CN114418602A - 一种基于需求预测的在线零售商产品库存决策方法和系统 - Google Patents
一种基于需求预测的在线零售商产品库存决策方法和系统 Download PDFInfo
- Publication number
- CN114418602A CN114418602A CN202011176200.4A CN202011176200A CN114418602A CN 114418602 A CN114418602 A CN 114418602A CN 202011176200 A CN202011176200 A CN 202011176200A CN 114418602 A CN114418602 A CN 114418602A
- Authority
- CN
- China
- Prior art keywords
- demand
- period
- product
- fuzzy
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 47
- 230000006399 behavior Effects 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012552 review Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000007405 data analysis Methods 0.000 abstract description 5
- 230000002354 daily effect Effects 0.000 description 34
- 230000003203 everyday effect Effects 0.000 description 6
- 230000002068 genetic effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于需求预测的在线零售商产品库存决策方法和系统，属于大数据预测及运筹优化领域。包括：预测在线零售商产品订购周期内各个订购时期的需求；利用三角模糊数，将该产品各个订购时期的预测需求转化为模糊需求；将该产品各个订购时期的模糊需求代入库存优化决策模型并求解，得到该产品各个订购时期的最佳订购量；本发明考虑到预测不一定准确，通过模糊需求将需求预测和库存优化模型融合在一起。利用大数据及大数据分析技术对在线零售商的产品需求进行预测，基于三角模糊需求将预测结果转化为模糊需求，将模糊需求带入动态批量模型中解决产品的多周期最优订购数量的问题，能够为企业应用大数据进行库存优化管理提供技术支持。
Description
技术领域
本发明属于大数据预测领域，更具体地，涉及一种基于需求预测的在线零售商产品库存决策方法和系统。
背景技术
我们处于数据爆炸的时代，如何有效的利用数据并提高企业的运营管理是企业在竞争中取得优势的关键因素之一。不同于传统的零售商，在线零售商拥有大量的用户数据，例如用户的点击流数据、在线评论数据等。此外，由于互联网技术的飞速发展，除传统的线下渠道外，用户的购物渠道变得复杂而多样，这对在线零售商准确的预测需求从而优化库存管理提出新的挑战。现有分别关于需求预测和库存管理的技术不在少数，然而，却很少涉及将需求预测及库存管理决策融合的技术，此外，大多数技术直接将预测结果带入优化模型中，而忽略了预测可能存在的不准确性。
基于大数据集及大数据分析技术对在线零售商的产品需求进行更准确的预测，并考虑到预测可能存在的误差，提出一种有效的“需求预测+库存决策”的融合方法，将有助于为在线零售商在大数据环境下取得竞争优势从而进一步优化库存管理提供技术支持。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了一种基于需求预测的在线零售商产品库存决策方法和系统，其目的在于利用大数据及大数据分析技术对在线零售商的产品需求进行预测，然后基于三角模糊需求将预测结果转化为模糊需求，最后将模糊需求带入动态批量模型中解决产品的多周期最优订购数量的问题。本发明能够为企业将基于大数据及大数据分析技术的预测与基于模型的管理优化决策的融合提供技术支持。
为实现上述目的，按照本发明的第一方面，提供了一种基于需求预测的在线零售商产品库存决策方法，该方法包括：
S1.预测在线零售商产品订购周期内各个订购时期的需求；
S2.利用三角模糊数，将该产品各个订购时期的预测需求转化为模糊需求
其中，
表示第t订购时期的模糊需求，yt 表示第t订购时期的最悲观值，yt表示第t订购时期的预测值，
表示第t订购时期的预测的最乐观值，t＝1，2，…，T，T表示订购周期；
S3.将该产品各个订购时期的模糊需求代入库存优化决策模型，求解库存优化决策模型，得到该产品各个订购时期的最佳订购量；
