CN115358771B - 一种基于多元回归的经营性租赁集装箱定价方法及系统 - Google Patents
一种基于多元回归的经营性租赁集装箱定价方法及系统 Download PDFInfo
- Publication number
- CN115358771B CN115358771B CN202210904527.1A CN202210904527A CN115358771B CN 115358771 B CN115358771 B CN 115358771B CN 202210904527 A CN202210904527 A CN 202210904527A CN 115358771 B CN115358771 B CN 115358771B
- Authority
- CN
- China
- Prior art keywords
- price
- dummy
- box
- multiple regression
- bin
- 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.)
- Active
Links
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
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于多元回归的经营性租赁集装箱定价系统和方法,通过参考历史参数建立多元回归模型的预测价格获得相对准确的价格预测。其方法包括:D1、依据集装箱历史数据样本设计价格预测的多元回归定价模型,并输出参考定价信息输出价格信息和根据价格查询返回查询结果;D2、销售部门和价格管理部门实时输入指令查询商品最新参考价,价格管理部门根据人工干预条件判断是否对租赁集装箱价格进行人工价格调整,并进行审批,所述审批通过后,再把价格调整信息发送给销售部门和价格管理部门;D3、调整商品价格信息,接收调整价格审批通知。提供一套可行的定价分析系统以得到更准确的集装箱租赁价格用于有效指导开展堆场箱调运工作。
Description
技术领域
本发明涉及集装箱调运管理与信息化建设领域,特别涉及一种基于多元回归的经营性租赁集装箱定价方法及系统。
背景技术
面对复杂多变的市场环境,受困于行业数据协同性不高、数据运算量大等诸多因素,目前行业上没有一套科学有效的基于集装箱定价模型。受新箱价格,地点,箱型等级,租箱公司销售网及人员等较多内外部环境因素干预,集装箱资产管理企业目前没有一套可用的定价分析模型用于有效指导开展堆场箱调运工作,利用多元线性回归公式推导历史卖箱价格的一些价格变化因子的变化率,通过变化率预测下周每个港口箱型的定价,辅助提升企业的运营效率和资产利用率。
本研究从实际业务场景出发,高度融合了一线业务人员操作经验、管理需求以及涉及到的内外部业务数据、风险因素、历史数据,设计实现了一套满足集装箱资产管理企业对于定价模型工具。
发明内容
本发明解决现有技术没有一套可行的定价分析系统以得到更准确的集装箱租赁价格用于有效指导开展堆场箱调运工作的技术问题,提供一种基于多元回归的经营性租赁集装箱定价系统及方法,通过参考历史参数建立多元回归模型的预测价格获得相对准确的价格预测。本发明的技术问题是这样解决的:
本发明提供了一种基于多元回归的经营性租赁集装箱定价系统,包括租赁集装箱定价单元、商品价格管理单元和通知中心单元。
所述租赁集装箱定价单元包括依据集装箱以距今周计的已知历史数据样本建立价格预测的多元回归定价模型、向商品价格管理单元输出根据所述多元回归定价模型得出的参考定价信息的价格信息输出模块和根据价格查询返回查询结果的查询回复模块。
所述商品价格管理单元为集装箱价格查询、监控管理客户端,包括查询模块和价格调整模块,所述查询模块中销售部门客户端和价格管理部门客户端可实时向租赁集装箱定价单元输入指令查询商品最新参考价,价格调整模块中价格管理部门客户端根据人工干预条件判断是否对租赁集装箱价格进行人工价格调整,并把价格调整信息发送给通知中心单元进行审批,所述通知中心单元反馈审批通过后,再把价格调整信息发送给销售部门客户端和价格管理部门客户端。
所述通知中心单元包括调整商品价格信息推送模块、接收价格管理部门调整价格审批通知的审批提醒模块。
所述多元回归定价模型包括价格预测多元回归模型、参数确定多元回归模型。
所述价格预测多元回归模型是关于本箱型本周预测卖箱价格与上周实际卖箱价格、过往三个月卖箱价格移动平均价、过往四周卖箱净库存移动平均值、净库存变化速度因子、单笔booking的订单箱量、以及根据本箱型进行的调整价格之间的多元回归模型(1):
Resale pricethis week=Resale pricelast week+K1×ΔNP price3mMA+
K2×ΔNet inventory4wMA+K3×ΔSpeed+K4×ΔBooking qty+
Condition adjustment
其中:
Resale pricethis week:本周预测卖箱参考价格;
Resale pricelast week:上周实际卖箱价格;
NP price3mMA:过往三个月卖箱价格移动平均价;
Net inventory4wMA:过往四周卖箱净库存移动平均值;
Speed:净库存变化速度因子;
Booking qty:单笔booking的订单箱量;
K1:ΔNP price3mMA每变化一个单位,卖箱价变动K1美元;
K2:ΔNet inventory4wMA每变化一个单位,卖箱价变动K2美元;
K3:ΔSpeed每变化一个单位,卖箱价变动K3美元;
K4:ΔBooking qty每变化一个单位,卖箱价变动K4美元;
Condition adjustment表示根据不同的箱型等级所需调整的价格;
当箱型等级为G2箱时,Condition adjustment=K5美元;
当箱型等级为G3箱时,Condition adjustment=K6美元;
