据中国互联网络信息中心(CNNIC)宣布的第49次《中国互联网络生长状况统计报告》显示,截至2021年12月我国网络购物用户规模达8.42亿,已经逐步占领消费市场,成为当今社会消费的主流。因此,对B2C电商公司而言,产品库存量预测是一种提高中心区域销售配送时效性的有效步伐,不但可以实时进行补货调理商品种类数量满足主顾购置需求,且能够降低库存本钱,掌握商品的市场需求,进而包管盈利。然而,货仓商品库存量的预测历程是一个信息不完全的动态历程,需要对商品的库存量进行动态的剖析和决策。
目前已有的研究主要集中在货仓宁静库存量、预测模型和线性回归组合模型在各领域的应用,李化,等
以上四种要领在产品市场预测中各有优劣,简单的预测要领对预测的精度影响比较大,需要对要领中的优势进行整合,投入到产品市场的预测中。
针对产品预测,海内研究大都聚焦在解决预测精度上,并且获得了许多研究结果。在货仓库存量的预测中,研究内容主要集中在货仓宁静库存的研究上,利用的要领仅是线性回归要领,精度与实际保存较大差别。另外一部分研究主要集中在利用线性回归组合模型和其它预测模型对简单商品销售量进行预测,相比之下线性回归组合的预测精度明显高于简单预测模型。目前的研究中,较少有文献提及灰色线性回归组合模型在电商货仓库存量研究中的应用。
基于此,本文接纳的灰色线性回归组合模型是一种将灰色模型GM(1,1)与线性回归模型组合的模型,以天为基准时间划分单位,用部分数据进行模型参数的盘算。研究标明,该组合模型弥补了线性回归模型中没有指数增长趋势和灰色GM(1,1)模型中没有线性因素的缺乏,因此更适适用于既有线性趋势又有指数增长趋势的时间序列数据,用此组合模型来预测电商平台未来的商品销售量能够获得可信度较高的预测结果。
灰色线性回归组合模型
灰色预测模型在信息不完全或差池称情况下建立,并不关注数据中其他庞大的相互关系,只注重系统自己的白色信息,发明数据隐匿纪律并利用已知、完全明确的白色信息,把系统灰色信息白色化,故将其用于商品销售量的预测具有可行性和一定的现实意义�;疑げ饽P虶M(1,1)建模所需样本数据少,只需四个以上的数据即可,且不要求数据有明显的数据特征,盘算简便、易于掌握,模型的拟合精度较高。但GM(1,1)模型主要适用于简单的指数增长数据序列,对时间序列数据泛起异常的情况往往无能为力。在目前实际应用中,大部分时间序列数据由于种种波动,预测结果偏差比较大。线性回归剖析要领要考虑到种种影响因素,且要收集大宗信息,会导致盘算量增大,建模困难,尤其部分信息难以量化,难以确定模型参数,从而导致无法实现预测。为克服简单模型的缺陷,排除不确定因素的影响,本文将灰色模型和线性回归模型进行结合,构建灰色线性回归组合模型,对货仓商品销售量进行预测。
假定样本数据是一组具备线性趋势和指数趋势的数据,灰色线性回归组合模型是一种很好的数据预测模型,其建模历程一共分为六步,如图1所示。
凭据流程制定具体的建模历程,如下:
(1)列出原始数据(k),该原始数据的要求是非负的时间序列。
(2)对销售数据一次累加生成新序列。将原始数据按顺序进行一次迭代累加排序,获得:
(3)凭据古板GM(1,1)建模。对新序列数据建立一阶微分方程模型,其中a为生长系数,b为灰色作用变量。由此获得此微分方程的解:
为了体现便当,将此形式记为:
(4)灰色线性组合拟合累积。用指数方程、线性方程之和进行拟合累加,生成序列为:
其中,参数u、S1、S2、S3待定。
(5)确定组合模型参数。在此历程中需要确定参数u的值,设参数序列:
将式(2)带入得:
另设Qi(m)=y(m+i)-y(m),将式(3)带入得:
同样有:
利用式(5)与式(4)的比值取对数求解u,由于实际操作中Qi(m+1)与Qi(m)会泛起0数据,而这在数学盘算中是不被允许的,因此将0与1进行比较,重新取值后进行盘算,获得u的盘算公式如下:
取差别的i可获得差别的u值,盘算个数为:
然后,以它们的平均值作为u的预计值u■,则预计值u■的盘算公式为:
凭据上面的公式确定参数S1、S2、S3的值,并利用最小二乘法求解估算值。
令:
则式(2)可变为:
令:
则有X(1)=AS,即:
(6)盘算预测值。将式(7)和式(9)盘算得出的参数值代入式(2),得出一次累加预测值,利用公式,通过取差别的m值,从而累积获得预测值。
由于原始数据漫衍没有一定的纪律性,无法直接输入模型进行求解,因此必须对数据进行预处理。本文接纳的预处理工具为Excel,处理办法如下:
(1)商品分仓。对原始数据进行筛选,从0号仓到5号仓划分进行处理,获得分货仓数据。以0号仓为例,筛选后的数据花样见表3。
(2)时间排序。对分仓后的数据利用数据透视表准时间排序,列标签设置为商品序号,一共包括1 000种商品,行标签为时间,从2020年1月1日开始到2021年12月31日。处理后的数据部分效果见表4。
(3)获得模型矩阵。对表4中的数据进行处理,空白位置补0,并且除去行标签和列标签按年划分新建表格,存储为模型需要的1 000*305矩阵。部分矩阵形式见表5。
将上面处理好的矩阵导入到MATLAB中,依照模型构建历程中提出的算法编写MATLAB程序,接纳程序划分运行上面的数据,进而预测2022年1月份的销售量。通过运行以上程序,获得0号货仓1月份1 000种商品预测销售量,结果显示为1 000*31的矩阵。由于矩阵显示不太直观,对结果矩阵进行编程转换,挪用MATLAB程序对结果矩阵进行重新排序。
排序结束即可获得2022年1月0号货仓的销售量预测值,对数据进行统一处理,用date体现1月具体日期,dc_id体现所在货仓,item_sku_id体现商品编号,quantity体现当天销售数量。预测数据部分结果见表6。
利用上述剖析要领截取数据中1号货仓2021年的数据预测12月的库存量,划分利用线性回归预测、灰色指数预测、灰色线性回归组合模型预测三种要领进行比照剖析,比照结果见表7。
通过以上的预测结果比照可以发明,线性预测泛起的结果误差最大,灰色预测泛起的结果误差次之,组合模型预测的结果优于以上两种要领�;疑咝曰毓樽楹夏P驮诘缟袒醪挚獯媪吭げ庵芯哂忻飨缘挠攀�,通过货仓商品的销售量数据对商品未来的库存量进行预测,可以进一步优化货仓库存治理。
本文基于需求预测对电商库存量进行研究,将灰色模型与线性回归模型组合建立灰色线性回归组合模型,通过模型对电商平台商品销售量进行预测,合理地预测下月的商品销售量,也可凭据商品整年的销售情况,按期地进行备货,降低货仓库存用度,对优化货仓库存治理起到很好的指导作用。同时与常用要领比照发明,该模型简单易懂,操作便当,能够很洪流平上降低预测难度,关于数据容量较大的数据批量处理时速度也比较快。模型在不考虑商品促销的情况下,可以广泛应用于大数据情况下的商品货仓库存量预测中。在今后的研究中,主要考虑打折因素、季节因素等多方面的促销信息,对该模型进行优化,进一步提高预测结果的拟合精度。
【本文标签】
【责任编辑】yd2333云顶电子游戏云仓