所述库存优化决策模型具体如下：
其中，ckt表示第t订购时期向第k个供应商订购的固定订购成本，rkt表示第t订购时期是否向第k个供应商进行订购，pkt表示第t订购时期向第k个供应商订购的单位产品订购成本，wkt表示第t订购时期向第k个供应商订购的数量，ht表示第t订购时期的单位库存持有成本，It表示第t订购时期末的库存，
为第t订购时期的模糊需求，k＝1，2，…，K，K表示供应商数量。
有益效果：本发明引入模糊需求，通过模糊需求将需求预测和库存优化模型融合在一起；利用三角模糊需求将预测结果转化为模糊需求，这考虑了预测可能存在的误差，更符合实际情况。
优选地，yt是对多个预测算法的预测值进行加权取整；
n表示预测算法个数，RMSEi为第i个预测算法预测需求时的均方根误差，[·]表示取整符号。
优选地，所述模糊需求
等于x的可能性表示如下：
有益效果：利用获得的三角模糊需求函数将动态批量订购模型中的模糊等式(或不等式)转化为确定性等式(或不等式)求解。
优选地，步骤S3中，将动态批量模型中的模糊约束改为确定性约束，设在第t订购时期的置信水平为αt，在该置信水平下，模糊约束
转化为以下确定性约束：
动态批量订购模型转化为：
有益效果：在一定的置信水平下将模糊约束转化为确定性约束，有效的将预测结果融入到库存优化决策模型中，为在线零售商将需求预测与库存优化决策融合提供了技术支持。
优选地，步骤S1包括以下步骤：
S11.收集该在线零售商该产品上架以来的历史销量数据和顾客关于该在线零售商该产品的全部的点击行为及评价数据；
S12.对收集到的数据进行特征工程处理，包括数据预处理、特征提取和降维，然后对经过特征工程处理的数据进行聚类，从而对具有相似特征的数据进行分类；
S13.将经过聚类后的不同类别的数据分别输入到不同预测算法中，得到不同预测算法得到的需求预测值；
S14.对不同预测算法得到的需求预测值，采用加权平均法确定最终的需求预测值，计算公式如下：
其中，yit为第i个预测算法对第t订购时期产品需求预测值，n表示预测算法个数，wi为第i个预测算法的权重，RMSEi为第i个预测算法预测需求时的均方根误差。
有益效果：既考虑了历史销量数据，还考虑了顾客行为数据(包括点击流数据及顾客在线评论数据)等多源数据，考虑多源大数据有助于提升需求预测准确性；将数据根据相似性进行聚类并用同一类的数据预测新的数据将可能提升预测的准确性；对不同模型获得的预测值根据其预测效果利用加权平均法获得最终的预测值，这有助于提升需求预测的鲁棒性。
优选地，所述点击行为数据包括顾客点击、收藏、购买、放购物车行为、顾客年龄、性别、顾客分别在不同页面的停留时间，所述评论数据包括一年内顾客关于该在线零售商该产品的各种评论的数量和比例、置顶的评论是好评还是差评、关于产品某些特征的评价好坏比例和平均评论字数。
优选地，数据预处理包括以概率填补顾客的年龄及性别的缺失值，以均值或众数填补其他缺失值。
有益效果：顾客的年龄及性别蕴含了顾客购买行为的重要特征，在线零售商拥有的关于顾客年龄及性别的数据中存在较多的缺失值。本发明将顾客年龄按照年龄段进行分类，并以现有数据中不同年龄段的概率填补这些缺失值，更能反映实际情况，从而有助于提升后期预测的准确性。性别填充方式同理。
优选地，特征提取不仅包括原始数据中的已有特征，还包括在原始数据的基础上生成新的特征，所述新的特征包括：不同年龄用户的比例、不同性别用户的比例、评价好坏比例、平均评论字数。
有益效果：除包含原始特征外，还包含在原有特征的基础上生成的新的特征，大量的特征有助于学习器学习到数据中包含的信息，从而提升预测的准确性。
为实现上述目的，按照本发明的第二方面，提供了一种基于需求预测的在线零售商产品库存决策系统，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行第一方面所述的基于需求预测的在线零售商产品库存决策方法。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
本发明主要通过引入模糊需求将基于大数据及大数据分析技术的在线零售商的产品需求预测与基于动态批量订购模型的库存优化决策问题融合起来，从而为在线零售商在大数据环境下取得竞争优势并优化库存管理提供技术支持。
附图说明
图1为本发明提供的一种基于需求预测的在线零售商产品库存决策方法流程图；
图2为本实施例提供的整理的结构化数据缩略图；
图3为本实施例提供的轮廓系数法判定最优聚类数量结果图；
图4为本实施例提供的预测终值获得流程图；
图5为本实施例提供的一种基于需求预测的在线零售商产品库存决策系统框架图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供了一种基于需求预测的在线零售商产品库存决策方法，该方法包括：
步骤S1.预测在线零售商产品订购周期内各个订购时期的需求。