当箱型等级为G4箱时,Condition adjustment=K7美元;
当箱型等级为G5箱时,Condition adjustment=K8美元;
当箱型等级为G6箱时,Condition adjustment=K9美元;
当箱型等级为G8箱时,Condition adjustment=K10美元;
当箱型等级为G9箱时,Condition adjustment=K11美元。
所述参数确定多元回归模型为利用已知样本数据确定价格预测多元回归模型中K1-K11的数值,所述参数确定多元回归模型(2);
Resale price=K1×ΔNP price3mMA+K2×ΔNet inventory4wMA+K3×
ΔSpeed+K4×ΔBooking qty+K5×G2 dummy+K6×G3 dummy+K7×G4 dummy+
K8×G5 dummy+K9×G6 dummy+K10×G8 dummy+K11×G9 dummy其中:
Resale price:实际卖箱价格;
NP price3mMA:过往三个月卖箱价格移动平均价;
Net inventory4wMA:过往四周卖箱净库存移动平均值;
Speed:净库存变化速度因子;
Booking qty:单笔booking的订单箱量;
G2 dummy:G2箱哑变量,取值0或1;
G3 dummy:G3箱哑变量,取值0或1;
G4 dummy:G4箱哑变量,取值0或1;
G5 dummy:G5箱哑变量,取值0或1;
G6 dummy:G6箱哑变量,取值0或1;
G8 dummy:G8箱哑变量,取值0或1;
G9 dummy:G9箱哑变量,取值0或1。
所述Net inventory4wMA为过往四周每周的卖箱净库存取平均值;所述卖箱净库存=在地卖箱库存-未提卖箱订单+preclear卖箱订单量,所述preclear卖箱订单量为租赁集装箱到期提交申请还箱的数量。
所述G2-G6、G8、G9为不同等级的箱型等级,所述箱型等级为箱子新旧程度的不同等级。
多元回归定价模型中所述已知历史数据样本为当期前三个月的卖箱数据。
在多元回归模型(2)中,当G2或G3或G4或G5或G6或G8或G9的历史数据样本较少时,需要将与G2或G3或G4或G5或G6或G8或G9箱型等级因子各自一一对应的系数K5或K6或K7或K8或K9或K10或K11调整为0。
所述价格预测多元回归模型通过机器学习进行调整,为可调整多元回归模型中,当预测卖箱价格与实际卖箱价格出现较大特征的变动时,所述价格预测多元回归模型在一定时间重新进行学习样本收集,所述学习样本具有新特征并根据所述学习样本自调节其K1-K4值。
所述查询商品最新参考价输入指令包括输入港口、箱型、箱型等级Grading、箱型颜色Color等指令。
所述租赁集装箱定价单元输出的查询结果包括港口、箱型、箱型等级Grading、箱型颜色Color、预测价格、预测价格浮动值。
所述净库存变化速度因子为每周卖箱净库存变化速度,根据所述净库存变化因子的绝对值过大即预测价格的浮动值超过卖箱净库存平均值的±5%,将进行人工调价。
本发明提供了一种基于多元回归的经营性租赁集装箱定价系统的定价方法。
D1、依据集装箱以距今周计的已知历史数据样本设计价格预测的多元回归定价模型,输出根据所述多元回归定价模型得出的参考定价信息和根据价格查询返回查询所述参考定价信息结果;
D2、销售部门和价格管理部门实时输入指令查询商品最新参考价,价格管理部门根据人工干预条件判断是否对租赁集装箱价格进行人工价格调整,并把价格调整信息发送去审批,所述审批通过后,再把价格调整信息发送给销售部门和价格管理部门;
D3、调整商品价格信息,接收调整价格审批通知。
所述多元回归定价模型包括价格预测多元回归模型、参数确定多元回归模型;所述价格预测多元回归模型是关于本箱型本周预测卖箱价格与上周实际卖箱价格、过往三个月卖箱价格移动平均价、过往四周卖箱净库存移动平均值、净库存变化速度因子、单笔booking的订单箱量、以及根据本箱型进行的调整价格之间的多元回归模型(1):
Resale pricethis week=Resale pricelast week+K1×ΔNP price3mMA+
K2×ΔNet inventory4wMA+K3×ΔSpeed+K4×ΔBooking qty+
Condition adjustment
其中:
Resale pricethis week:本周预测卖箱参考价格;
Resale pricelast week:上周实际卖箱价格;
NP price3mMA:过往三个月卖箱价格移动平均价;
Net inventory4wMA:过往四周卖箱净库存移动平均值;
Speed:净库存变化速度因子;
Booking qty:单笔booking的订单箱量;
K1:ΔNP price3mMA每变化一个单位,卖箱价变动K1美元;
K2:ΔNet inventory4wMA每变化一个单位,卖箱价变动K2美元;
K3:ΔSpeed每变化一个单位,卖箱价变动K3美元;
K4:ΔBooking qty每变化一个单位,卖箱价变动K4美元;
Condition adjustment表示根据不同的箱型等级所需调整的价格;
当箱型等级为G2箱时,Condition adjustment=K5美元;
当箱型等级为G3箱时,Condition adjustment=K6美元;
当箱型等级为G4箱时,Condition adjustment=K7美元;
当箱型等级为G5箱时,Condition adjustment=K8美元;
当箱型等级为G6箱时,Condition adjustment=K9美元;
当箱型等级为G8箱时,Condition adjustment=K10美元;
当箱型等级为G9箱时,Condition adjustment=K11美元。
所述参数确定多元回归模型为利用已知样本数据确定价格预测多元回归模型中K1-K11的数值,所述参数确定多元回归模型(2):
