面向不确定需求的商品库存优化方法研究.pdf

摘要

摘要

随着市场的动态变化和需求差异性，商品需求的不确定性成为影响库存管理

的重要因素，对库存需求量的准确预测和制定低成本补货策略提出了挑战。本研究

旨在为仓储企业提高需求量预测准确性、降低库存成本，从而实现更高效的运营和

更低的补货成本。通过对现有理论和研究方案总结，发现消费者对各类物品存在复

杂需求，首先，导致库存需求数据常常呈现出时间依赖性和伴随外部影响下的需求

不确定性。另外，商品数据需求关联性体现在各种商品之间的需求变化上，随着人

们的消费习惯和生活节奏的不断变化，同一商品在不同时间段内的需求波动上又

呈现出时间异质性。最终优化库存补货策略时发现不同产品的销售特性和市场变

化，导致补货决策缺乏准确性和灵活性。针对当前库存管理中存在的问题，为实现

可信的库存优化方案，本文提出了三种不同的库存优化方法，主要研究内容如下：

（1）为了有效的捕获需求数据的时序性和不确定性，提出了一种基于长短期

时序贝叶斯卷积的概率神经网络模型（Longshorttermmemory-Bayesian

ConvolutionNeuralNetworkmodel,LBCNN）。其中引入长短期时间记忆神经网络灵

活的建模过去需求特征。引入的贝叶斯卷积模块基于概率统计理论，能够有效地处

理不确定性需求信息，更全面地捕捉需求波动规律。在真实世界数据集上进行实验，

结果表明本节提出的模型可以得到比其他很多模型更加优秀的需求量预测结果。

（2）为了学习到不确定商品需求的关联性和时间异质性，提出了一种基于k

值聚类网络的变分概率模型（K-valueclusteringnetwork-VariationalProbabilistic

model,KGBVP），通过此模型进一步预测不确定的商品库存需求量。通过分段聚类

商品库存需求数据挖掘商品需求在时间序列数据之间的潜在特征，将商品库存需

求问题定义为非异质泊松过程，对需求观测数据进行采样，并采用变分推理方法求

解概率近似分布问题。在三种真实世界数据集上验证结果都表明比其他对比模型

有更好的预测效果。

（3）为了得到最优的补货策略，实现最低的库存补货成本，提出了一种基于

聚类网络的深度强化学习模型（Theclusteringnetwork-baseddeepReinforcement

Learningmodel,KGBP-RL）。其中，强化学习算法使用两种不同的算法联合训练，

选择最优的补货策略并获得其中最大的奖励，神经网络部分延用时间贝叶斯网络

结合泊松过程模块改进算法中的网络部分。在两种不同场景的库存成本补货数据

集上进行验证，与其它强化学习算法的对比，显示此模型可以得到最低的补货成本，

并分析模型的复杂性，表明此算法可以应用在多种场景的仓储库存管理中。

I

面向不确定需求的商品库存优化方法研究

最终，根据以上研究内容，为了使研究能够应用到现实库存管理中，在本文最

后设计开发了仓储库存补货系统，本系统基于微服务架构，python常用库与强化学

习框架。通过系统管理页面，仓库管理人员可以方便地选择并训练补货模型，针对

需要补货的需求商品输出补货参考数据，使仓库管理更便捷。在对该系统的实际测

试后，表明该系统为物流仓储行业的数字化转型和智能化升级提供了可行的解决

方案。

关键词：不确定需求；库存优化；需求量预测；补货策略；深度强化学习

II

Abstract

Abstract

Withthedynamicchangesinthemarketandthediversityofdemand,theuncertainty

ofproductdemandhasbecomeanimportantfactoraffectinginventory