优选地，步骤S1包括以下步骤：
S11.收集该在线零售商该产品上架以来的历史销量数据和顾客关于该在线零售商该产品的全部的点击行为及评价数据。
收集产品上架以来该产品的历史销量数据。
优选地，所述点击行为数据包括顾客点击、收藏、购买、放购物车行为、顾客年龄、性别、顾客分别在不同页面的停留时间，所述评论数据包括一年内顾客关于该在线零售商该产品的各种评论的数量和比例、置顶的评论是好评还是差评、关于产品某些特征的评价好坏比例和平均评论字数。
收集产品上架以来顾客关于该产品的点击流数据。包括每日对该产品有所操作的顾客的是否点击、是否收藏、是否加购物车、是否购买等行为及浏览不同页面(如搜索页、产品主页、产品详细页、评价页、推荐页等)的时间、顾客的年龄、性别等数据。
收集产品上架以来顾客关于该产品的评论数据。包括每日累计好评总量、每日累计差评总量、每日新增好评总量、每日新增差评总量、每日累计追评总量、每日新增追评总量、每日累计追评中好评总量、每日累计追评中差评总量、每日前100条评论好差评构成、每日置顶评论是好评还是差评(0代表差评，1代表好评)等。
数据预处理。由于收集到的数据有些特征不完整，因此需要填补缺失值。针对顾客性别和年龄的缺失，由于在线顾客性别主要为女性且年龄主要集中在18-35岁之间，所以用众数或者均值来填补缺失值不太合理，因此采用概率法填充。例如按照数据中的男女性别比例随机生成缺失的男女性别特征，年龄特征的填补方法与这类似。其他缺失数据根据均值或众数填充。
S12.对收集到的数据进行特征工程处理，包括数据预处理、特征提取和降维，然后对经过特征工程处理的数据进行聚类，从而对具有相似特征的数据进行分类。
由于收集到的数据之中原始特征有限，因此对数据进行进一步的挖掘，提取新的特征，使得算法能充分的挖掘出数据中的有价值的信息。这些特征包括：每日顾客对该产品各行为(包括点击量、收藏量、放购物车量、购买量)之间的比例、每日点击的顾客男女性别数量、每日点击的不同年龄段顾客数量(分18岁以下、18-24、25-29、30-34、35-39、40-49、50岁及以上、年龄未知等8类，下述关于年龄段的分类与这里一致)、每日收藏的顾客男女性别数量、每日收藏的不同年龄段顾客数量、每日放购物车的顾客男女性别数量、每日放购物车的不同年龄段顾客数量、每日购买的顾客男女性别数量、每日购买的不同年龄段顾客数量、每日在不同页面停留的顾客数量、每日在不同页面停留的顾客平均浏览时间、每日在不同页面停留的顾客性别构成、每日在不同页面停留的顾客年龄构成、每日关于产品某些特征的累计好评差评构成、每日关于产品某些特征的新增好评差评构成、每日累计评论的平均评论字数、每日新增评论的平均评论字数等。
通过特征提取，得到大量特征。由于在维数较大的情况下预测模型需要运行大量的时间，且这些特征中的部分数据特征具有很大的稀疏性，含有的有效信息较少，因此需要通过降维在保留原始特征绝大多数信息的情况下降低数据的维数，从而提高预测模型的运行效率。在该步骤中，本实施例采用主成分分析法降维，选择特征值大于1的主成分，并根据因子载荷确定每个因子与主成分的从属关系，从而确定新的主成分。
对经过特征工程处理的数据进行聚类的具体步骤为：由于聚类有助于发现相似的数据特征或相似的需求波动趋势，因此将数据根据相似性进行聚类并用同一类的数据预测新的数据将可能提升预测的准确性。于是，本步骤将经过降维获得的主成分带入聚类算法中进行聚类。由于k-means算法在处理大数据集的情况下能保持较好的伸展性和较高的效率，因此，本步骤选取的聚类算法为k-means。在该算法中，聚类数目的确定通过轮廓系数法(Silhouette Coefficient)确定。
S13.将经过聚类后的不同类别的数据分别输入到不同预测算法中，得到不同预测算法得到的需求预测值。
采用逻辑回归、支持向量机、神经网络、决策树、随机森林、卷积神经网络等算法进行预测。由于临近几天的需求数据对预测未来一段时间的需求趋势具有重要价值，因此，选取前一个星期的数据作为模型的输入特征值，未来一天的需求作为标签。
S14.对不同预测算法得到的需求预测值，采用加权平均法确定最终的需求预测值，计算公式如下：
其中，yit为第i个预测算法对第t订购时期产品需求预测值，n表示预测算法个数，wi为第i个预测算法的权重，RMSEi为第i个预测算法预测需求时的均方根误差。
步骤S2.利用三角模糊数，将该产品各个订购时期的预测需求转化为模糊需求
其中，
表示第t订购时期的模糊需求，yt 表示第t订购时期的最悲观值，yt表示第t订购时期的预测值，
表示第t订购时期的预测的最乐观值，t＝1，2，…，T，T表示订购周期。
优选地，yt是对多个预测算法的预测值进行加权取整；
n表示预测算法个数，RMSEi为第i个预测算法预测需求时的均方根误差，[·]表示取整符号。
优选地，所述模糊需求
等于x的可能性表示如下：