Resale price=K1×ΔNP price3mMA+K2×ΔNet inventory4wMA+K3×
ΔSpeed+K4×ΔBooking qty+K5×G2 dummy+K6×G3 dummy+K7×G4 dummy+
K8×G5 dummy+K9×G6 dummy+K10×G8 dummy+K11×G9 dummy其中:
Resale price:实际卖箱价格;
NP price3mMA:过往三个月卖箱价格移动平均价;
Net inventory4wMA:过往四周卖箱净库存移动平均值;
Speed:净库存变化速度因子;
Booking qty:单笔booking的订单箱量;
G2 dummy:G2箱哑变量,取值0或1;
G3 dummy:G3箱哑变量,取值0或1;
G4 dummy:G4箱哑变量,取值0或1;
G5 dummy:G5箱哑变量,取值0或1;
G6 dummy:G6箱哑变量,取值0或1;
G8 dummy:G8箱哑变量,取值0或1;
G9 dummy:G9箱哑变量,取值0或1。
有益效果
本发明系统和方法可以根据市场情况,实时对当期集装箱价格进行参考性定价,并辅以人工调价,及时、准确的进行集装箱资产管理。
1、依据集装箱以距今周计的已知历史数据样本设计价格预测的多元回归定价模型,能够较好地反映价格的近期波动和延续,故而能较好地预测近期的价格;销售部门和价格管理部门进而能根据上述预测的参考价格作为参考,在人工干预条件下,综合获得更准确的价格并获得审批,用于有效指导开展堆场箱调运工作。即多元回归定价模型可以利用人工智能算法进行价格预测,从而将人工智能与工作人员操作经验结合,获得最优的经营性租赁集装箱定价。
2、集装箱定价模型结合人工智能算法与工作人员操作经验:通过利用历史数据样本,利用操作经验选择净库存变化速度因子作为定价参数,并通过不断的机器学习制定最优定价计算算法,最终得到最优的集装箱定价模型。
3、通过智能化数据分析与对个别误差数据进行人工调价。若发现定价模型输出数据存在误差,在通过人工调价的方法进行处理,使定价模型在具有时效性的基础上更加准确,减小样本误差的影响。
4、及时更新用户通知,使公司内部及时统一集装箱定价,避免时间差造成的报价不准确等问题。
附图说明
图1为本发明系统的结构框图。
图2为本发明方法多元回归定价模型的应用流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述。
如图1所示,一种基于多元回归的经营性租赁集装箱定价系统,包括租赁集装箱定价单元、商品价格管理单元和通知中心单元。
所述租赁集装箱定价单元包括依据集装箱以距今周计的已知历史数据样本建立价格预测的多元回归定价模型、向商品价格管理单元输出根据所述多元回归定价模型得出的参考定价信息的价格信息输出模块和根据价格查询返回查询结果的查询回复模块。
所述商品价格管理单元为集装箱价格查询、监控管理客户端,包括查询模块和价格调整模块,所述查询模块中销售部门客户端和价格管理部门客户端可实时向租赁集装箱定价单元输入指令查询商品最新参考价,价格调整模块中价格管理部门客户端根据人工干预条件判断是否对租赁集装箱价格进行人工价格调整,并把价格调整信息发送给通知中心单元进行审批,所述通知中心单元反馈审批通过后,再把价格调整信息发送给销售部门客户端和价格管理部门客户端。
所述查询商品最新参考价输入指令包括输入港口、箱型、箱型等级Grading、箱型颜色Color等指令。
所述租赁集装箱定价单元输出的查询结果包括港口、箱型、箱型等级Grading、箱型颜色Color、预测价格、预测价格浮动值。
所述通知中心单元包括调整商品价格信息推送模块、接收价格管理部门调整价格审批通知的审批提醒模块。查询人发现所述商品价格管理单元的全部或部分商品参考价更新失败时,可将反馈信息推送给处理人进行人工处理。
价格调整部门可通过商品价格管理单元下载批量调价表单以及审批详情下单表单。
所述通知中心单元接收调整商品价格信息推送、指定审阅人接收价格管理部门调整价格审批通知的审批信息及提醒。
所述多元回归定价模型包括价格预测多元回归模型、参数确定多元回归模型。
所述价格预测多元回归模型是关于本箱型本周预测卖箱价格与上周实际卖箱价格、过往三个月卖箱价格移动平均价、过往四周卖箱净库存移动平均值、净库存变化速度因子、单笔booking的订单箱量、以及根据本箱型进行的调整价格之间的多元回归模型(1):
Resale pricethis week=Resale pricelast week+K1×ΔNP price3mMA+
K2×ΔNet inventory4wMA+K3×ΔSpeed+K4×ΔBooking qty+
Condition adjustment
其中:
Resale pricethis week:本周预测卖箱参考价格;
Resale pricelast week:上周实际卖箱价格;
NP price3mMA:过往三个月卖箱价格移动平均价;
Net inventory4wMA:过往四周卖箱净库存移动平均值;
Speed:净库存变化速度因子;
Booking qty:单笔booking的订单箱量;
K1:ΔNP price3mMA每变化一个单位,卖箱价变动K1美元;
K2:ΔNet inventory4wMA每变化一个单位,卖箱价变动K2美元;
K3:ΔSpeed每变化一个单位,卖箱价变动K3美元;
K4:ΔBooking qty每变化一个单位,卖箱价变动K4美元;
Condition adjustment表示根据不同的箱型等级所需调整的价格;
当箱型等级为G2箱时,Condition adjustment=K5美元;
当箱型等级为G3箱时,Condition adjustment=K6美元;
当箱型等级为G4箱时,Condition adjustment=K7美元;
当箱型等级为G5箱时,Condition adjustment=K8美元;
