yd2333云顶电子游戏

接待来到上海yd2333云顶电子游戏云仓,竭诚为您提供:电商仓储配送,冷链仓储配送,货仓外包等仓配一体化效劳!收藏我们 电商云仓 网站地图

接待来到上海yd2333云顶电子游戏云仓,竭诚为您提供:电商仓储配送,冷链仓储配送,货仓外包等仓配一体化效劳!

全温区食品仓配物流效劳商20万㎡自营仓+AAAA级物流+全国冷链物流百强

182-0218-6162400-096-2966

yd2333云顶电子游戏动态

热搜要害词: 电商一件代发 冷链配送 社区团购仓配 食品仓储代发货 增值效劳

基于需求预测的电商货仓库存研究

来源:本站 | 宣布日期:2023-02-22

0 引言

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[1]针对汽趁魅整车产量统计数据的关系,通过线性回归要领预测其采购计划,凭据盘算结果预计预测,进而抵达控制采购本钱和数量的目的。刘庆[2]结合汽车配件宁静库存预测的相关需求,确定了影响宁静库存预测的相关因素,利用LSTM神经网络模型结构对汽车配件需求量进行预测。李志勤[3]构建灰色线性回归组合模型,改善了原有灰色模型中没有考虑线性因素和线性回归模型中没有考虑指数增长趋势的缺陷。丁磊明,等[4]提出用BP神经网络算法修正灰色预测值的要领,其焦点是通太过析月数据纪律进行灰色预测外推,获得开端预测结果。徐妍[5]基于GM(1,1)建立陕西省农产品物流需求的灰色预测模型,经过精度检验剖析,标明该模型很是适适用来预测陕西省农产品物流需求,以此预测了未来6年陕西省农产品的物流需求,为全省农产品物流生长和计划决策提供效劳。李晗,等[6]运用BP神经网络和GM(1,1)要领,建立北京市物流需求组合预测模型。目前,对产品市场变换趋势进行建模剖析推测的预测要领主要有算术平均法、移动加权法、指数平滑法、回归剖析法和灰色预测法等,表1列出了各要领的优缺点。

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。

  

表1 产品市场预测要领比照剖析  



表1 产品市场预测要领比照剖析

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。

1 预测模型建立

灰色线性回归组合模型[7]是将线性回归模型嵌入到灰色模型并重新组合而成的一种算法模型�;疑P褪且桓霾痪龃蟮闹甘P�,进行时间序列数据预测的历程中,由于缺少线性项,使得预测历程中随着时间的增加,预测值也会急剧增加,这样的预测结果不切合货仓商品销售量的变革值。同时,该模型只是一种简单的时间序列预测模型,在预测历程中没有考虑影响商品销售量的内部因素及因素之间的相互关系,只将影响因素视为在一定变革规模内与时间相关的灰色量,预测结果无法反应出商品的折扣信息、主顾的购置心理和相关产品促销信息对商品销售量影响的变革系数,具有一定的局限性。线性回归模型是一种在时间序列预测中广泛应用,且理论性较强的定量预测要领。该要领能够发明商品销售量与其影响因素间的相互关系,剖析影响商品销售量的实际原因,弥补灰色模型中保存的缺点�;诖�,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,既充分利用灰色模型数据建模的优势,又弥补其线性项缺失所无法反应影响因素相关关系的缺陷,进而改善简单模型的局限性,降低预测误差,抵达提高预测准确率的效果。

1.1 构建条件

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。

1.2 构建流程

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:

yd2333云顶电子游戏游戏(中国)有限公司 


(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:

图1 灰色线性组合模型建模流程

图1 灰色线性组合模型建模流程  


yd2333云顶电子游戏游戏(中国)有限公司 


为了体现便当,将此形式记为:

yd2333云顶电子游戏游戏(中国)有限公司 


(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:

yd2333云顶电子游戏游戏(中国)有限公司 


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:

yd2333云顶电子游戏游戏(中国)有限公司 


将式(2)带入得:

yd2333云顶电子游戏游戏(中国)有限公司 


另设Qi(m)=y(m+i)-y(m),将式(3)带入得:

yd2333云顶电子游戏游戏(中国)有限公司 


同样有:

yd2333云顶电子游戏游戏(中国)有限公司 


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:

yd2333云顶电子游戏游戏(中国)有限公司 


取差别的i可获得差别的u值,盘算个数为:

yd2333云顶电子游戏游戏(中国)有限公司 


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:

yd2333云顶电子游戏游戏(中国)有限公司 


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:

yd2333云顶电子游戏游戏(中国)有限公司 


则式(2)可变为:

yd2333云顶电子游戏游戏(中国)有限公司 


令:

yd2333云顶电子游戏游戏(中国)有限公司 


则有X(1)=AS,即:

yd2333云顶电子游戏游戏(中国)有限公司 


(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。

2 实例剖析

2.1 数据来源

本文选取某电商货仓2020-2021两年部分商品的销售数量及相关促销信息,一共有2 127 485条数据,数据已经过脱敏处理,数据花样见表2,数据中item_sku_id代表每个商品的编号,dc_id代表每个货仓的编号,date体现日期,quantity体现销售数量,vendibility体现库存量,1代表有库存,original_price体现处理后的原始价格,discount体现商品的折扣。数据中一共包括1 000种商品,并且每种商品在各货仓销量并不相同。由于电商“618”“双十一”优惠运动大于其余月份,则销量也高于其余月份,所以数据中已剔除6月和11月的销售量。通过剔除后数据对2022年1月的各个货仓每种商品的销售量进行预测。

2.2 数据预处理

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:

  

表2 某电商货仓销售量  



表2 某电商货仓销售量

(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。

  

表3 0号货仓部分商品销售量 



表3 0号货仓部分商品销售量

(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。

2.3 MATLAB求解

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。

  

表4 0号货仓部分货仓数据透视表  


表4 0号货仓部分货仓数据透视表

  

表5 0号货仓2020年部分商品矩阵  



表5 0号货仓2020年部分商品矩阵

2.4 比照剖析

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。

3 结语

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。

  

表6 0号货仓1月份部分商品销售量预测结果  



表6 0号货仓1月份部分商品销售量预测结果

  

表7 三种要领预测结果比照  



表7 三种要领预测结果比照


【本文标签】

【责任编辑】yd2333云顶电子游戏云仓

最新资讯

网站地图