步骤S3.将该产品各个订购时期的模糊需求代入库存优化决策模型，求解库存优化决策模型，得到该产品各个订购时期的最佳订购量；
所述库存优化决策模型具体如下：
其中，ckt表示第t订购时期向第k个供应商订购的固定订购成本，rkt表示第t订购时期是否向第k个供应商进行订购，pkt表示第t订购时期向第k个供应商订购的单位产品订购成本，wkt表示第t订购时期向第k个供应商订购的数量，ht表示第t订购时期的单位库存持有成本，It表示第t订购时期末的库存，
为第t订购时期的模糊需求，k＝1，2，…，K，K表示供应商数量。
优选地，步骤S3中，将动态批量模型中的模糊约束改为确定性约束，设在第t订购时期的置信水平为αt，在该置信水平下，模糊约束
转化为以下确定性约束：
动态批量订购模型转化为：
设计启发式算法求解模型从而获得最优的多周期订购量的具体步骤为：针对动态批量订购模型，设计遗传算法进行求解。在遗传算法中，种群数目、交叉率、变异率等参数均根据求解情况适当选取。
实施例
下面以某在线零售商的坚果库存管理为例进行说明，其包括以下步骤(见图1)：
101.收集顾客行为数据及在线零售商产品销量数据：
从系统后台收集该坚果近一年的销量数据及近一年来对该店铺该坚果有行为的顾客关于该店铺该坚果的全部的点击行为及评价数据，其中点击行为数据包括顾客点击、收藏、购买、放购物车行为、顾客年龄、性别、顾客分别在不同页面(搜索页、产品主页、产品详细页、评价页、推荐页)的停留时间，评论数据包括近一年来顾客关于该店铺该坚果的全部评论、有图/视频评论、追加评论、好评、中/差评等。
102.对收集的数据进行特征工程处理：
该步骤包括数据预处理、特征提取和降维。
①数据预处理包括填补数据中的缺失值及删除异常值。其中数据中的顾客年龄和性别数据缺失较多，采用概率法进行填充，顾客在不同页面的停留时间的缺失数据采用均值填充，删除在某个页面停留时间过长但无进一步操作的数据。
②特征提取包括提取每日顾客对该坚果的所有点击量、收藏量、放购物车量、购买量、对该坚果各行为(包括点击量、收藏量、放购物车量、购买量)之间的比例、每日点击的顾客男女性别数量、每日点击的不同年龄段顾客数量(分18岁以下、18-24、25-29、30-34、35-39、40-49、50岁及以上、年龄未知等8类，下述关于年龄段的分类与这里一致)、每日收藏的顾客男女性别数量、每日收藏的不同年龄段顾客数量、每日放购物车的顾客男女性别数量、每日放购物车的不同年龄段顾客数量、每日购买的顾客男女性别数量、每日购买的不同年龄段顾客数量、每日在不同页面停留的顾客数量、每日在不同页面停留的顾客平均浏览时间、每日在不同页面停留的顾客性别构成、每日在不同页面停留的顾客年龄构成、每日关于该坚果某些特征(包括口感味道很好、性价比高、保质期好、分量足、包装精致、到货快等)的累计好评差评构成、每日关于该坚果某些特征的新增好评差评构成、每日累计评论的平均评论字数、每日新增评论的平均评论字数，每日累计有图/视频评论数量、每日新增有图/视频评论数量、每日累计追评数量、每日新增追评数量等。整理成的结构化数据的简略图见图2。
③采用主成分分析法(PCA)降维。将以上结构化数据导入SPSS软件中，利用主成分分析法降维。选取特征值大于1的主成分。
103.对经过特征工程处理的数据进行聚类：
将经过特征工程处理的数据导入Python中，利用轮廓系数法(SilhouetteCoefficient)先判断该数据最适合的聚类的数目(如图3所示，最优的聚类数目是3)，然后在k-means算法中输入轮廓系数法确定的聚类数目对数据进行聚类。
104.利用机器学习、深度学习等算法预测产品未来多个周期的需求：
将经过聚类后的不同类别的数据分别输入到机器学习、深度学习模型中，这些模型包括：逻辑回归(LR)、支持向量机(SVR)、神经网络(ANN)、决策树(DT)、随机森林(RF)、卷积神经网络(CNN)，模型序号依次记为1、2、3、4、5、6。模型的输入特征为前一星期的日数据的所有特征，标签为未来一天的需求。将各模型的输出值根据各模型的预测效果进行加权平均获得最终的预测值。
加权平均公式为
其中
[yt]为t时期的产品需求预测值的取整值，yit为第i个算法对第t期产品需求预测值，wi为第i个算法的权重，RMSEi为第i个算法预测需求时的均方根误差。具体的加权流程图见图4。
105.利用三角模糊需求将预测的需求转化为模糊需求：
为将预测误差考虑到优化决策中，本发明引入三角模糊需求。三角模糊需求
由一个三元组
构成，模糊需求
等于x的可能性被表示为
其中yt为t时期需求的最可能值，yt＝[yt]；yt为t时期需求的最悲观值，
为t时期需求预测的最乐观值，
所以模糊需求
等于x的可能性被转化为
106.将模糊需求带入到构建的动态批量订购模型中：
在本步骤中首先构建基于模糊需求的动态批量订购模型，然后根据公式(2)将动态批量订购模型中的模糊等式转化为确定性等式。具体的基于模糊需求的需求预测与库存决策融合方式见图5。
