测方法,对该预测方法下四种库存策略的牛鞭效应进行量化建模,并用实际非线性需求数据对模型进行有效性检验,通过降低需求预测误差和选择最佳库存策略的方法抑制牛鞭效应。本文的主要内容如下:首先,在文献分析基础上,梳理了小波分析及时间序列预测方法的基本过程和类型;分析了牛鞭效应的成因及牛鞭效应量化的基本方法。其次,在分析波、需求信息与长短时记忆网络的关联性的基础上,提出了基于DWT-DLSTM集成的预测方法。对该集成预测方法的网络结构、主要步骤及实现算法进行了设计,并通过数值分析与其他预测方法进行了比较,验证了该预测方法的有效性。再次,构建了基于DWT-DLSTM预测方法的牛鞭效应量化模型并进行了关键参数分析。基于DWT-DLSTM需求预测方法,建立了OUT补货策略、库存平滑补货策略、订货平滑补货策略、一般线性补货策略下的牛鞭效应量化模型,并探讨牛鞭效应表达式函数在关键参数变化下的增减情况。最后,利用实际数据对牛鞭效应进行量化和比较分析。运用DWT-DLSMT预测方法对真实的电商需求量数据进行预测,通过比较不同库存策略和不同预测方法下的牛鞭效应量化值来验证模型的有效性并选择最小牛鞭效应量化值下的最优库存策略。