当箱型等级为G6箱时,Condition adjustment=K9美元;
当箱型等级为G8箱时,Condition adjustment=K10美元;
当箱型等级为G9箱时,Condition adjustment=K11美元。
所述参数确定多元回归模型为利用已知样本数据确定价格预测多元回归模型中K1-K11的数值,所述参数确定多元回归模型(2);
Resale price=K1×ΔNP price3mMA+K2×ΔNet inventory4wMA+K3×
ΔSpeed+K4×ΔBooking qty+K5×G2 dummy+K6×G3 dummy+K7×G4 dummy+
K8×G5 dummy+K9×G6 dummy+K10×G8 dummy+K11×G9 dummy其中:
Resale price:实际卖箱价格;
NP price3mMA:过往三个月卖箱价格移动平均价;
Net inventory4wMA:过往四周卖箱净库存移动平均值;
Speed:净库存变化速度因子;
Booking qty:单笔booking的订单箱量;
G2 dummy:G2箱哑变量,取值0或1;
G3 dummy:G3箱哑变量,取值0或1;
G4 dummy:G4箱哑变量,取值0或1;
G5 dummy:G5箱哑变量,取值0或1;
G6 dummy:G6箱哑变量,取值0或1;
G8 dummy:G8箱哑变量,取值0或1;
G9 dummy:G9箱哑变量,取值0或1。
所述Net inventory4wMA为过往四周每周的卖箱净库存取平均值;所述卖箱净库存=在地卖箱库存-未提卖箱订单+preclear卖箱订单量,所述preclear卖箱订单量为租赁集装箱到期提交申请还箱的数量。
所述G2-G6、G8、G9为不同等级的箱型等级,所述箱型等级为箱子新旧程度的不同等级。
下述提供一种根据租箱的维修费以及卖箱的不同等级进行定价的实例。
箱型等级 | |
维修费USD$100以内 | G2 |
维修费USD$101-$200 | G3 |
维修费USD$201-$350 | G4 |
维修费大于USD$350 | G5 |
维修费大于USD$600 | G6 |
售卖箱型 | G8 |
弃置箱型 | G9 |
当维修费大于USD$600时,通常作为回收物卖掉。
多元回归定价模型中所述已知历史数据样本为当期前三个月的卖箱数据。
在多元回归模型(2)中,当G2或G3或G4或G5或G6或G8或G9的历史数据样本较少时,需要将与G2或G3或G4或G5或G6或G8或G9箱型等级因子各自一一对应的系数K5或K6或K7或K8或K9或K10或K11调整为0。
模型误差检验
所述价格预测多元回归模型通过机器学习进行调整,为可调整价格预测多元回归模型中,当预测卖箱价格与实际卖箱价格出现较大特征的变动时,即所述价格预测多元回归模型出现误差时,所述价格预测多元回归在一定时间重新进行学习样本收集,所述学习样本具有新特征并根据所述学习样本自调节其K1-K4值。
下述列举部分实例检验回归分析模型的有效性,当分别存在G4、G5、G6箱型时,获取相关数据,并利用CNSHA/USMEM/NLRTM检验回归模型结果,检验结果如下:
所述模型误差可利用CNSHA/USMEM/NLRTM检验回归分析结果。R2的取值表示该方程对因变量的解释程度,R2越大,解释程度越好。方差分析的结果,F值大于1且Sig.值小于0.05,则说明该模型拒绝回归系数均为0的假设,该回归方程是显著的,否则不显著。
由上述回归分析结果可知,该模型对干箱价格的预测结果较好,具有参考意义。
若因实际情况改变使得到的回归结果不显著,将利用机器学习的方式对回归模型做进一步调整,直到该模型符合检验标准。
所述净库存变化速度因子为每周卖箱净库存变化速度,根据所述净库存变化因子的绝对值过大即预测价格的浮动值超过卖箱净库存平均值的±5%,将进行人工调价。
如图2所示,一种基于多元回归的经营性租赁集装箱定价方法,包括如下步骤:
D1、依据集装箱以距今周计的已知历史数据样本设计价格预测的多元回归定价模型,输出根据所述多元回归定价模型得出的参考定价信息和根据价格查询返回查询所述参考定价信息结果;
销售部门和价格管理部门可实时向租赁集装箱定价单元输入港口、箱型、箱型等级Grading、箱型颜色Color等指令查询商品最新参考价,所述租赁集装箱定价单元输出包括港口、箱型、箱型等级Grading、箱型颜色Color、预测价格、预测价格浮动值的查询结果。
所述预测价格(Reference price)将通过箭头的上升与下降显示与上周实际成交价格相比的价格波动趋势。
D2、销售部门和价格管理部门实时输入指令查询商品最新参考价,价格管理部门根据人工干预条件判断是否对租赁集装箱价格进行人工价格调整,并把价格调整信息发送去审批,所述审批通过后,再把价格调整信息发送给销售部门和价格管理部门。
价格管理部门通过客户端操作把需进行调整的预测价格回证成调价表单并进行审批,并通过审批详情下单表单点开进行调价的Reference price详情页面调整其价格。
调价数值建议进行四舍五入取整至$50的倍数,例如不足$25的部分取整至$0,等于或超过$25但不足$50的部分取整至$50;超过$50但不足$75的部分取整至$50,等于或超过$75但不足$100的部分取整至$100。
调价触发干预提示需要给审阅人员加深提醒的规则/条件:
单次调价超过$100或连续两次调价超过$50或重点关注的港口箱型。
D3、调整商品价格信息,接收调整价格审批通知。
所述多元回归定价模型包括价格预测多元回归模型、参数确定多元回归模型;所述价格预测多元回归模型是关于本箱型本周预测卖箱价格与上周实际卖箱价格、过往三个月卖箱价格移动平均价、过往四周卖箱净库存移动平均值、净库存变化速度因子、单笔booking的订单箱量、以及根据本箱型进行的调整价格之间的多元回归模型(1);
Resale pricethis week=Resale pricelast week+K1×ΔNP price3mMA+