该在线零售商针对该坚果的采购有三个供应商。在线零售商向这三个供应商采购坚果时要付出固定的采购成本(与采购数量无关)及单位产品采购成本(与采购数量相关)，此外，还要考虑库存持有成本。考虑时间周期T＝7，忽略采购的提前期，以在线零售商成本最小化为目标，构建的动态批量模型如下：
wkt，It≥0 (4)
rkt∈{0，1} (5)
其中ckt表示第t时期向第k个供应商采购的固定采购成本，rkt表示第t时期是否第k个供应商进行采购，pkt表示第t时期向第k个供应商采购的单位产品采购成本，wkt表示第t时期向第k个供应商采购的数量，ht表示第t时期的单位库存持有成本，It表示第t时期末的库存，
为第t时期的模糊需求。公式(3)表示在线零售商的库存变化等式，公式(4)约束采购量及库存量非负，公式(5)表示当rkt是一个二元变量，当rkt＝0时表示该在线零售商不向第k个供应商采购，rkt＝1是表示该在线零售商向第k个供应商进行采购。
动态批量订购模型中的公式(3)为模糊约束，本实施例根据公式(2)将其转化为确定性约束。设在第t时期的置信水平αt＝0.9，在该置信水平下，模糊约束(3)可转化为以下确定性约束：
于是，动态批量订购模型的约束由公式(3)(4)(5)转变为(3)(4)(6)。
107.设计启发式算法求解模型从而获得最优的多周期订购量。
设计遗传算法求解上述动态批量模型，其中ckt、pkt、ht这些参数可由在线零售商提供，wkt为决策变量。遗传算法中种群数目设置为50，交叉率＝0.6，变异率＝0.5。
本发明提供了一种基于需求预测的在线零售商产品库存决策系统，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行上述基于需求预测的在线零售商产品库存决策方法。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于需求预测的在线零售商产品库存决策方法，其特征在于，该方法包括：
S1.预测在线零售商产品订购周期内各个订购时期的需求；
S2.利用三角模糊数，将该产品各个订购时期的预测需求转化为模糊需求
其中，
表示第t订购时期的模糊需求，yt 表示第t订购时期的最悲观值，yt表示第t订购时期的预测值，
表示第t订购时期的预测的最乐观值，t＝1，2，…，T，T表示订购周期；
S3.将该产品各个订购时期的模糊需求代入库存优化决策模型，求解库存优化决策模型，得到该产品各个订购时期的最佳订购量；
所述库存优化决策模型具体如下：
其中，ckt表示第t订购时期向第k个供应商订购的固定订购成本，rkt表示第t订购时期是否向第k个供应商进行订购，pkt表示第t订购时期向第k个供应商订购的单位产品订购成本，wkt表示第t订购时期向第k个供应商订购的数量，ht表示第t订购时期的单位库存持有成本，It表示第t订购时期末的库存，
为第t订购时期的模糊需求，k＝1，2，…，K，K表示供应商数量。
2.如权利要求1所述的方法，其特征在于，yt是对多个预测算法的预测值进行加权取整；
n表示预测算法个数，RMSEi为第i个预测算法预测需求时的均方根误差，[·]表示取整符号。
3.如权利要求1或2所述的方法，其特征在于，所述模糊需求
等于x的可能性表示如下：
4.如权利要求3所述的方法，其特征在于，步骤S3中，将动态批量模型中的模糊约束改为确定性约束，设在第t订购时期的置信水平为αt，在该置信水平下，模糊约束
转化为以下确定性约束：
动态批量订购模型转化为：
5.如权利要求1至4任一项所述的方法，其特征在于，步骤S1包括以下步骤：
S11.收集该在线零售商该产品上架以来的历史销量数据和顾客关于该在线零售商该产品的全部的点击行为及评价数据；
S12.对收集到的数据进行特征工程处理，包括数据预处理、特征提取和降维，然后对经过特征工程处理的数据进行聚类，从而对具有相似特征的数据进行分类；
S13.将经过聚类后的不同类别的数据分别输入到不同预测算法中，得到不同预测算法得到的需求预测值；
S14.对不同预测算法得到的需求预测值，采用加权平均法确定最终的需求预测值，计算公式如下：
其中，yit为第i个预测算法对第t订购时期产品需求预测值，n表示预测算法个数，wi为第i个预测算法的权重，RMSEi为第i个预测算法预测需求时的均方根误差。
6.如权利要求5所述的方法，其特征在于，所述点击行为数据包括顾客点击、收藏、购买、放购物车行为、顾客年龄、性别、顾客分别在不同页面的停留时间，所述评论数据包括一年内顾客关于该在线零售商该产品的各种评论的数量和比例、置顶的评论是好评还是差评、关于产品某些特征的评价好坏比例和平均评论字数。
7.如权利要求5或6所述的方法，其特征在于，数据预处理包括以概率填补顾客的年龄及性别的缺失值，以均值或众数填补其他缺失值。
