2024年MathorCup大数据竞赛优秀论文-5.pdfVIP

队伍编号MCB2403007

赛道B

基于大数据分析的电商货量预测与仓库分配优化研究

摘要

随着电商行业的发展，货量预测与品类分仓规划问题日益成为供应链管理中的重要

研究课题。本文针对电商中的货量预测问题，基于大数据分析和机器学习思想，通过确

定销售趋势、市场需求和季节性变化等指标，以提高预测精度和优化库存管理为目标，

建立了相应的预测模型，并使用先进的算法对模型进行求解。

针对问题一，本研究针对库存量和销量预测问题，采用SARIMA模型和随机森林

回归模型进行分析和建模。在库存量预测中，利用SARIMA模型通过数据预处理和参

数优化，有效捕捉了数据的季节性和趋势。ADF检验结果显示中p-value远高于0.05，

表明数据可能具有趋势或季节性波动，适配该模型的预测模式。销量预测则使用随机森

林回归模型，通过构建特征和处理历史数据，展示出良好的鲁棒性和准确性。随机森林

MAEMSERMSE0R²1

回归模型预测的日销量结果的，和绝大部分均为，，为。这表

明模型在这些品类上的拟合基本完全正确。两种模型的应用为库存管理和分仓规划提供

了可靠的数据支持。

针对问题二，在第二问的仓库分配模型中，我们构建了一个线性规划模型，旨在通

“”

过最小化仓租成本来优化各品类的仓库分配，特别强调一品一仓原则，以确保每个品

类仅分配至一个仓库，从而简化管理流程并提高效率。同时，该模型也满足仓库的容量

和产能限制。采用PULP_CBC_CMD求解器，通过分支割平面法求解，使得模型能够

有效探索可行的分仓方案，最终实现了整体仓租成本的降低。最终发现求解时间设定为

400秒时，此时为最优解，总成本为6977267。

针对问题三，在多目标优化的背景下，本研究旨在利用模拟退火算法解决电商品类

的多仓分配问题，以最大化仓储布局的整体收益。我们首先定义了一个综合收益函数，

涵盖高级品类收益、件型一致性收益、品类关联度收益和总仓储成本，并为各收益项赋

予不同权重，以合理平衡多目标收益，确保优化过程的全面考量。通过逐步降低温度的

模拟退火算法，探索解空间以优化收益并控制成本，逐渐减少非优解的接受概率，引导

解的收敛，最终保留当前最优解。总成本为27,502,455.91元。关联度收益为390,167.564。

高级品类收益达到了7,860,000。件型一致性收益为5,670,000，虽然仓租总成本上升但

是各项业务指标兼顾考虑，能够更好的适应现实情况。

该方案在处理非线性关系和动态变化时表现出色，能够适应市场波动，提升预测的

准确性。此外，模型的灵活性和系统化决策支持功能，使得资源配置更加合理，运营效

率得到显著提升，能够在不同业务场景中推广，为企业提供科学依据和数据支持。

关键词：SARIMA模型随机森林回归模型线性规划模型模拟退火算法

3

目录

一、问题重述1

1.1问题背景1

1.2问题提出1

二、问题分析1

2.2问题一的分析2

2.3问题二的分析3

2.4问题三的分析3

三、模型假设与符号说明4

3.1模型基本假设4

3.2符号说明4

四、问题一模型建立与求解5

4.1数据预处理5

4.1.1处理历史销量中的缺失值5

4.2库存量预测模型的建立与求解6

4.2.1数据与模型的适配性分析与处理6

4.2.2模型构建与求解逻辑9

4.2.3SARIMA模型描述9

4.2.4基于网格搜索的自动参数优化10

4.2.5模型评估结果与分析10

4.3销