K2×ΔNet inventory4wMA+K3×ΔSpeed+K4×ΔBooking qty+
Condition adjustment
其中:
Resale pricethis week:本周预测卖箱参考价格;
Resale pricelast week:上周实际卖箱价格;
NP price3mMA:过往三个月卖箱价格移动平均价;
Net inventory4wMA:过往四周卖箱净库存移动平均值;
Speed:净库存变化速度因子;
Booking qty:单笔booking的订单箱量;
K1:ΔNP price3mMA每变化一个单位,卖箱价变动K1美元;
K2:ΔNet inventory4wMA每变化一个单位,卖箱价变动K2美元;
K3:ΔSpeed每变化一个单位,卖箱价变动K3美元;
K4:ΔBooking qty每变化一个单位,卖箱价变动K4美元;
Condition adjustment表示根据不同的箱型等级所需调整的价格;
当箱型等级为G2箱时,Condition adjustment=K5美元;
当箱型等级为G3箱时,Condition adjustment=K6美元;
当箱型等级为G4箱时,Condition adjustment=K7美元;
当箱型等级为G5箱时,Condition adjustment=K8美元;
当箱型等级为G6箱时,Condition adjustment=K9美元;
当箱型等级为G8箱时,Condition adjustment=K10美元;
当箱型等级为G9箱时,Condition adjustment=K11美元。
所述参数确定多元回归模型为利用已知样本数据确定价格预测多元回归模型中K1-K11的数值,所述参数确定多元回归模型(2);
Resale price=K1×ΔNP price3mMA+K2×ΔNet inventory4wMA+K3×
ΔSpeed+K4×ΔBooking qty+K5×G2 dummy+K6×G3 dummy+K7×G4 dummy+
K8×G5 dummy+K9×G6 dummy+K10×G8 dummy+K11×G9 dummy其中:
Resale price:实际卖箱价格;
NP price3mMA:过往三个月卖箱价格移动平均价;
Net inventory4wMA:过往四周卖箱净库存移动平均值;
Speed:净库存变化速度因子;
Booking qty:单笔booking的订单箱量;
G2 dummy:G2箱哑变量,取值0或1;
G3 dummy:G3箱哑变量,取值0或1;
G4 dummy:G4箱哑变量,取值0或1;
G5 dummy:G5箱哑变量,取值0或1;
G6 dummy:G6箱哑变量,取值0或1;
G8 dummy:G8箱哑变量,取值0或1;
G9 dummy:G9箱哑变量,取值0或1。
上述实施例仅仅是为了清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无法对所有的实施方式予以穷举。凡是属于本发明的技术方案所引申出的显而易见的变化或变动,仍处于本发明的范围之内。
Claims (10)
1.一种基于多元回归的经营性租赁集装箱定价系统,包括租赁集装箱定价单元、商品价格管理单元和通知中心单元;
所述租赁集装箱定价单元包括依据集装箱以距今周计的已知历史数据样本建立价格预测的多元回归定价模型、向商品价格管理单元输出根据所述多元回归定价模型得出的参考定价信息的价格信息输出模块和根据价格查询返回查询结果的查询回复模块;
所述商品价格管理单元为集装箱价格查询、监控管理客户端,包括查询模块和价格调整模块,所述查询模块中销售部门客户端和价格管理部门客户端实时向租赁集装箱定价单元输入指令查询商品最新参考价,价格调整模块中价格管理部门客户端根据人工干预条件判断是否对租赁集装箱价格进行人工价格调整,并把价格调整信息发送给通知中心单元进行审批,所述通知中心单元反馈审批通过后,再把价格调整信息发送给销售部门客户端和价格管理部门客户端;
所述通知中心单元包括调整商品价格信息推送模块、接收价格管理部门调整价格审批通知的审批提醒模块;
所述多元回归定价模型包括价格预测多元回归模型、参数确定多元回归模型;所述价格预测多元回归模型是关于本箱型本周预测卖箱价格与上周实际卖箱价格、过往三个月卖箱价格移动平均价、过往四周卖箱净库存移动平均值、净库存变化速度因子、单笔booking的订单箱量、以及根据本箱型进行的调整价格之间的多元回归模型(1):
Resale pricethisweek=Resale pricelastweek+K1×ΔNP price3mMA+
K2×ΔNet inventory4wMA+K3×ΔSpeed+K4×ΔBooking qty+
Condition adjustment
其中:
Resale pricethisweek:本周预测卖箱参考价格;
Resale pricelastweek:上周实际卖箱价格;
NP price3mMA:过往三个月卖箱价格移动平均价;
Net inventory4wMA:过往四周卖箱净库存移动平均值;
Speed:净库存变化速度因子;
Booking qty:单笔booking的订单箱量;
K1:ΔNP price3mMA每变化一个单位,卖箱价变动K1美元;
K2:ΔNet inventory4wMA每变化一个单位,卖箱价变动K2美元;
K3:ΔSpeed每变化一个单位,卖箱价变动K3美元;
K4:ΔBooking qty每变化一个单位,卖箱价变动K4美元;
Condition adjustment表示根据不同的箱型等级所需调整的价格;
当箱型等级为G2箱时,Condition adjustment=K5美元;
当箱型等级为G3箱时,Condition adjustment=K6美元;
当箱型等级为G4箱时,Condition adjustment=K7美元;