8.如权利要求5至7任一项所述的方法，其特征在于，特征提取不仅包括原始数据中的已有特征，还包括在原始数据的基础上生成新的特征，所述新的特征包括：不同年龄用户的比例、不同性别用户的比例、评价好坏比例、平均评论字数。
9.一种基于需求预测的在线零售商产品库存决策系统，其特征在于，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行权利要求1至8任一项所述的基于需求预测的在线零售商产品库存决策方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011176200.4A CN114418602B (zh) | 2020-10-28 | 2020-10-28 | 一种基于需求预测的在线零售商产品库存决策方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011176200.4A CN114418602B (zh) | 2020-10-28 | 2020-10-28 | 一种基于需求预测的在线零售商产品库存决策方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114418602A true CN114418602A (zh) | 2022-04-29 |
| CN114418602B CN114418602B (zh) | 2024-06-04 |
Family
ID=81260687
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011176200.4A Active CN114418602B (zh) | 2020-10-28 | 2020-10-28 | 一种基于需求预测的在线零售商产品库存决策方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114418602B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115239017A (zh) * | 2022-08-12 | 2022-10-25 | 北京思创银联科技股份有限公司 | 油品采购策略优化方法、装置、设备及存储介质 |
| CN115841345A (zh) * | 2023-02-16 | 2023-03-24 | 杭州柚果供应链管理有限公司 | 跨境大数据智能化分析方法、系统以及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180128863A1 (en) * | 2015-05-21 | 2018-05-10 | Hitachi, Ltd. | Energy Demand Predicting System and Energy Demand Predicting Method |
| JP2018136806A (ja) * | 2017-02-23 | 2018-08-30 | 沖電気工業株式会社 | 需要予測モデル評価装置及び需要予測モデル評価方法 |
| CN108876020A (zh) * | 2018-05-31 | 2018-11-23 | 清华大学 | 一种基于随机需求和服务水平约束的供应链优化方法 |
| WO2019053821A1 (ja) * | 2017-09-13 | 2019-03-21 | 株式会社日立製作所 | 発注支援システム、発注支援プログラム及び発注支援方法 |
-
2020
- 2020-10-28 CN CN202011176200.4A patent/CN114418602B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180128863A1 (en) * | 2015-05-21 | 2018-05-10 | Hitachi, Ltd. | Energy Demand Predicting System and Energy Demand Predicting Method |
| JP2018136806A (ja) * | 2017-02-23 | 2018-08-30 | 沖電気工業株式会社 | 需要予測モデル評価装置及び需要予測モデル評価方法 |
| WO2019053821A1 (ja) * | 2017-09-13 | 2019-03-21 | 株式会社日立製作所 | 発注支援システム、発注支援プログラム及び発注支援方法 |
| CN108876020A (zh) * | 2018-05-31 | 2018-11-23 | 清华大学 | 一种基于随机需求和服务水平约束的供应链优化方法 |
Non-Patent Citations (4)
