2023年MathorCup大数据竞赛优秀论文-5.pdfVIP

队伍编号MCB2302397

赛道B

基于特征融合与集成学习的电商供应链分层预测方法

摘要

需求预测往往是电商平台智能供应链的决策基础，它可以让管理者提前预知各地的

需求，从而将库存提前放在靠近需求的仓库中，显著地降低库存成本，同时保证商品的

按时履约。本文对各商品的历史出货量数据进行挖掘与分析，构建了基于数理特征与专

家经验的多模型集成预测框架，旨在协助电商平台优化库存管理，更好地规划和定制促

销活动，提高库存周转率。

针对问题一，需要对商品序列进行分类并预测未来需求量。本文首先根据附件数据

构建全体需求量序列集。考虑部分字段信息覆盖了功能场景、仓库区域等组成的先验分

8K-means

类知识，先基于个字段特征进行第一层级分类。然后，采用算法对第一层级

9

类别进行细化聚类，建立个不同尺度的分类标准。针对预测问题，本文提出了一种基

9

于自顶向下和分层聚类的集成预测方案。首先，基于个分类标准获得各类别下总的需

Auto

求量序列。然后，基于特征工程构建各类别汇总序列的特征集，分别采用指数平滑、

ARIMAXGBoostLightGBMLSTM5

、、、等个算法对各分类标准各类别下的总需求量

9

序列构建预测模型，并设计合适的指标评估各算法的优劣。最终，采用个分类标准下

的模型预测值的集成量作为最后的预测输出，结果表明融合后的模型获得更高的

1-WMAPE指标且预测更为稳定。

15

针对问题二，需要预测新出现序列组合的未来需求量。首先，将附件与附件的

2206

数据整合（条），对所有组合截取等维长度的序列并提取数理特征，并将构建的数

8K-means

理特征与独热编码后的个解释变量特征汇整，采用算法对所有实例进行聚类

220614

（条序列聚为类）。然后，设置滑动窗口对聚类后的各类别序列进行特征提取和

SVMXGBoostLightGBMLSTMKNN

样本集构建，采用、、、、算法分别训练预测模型，

5

基于折交叉验证法调整模型参数并评估算法性能。在预测阶段，首先对待预测实例进

5

行分类，采用类别下的个模型预测值的集成量作为最后的预测输出，结果表明集成后

预测模型可以挖掘出更为显著的相似序列特征，实现对新组合的精准预测。

针对问题三，需要预测规律性大型促销活动期间各商品的未来需求量。首先，提取

11-115

附件中各商品每月日日的出货量数据（共个月）组成日常序列，并将各商品

61-11

以月为基准取均值得到日常均值序列。提取附件中各商品日日的出货量数据组

成促销序列。然后，根据日常均值数据与促销数据计算各商品的促销力度值，基于问题