当箱型等级为G5箱时,Condition adjustment=K8美元;
当箱型等级为G6箱时,Condition adjustment=K9美元;
当箱型等级为G8箱时,Condition adjustment=K10美元;
当箱型等级为G9箱时,Condition adjustment=K11美元;
所述参数确定多元回归模型为利用已知样本数据确定价格预测多元回归模型中K1-K11的数值,所述参数确定多元回归模型(2):
Resale price=K1×ΔNP price3mMA+K2×ΔNet inventory4wMA+K3×
ΔSpeed+K4×ΔBooking qty+K5×G2 dummy+K6×G3 dummy+K7×G4 dummy+K8×G5 dummy+K9×G6 dummy+K10×G8 dummy+K11×G9 dummy其中:
Resale price:实际卖箱价格;
G2 dummy:G2箱哑变量,取值0或1;
G3 dummy:G3箱哑变量,取值0或1;
G4 dummy:G4箱哑变量,取值0或1;
G5 dummy:G5箱哑变量,取值0或1;
G6 dummy:G6箱哑变量,取值0或1;
G8 dummy:G8箱哑变量,取值0或1;
G9 dummy:G9箱哑变量,取值0或1。
2.由权利要求1所述的一种基于多元回归的经营性租赁集装箱定价系统,其特征是,所述Net inventory4wMA为过往四周每周的卖箱净库存取平均值;所述卖箱净库存=在地卖箱库存-未提卖箱订单+preclear卖箱订单量,所述preclear卖箱订单量为租赁集装箱到期提交申请还箱的数量。
3.由权利要求1所述的一种基于多元回归的经营性租赁集装箱定价系统,其特征是,所述G2-G6、G8、G9为不同的箱型等级,所述G2-G6为租赁箱型根据集装箱的维修费确认新旧程度来确认的不同等级,G8为可售箱型,G9为不可进行售卖和租赁交易的箱型。
4.由权利要求1所述的一种基于多元回归的经营性租赁集装箱定价系统,其特征是,多元回归定价模型中所述已知历史数据样本为当期前三个月的卖箱数据。
5.由权利要求1所述的一种基于多元回归的经营性租赁集装箱定价系统,其特征是,在参数确定多元回归模型(2)中,当G2或G3或G4或G5或G6或G8或G9的历史数据样本较少时,需要将与G2或G3或G4或G5或G6或G8或G9箱型等级因子各自一一对应的系数K5或K6或K7或K8或K9或K10或K11调整为0。
6.由权利要求1所述的一种基于多元回归的经营性租赁集装箱定价系统,其特征是,所述价格预测多元回归模型通过机器学习进行调整,价格预测多元回归模型中,当预测卖箱价格与实际卖箱价格出现较大特征的变动时,所述价格预测多元回归模型在一定时间重新进行学习样本收集,所述学习样本具有新特征并根据当前所述学习样本自调节K1-K4值。
7.由权利要求1所述的一种基于多元回归的经营性租赁集装箱定价系统,其特征是,所述查询商品最新参考价的输入指令包括输入港口、箱型、箱型等级Grading、箱型颜色Color指令。
8.由权利要求1所述的一种基于多元回归的经营性租赁集装箱定价系统,其特征是,所述租赁集装箱定价单元输出的查询结果包括港口、箱型、箱型等级Grading、箱型颜色Color、预测价格、预测价格浮动值。
9.由权利要求1或8所述的一种基于多元回归的经营性租赁集装箱定价系统,其特征是,所述净库存变化速度因子为每周卖箱净库存变化速度,根据所述净库存变化速度因子的绝对值过大即预测价格的浮动值超过卖箱净库存平均值的±5%,将进行人工调价。
10.一种基于多元回归的经营性租赁集装箱定价方法,包括如下步骤:
D1、依据集装箱以距今周计的已知历史数据样本设计价格预测的多元回归定价模型,输出根据所述多元回归定价模型得出的参考定价信息和根据价格查询返回查询所述参考定价信息结果;
D2、销售部门和价格管理部门实时输入指令查询商品最新参考价,价格管理部门根据人工干预条件判断是否对租赁集装箱价格进行人工价格调整,并把价格调整信息发送去审批,所述审批通过后,再把价格调整信息发送给销售部门和价格管理部门;
D3、调整商品价格信息,接收调整价格审批通知;
所述多元回归定价模型包括价格预测多元回归模型、参数确定多元回归模型;所述价格预测多元回归模型是关于本箱型本周预测卖箱价格与上周实际卖箱价格、过往三个月卖箱价格移动平均价、过往四周卖箱净库存移动平均值、净库存变化速度因子、单笔booking的订单箱量、以及根据本箱型进行的调整价格之间的多元回归模型(1):
Resale pricethisweek=Resale pricelastweek+K1×ΔNP price3mMA+
K2×ΔNet inventory4wMA+K3×ΔSpeed+K4×ΔBooking qty+
Condition adjustment
其中:
Resale pricethisweek:本周预测卖箱参考价格;
Resale pricelastweek:上周实际卖箱价格;
NP price3mMA:过往三个月卖箱价格移动平均价;
Net inventory4wMA:过往四周卖箱净库存移动平均值;
Speed:净库存变化速度因子;
Booking qty:单笔booking的订单箱量;
K1:ΔNP price3mMA每变化一个单位,卖箱价变动K1美元;
K2:ΔNet inventory4wMA每变化一个单位,卖箱价变动K2美元;
K3:ΔSpeed每变化一个单位,卖箱价变动K3美元;
K4:ΔBooking qty每变化一个单位,卖箱价变动K4美元;
Condition adjustment表示根据不同的箱型等级所需调整的价格;
当箱型等级为G2箱时,Condition adjustment=K5美元;
当箱型等级为G3箱时,Condition adjustment=K6美元;
当箱型等级为G4箱时,Condition adjustment=K7美元;
当箱型等级为G5箱时,Condition adjustment=K8美元;
当箱型等级为G6箱时,Condition adjustment=K9美元;
当箱型等级为G8箱时,Condition adjustment=K10美元;
当箱型等级为G9箱时,Condition adjustment=K11美元;
所述参数确定多元回归模型为利用已知样本数据确定价格预测多元回归模型中K1-K11的数值,所述参数确定多元回归模型(2):
Resale price=K1×ΔNP price3mMA+K2×ΔNet inventory4wMA+K3×
ΔSpeed+K4×ΔBooking qty+K5×G2 dummy+K6×G3 dummy+K7×G4 dummy+K8×G5 dummy+K9×G6 dummy+K10×G8 dummy+K11×G9 dummy其中:
Resale price:实际卖箱价格;
G2 dummy:G2箱哑变量,取值0或1;
G3 dummy:G3箱哑变量,取值0或1;
G4 dummy:G4箱哑变量,取值0或1;
G5 dummy:G5箱哑变量,取值0或1;
G6 dummy:G6箱哑变量,取值0或1;
G8 dummy:G8箱哑变量,取值0或1;
G9 dummy:G9箱哑变量,取值0或1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210904527.1A CN115358771B (zh) | 2022-07-29 | 2022-07-29 | 一种基于多元回归的经营性租赁集装箱定价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210904527.1A CN115358771B (zh) | 2022-07-29 | 2022-07-29 | 一种基于多元回归的经营性租赁集装箱定价方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115358771A CN115358771A (zh) | 2022-11-18 |
CN115358771B true CN115358771B (zh) | 2023-07-28 |
Family
ID=84031064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210904527.1A Active CN115358771B (zh) | 2022-07-29 | 2022-07-29 | 一种基于多元回归的经营性租赁集装箱定价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115358771B (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6397199B1 (en) * | 1998-08-31 | 2002-05-28 | Ncr Corporation | System and method of altering transaction terms based upon current inventory levels |
CN102324082A (zh) * | 2011-09-08 | 2012-01-18 | 上海烟草集团有限责任公司 | 基于多元线性回归分析的卷烟市场价格预测方法 |
KR101713155B1 (ko) * | 2016-06-15 | 2017-03-07 | 주식회사 제주비앤에프 | 가격 조정을 통한 렌트카 거래 시스템 및 방법 |
CN108537382B (zh) * | 2018-04-09 | 2020-11-06 | 成都易商商盟数据服务有限公司 | 一种电商价格趋势预测方法及系统 |
CN110852772A (zh) * | 2018-08-21 | 2020-02-28 | 北京京东尚科信息技术有限公司 | 动态定价方法、系统、设备和存储介质 |
CN111489180A (zh) * | 2019-01-25 | 2020-08-04 | 北京京东尚科信息技术有限公司 | 参考信息生成方法、系统及装置 |
CN111754265A (zh) * | 2020-06-24 | 2020-10-09 | 长春初唐网络科技有限公司 | 一种基于机器学习的二手房评估评价系统 |
CN112258248A (zh) * | 2020-11-16 | 2021-01-22 | 东方钢铁电子商务有限公司 | 一种基于机器学习的钢材产品现货定价系统和方法 |
CN113506121A (zh) * | 2021-04-01 | 2021-10-15 | 常州工学院 | 价格影响因素的分析方法及装置 |
CN113450138A (zh) * | 2021-05-28 | 2021-09-28 | 盒马(中国)有限公司 | 商品对象价格信息处理方法、装置及电子设备 |
-
2022
- 2022-07-29 CN CN202210904527.1A patent/CN115358771B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115358771A (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Arampantzi et al. | A new model for designing sustainable supply chain networks and its application to a global manufacturer | |
Zeballos et al. | Addressing the uncertain quality and quantity of returns in closed-loop supply chains | |
Amaro et al. | The effect of uncertainty on the optimal closed-loop supply chain planning under different partnerships structure | |
Amirjabbari et al. | Determining supply chain safety stock level and location | |
Duffuaa et al. | A multi-objective optimization model for process targeting using sampling plans | |
CN101840534A (zh) | 一种集成化供应链绩效指标评价方法 | |
CN101840535A (zh) | 一种基于改进灰关联法集成化供应链绩效指标评价方法 | |
Wang et al. | A resource portfolio planning model using sampling-based stochastic programming and genetic algorithm | |
Tombido et al. | The impact of a substitution policy on the bullwhip effect in a closed loop supply chain with remanufacturing | |
Shabani-Naeeni et al. | Integrating data visibility decision in a multi-objective procurement transport planning under risk: A modified NSGA-II | |
Çalık et al. | A decentralized model for allied closed-loop supply chains: comparative analysis of interactive fuzzy programming approaches | |
Liu et al. | A branch & cut/metaheuristic optimization of financial supply chain based on input-output network flows: investigating the iranian orthopedic footwear | |
Salling | Assessment of transport projects: risk analysis and decision support | |
CN115358771B (zh) | 一种基于多元回归的经营性租赁集装箱定价方法及系统 | |
Campos-Garcia et al. | Relationship between cost and logistic practices in small and medium enterprises: A case study of Queretaro, Mexico | |
Hao et al. | Research on the collaborative plan of implementing high efficient supply chain | |
Liu et al. | Genesis and Tactics of Bullwhip in Supply Chain Effect Using SD Simulation | |
Hwang et al. | Reverse channel selection for commercial product returns under time-to-market and product value considerations | |
Castellano et al. | Optimizing production-inventory replenishment and lead time decisions under a fill rate constraint in a two-echelon sustainable supply chain with quality issues | |
Amirjabbari | An application of a cost minimization model in determining safety stock level and location | |
Mutha et al. | Determining assortments of used products for B2B transactions in reverse supply chain | |
Ebrahimi et al. | A green economic production quantity model: a case study | |
Bagul et al. | Sustainable sourcing strategy for mega construction projects: An empirical analysis | |
Mangka et al. | A Model of Supplier Selection Under Vendor Managed Inventory Contract | |
Bimantoro et al. | Forecasting With Time Series Method at PT. RSM in Bekasi Jawa Barat |
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 |