| Title |
|---|
| 张怀胜;蒋林;: "基于模糊需求的三级供应链库存协调策略", 工业工程与管理, no. 02, 10 April 2010 (2010-04-10) * |
| 徐贤浩;廖丽平;任英;: "BASS预测模型与库存控制集成研究", 工业工程与管理, no. 03, 10 June 2010 (2010-06-10) * |
| 汪传旭;蒋良奎;: "提前期需求为模糊随机条件下的连续库存补货策略", 模糊系统与数学, no. 02, 15 April 2011 (2011-04-15) * |
| 王勃琳;许垒;洪宪培;: "考虑价格参照效应的定价订购和动态库存的联合决策", 系统工程, no. 12, 28 December 2011 (2011-12-28) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115239017A (zh) * | 2022-08-12 | 2022-10-25 | 北京思创银联科技股份有限公司 | 油品采购策略优化方法、装置、设备及存储介质 |
| CN115841345A (zh) * | 2023-02-16 | 2023-03-24 | 杭州柚果供应链管理有限公司 | 跨境大数据智能化分析方法、系统以及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114418602B (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108629665B (zh) | 一种个性化商品推荐方法和系统 | |
| CN108320171B (zh) | 热销商品预测方法、系统及装置 | |
| CN107220365B (zh) | 基于协同过滤与关联规则并行处理的精准推荐系统及方法 | |
| CN107944986B (zh) | 一种o2o商品推荐方法、系统及设备 | |
| CN107515898B (zh) | 基于数据多样性和任务多样性的轮胎企业销售预测方法 | |
| CN109685583B (zh) | 一种基于大数据的供应链需求预测方法 | |
| CN104866474A (zh) | 个性化数据搜索方法及装置 | |
| CN104679771A (zh) | 一种个性化数据搜索方法和装置 | |
| CN108921602B (zh) | 一种基于集成神经网络的用户购买行为预测方法 | |
| CN114418602B (zh) | 一种基于需求预测的在线零售商产品库存决策方法和系统 | |
| JP2022164893A (ja) | 広告関連サービス提供システム、及びユーザ側広告設備 | |
| CN112085525A (zh) | 一种基于混合模型的用户网络购买行为预测研究方法 | |
| Sakib | Restaurant sales prediction using machine learning | |
| CN114626909A (zh) | 一种商品推荐方法、系统、设备及介质 | |
| CN113946754A (zh) | 基于用户画像的权益推荐方法、装置、设备及存储介质 | |
| CN110956303A (zh) | 信息预测方法、装置、终端及可读存储介质 | |
| CN115131101A (zh) | 一种保险产品个性化智能推荐系统 | |
| CN106294410A (zh) | 一种个性化信息推送时间的确定方法及确定系统 | |
| Ji et al. | Regularized singular value decomposition in news recommendation system | |
| CN110795613A (zh) | 商品搜索方法、装置、系统及电子设备 | |
| Leng et al. | Recurrent convolution basket map for diversity next-basket recommendation | |
| CN110083766B (zh) | 一种基于元路径引导嵌入的查询推荐方法及装置 | |
| CN113763031A (zh) | 一种商品推荐方法、装置、电子设备及存储介质 | |
| CN111899063A (zh) | 一种考虑顾客消费行为和偏好的生鲜农产品在线推荐方法 | |
| WO2023225529A2 (en) | Predictive systems and processes for product attribute research and development |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |