2024年MathorCup大数据竞赛优秀论文-8.pdfVIP

队伍编号MCB2401427

赛道（B）

基于数据挖掘的电商品类货量预测与分仓规划研究

摘要

在现代商业环境中，仓库的运营往往被看作是日常运作中不可或缺的一部分。本文

对品仓分类问题进行了深入研究，从问题深度来说，将问题分解为：精准预测货量；根

据货量预测结果进行“一品一仓分仓方案”的规划；对于新增维度下的“一品多仓分仓

方案”的规划。

1Pandasisnull

针对问题：对于如何精准预测货量。首先进行数据清洗，利用中方

法查询缺失值，利用四分位距检测异常值，并采用多项插值法替换出现的异常值。然后

1280%20%

基于附件和附件的相关数据，以的数据为训练集，以的数据为测试集依次

XGBoostBPLSTM

构建随机森林模型、模型、灰色预测模型、神经网络和神经网络，

得到五个模型的训练集真实值、测试集真实值、各模型预测值、各模型MAPE值以及各

LSTM0.836MAPE

模型评估参数对比。最后选择神经网络预测月库存量，其中精确度达，

0.011BP0.814MAPE0.013

值为；神经网络预测日销量，其中精确度达，值为，预测结

1result

果见附件中的表格。

2

针对问题：根据货量预测结果进行“一品一仓分仓方案”的规划。首先需要对附

31

件中的数据进行预处理，将问题所得每天销售量的数据集按每月进行归类。可将问

20-1

题进行简化，即将“一品一仓”问题抽象成规划问题。然后根据题目的要求综合

考虑多个业务目标并确定约束条件，从而建立“一品一仓”方案模型。最后基于附件3

的相关数据，采用分枝定界法利用Lingo软件以及SCIP求解器进行求解，直至容差界

0.001863941

限小于，此时用时秒，迭代次数次，说明了该算法在求解过程中的高效

1result

性和稳定性，预测结果见附件中的表格。

3

针对问题：对于新增维度下的“一品多仓分仓方案”的规划。首先基于问题一中

所得“月库存预测结果”和“日销量预测结果”两个工作表的数据，读取题中所给的附

345

件、附件、附件相关数据，构建品类关联度矩阵，并对各指标设置权重系数。接

着建立目标函数，最大化仓库中品类的关联度，通过添加松弛变量并在目标函数中给予

惩罚权重，确定约束条件。然后分别建立多目标模拟退火算法和多目标粒子群优化算法，

通过对比两个算法的收敛图效果，最后选取多目标粒子群优化算法，预测结果见附件1

中的result表格中。

LSTM