2024年MathorCup大数据竞赛优秀论文-7.pdfVIP

队伍编号MCB2400673

赛道B

基于多模型优化调参和MOPSO算法的商品库存管理

摘要

在现代电商物流管理中，高效的库存管理和准确的销量预测对于维持运营效率

和成本优势至关重要。本文通过建立预测模型，对350个品类进行了未来三个月的库

存和销量预测，并根据预测结果通过构建0-1整数线性规划模型优化仓库存储策略。

针对问题一，首先根据销量数据的统计特征进行分类，接着对于数据缺失类商

品分别使用线性插值法和移动中位数法进行数据缺失处理。在对于库存量的预测中

，本文通过构建随机森林模型并通过随机搜索法进行模型性能优化，经过对模型均

方根误差检验，验证调参后的模型具备更优精度，优化后模型预测的库存量结果见

表1。在对于销量的预测中，首先通过特征工程构建特征，接着对于分类后的四类商

品的数据特征，选择与其适配的多个模型进行结果预测:1.对于季节性波动类数据，

通过五类时序模型比对，通过网格搜索算法对Prophet模型进行优化，最后通过

MAPE值检验，残差图图像分析进行模型优化验证。2.对于单日波动剧烈型类数据，

采用五类机器学习模型进行结果预测，基于5折交叉验证法评估模型性能，选择性

能最优的XGboost模型进行求解。3.对于时间段前后差异较大类数据，通过构建季节

性特征和加权销量特征提高Prophet模型预测准确度，最后对模型关键性能指标进行

评估以确定结果的准确性。4.对于数据缺失类数据，采用分位数回归模型进行结果预

测，通过收敛性检验验证结果的准确性。商品销量的预测结果见表6。

针对问题二，为优化仓库的品类分配，本文建立了一个多目标0-1整数线性规划

模型，模型包括三个约束条件:1.一个仓库中只能有一个品类；2.所有品类的存放总量

不得超过仓库的容量上限；3.每日销量不得超过仓库产能上限。模型的目标函数旨在

最小化仓库租金成本、最大化产品关联度，以及最大化仓容和产能利用率。在模型

求解过程中，采用多目标粒子群优化算法求解最佳的“一品一仓”分仓方案。经过数

理分析，该方案所使用仓库的产能利用率平均超过85%，其中部分仓库达到90%以

上，总租金成本为387629.61元。

针对问题三，本研究建立了一个线性规划模型以优化品类在多个仓库中的分布

策略，模型包括以下四个约束条件:1.每个品类的存放比例之和必须等于1；2.每个

品类最多可以存放在三个仓库内；3.一个仓库内存放的所有品类的库存量不应该超

过该仓库的容量上限；4.仓库中所有品类的出库量不应超过其产能上限。该模型的

目标函数旨在最大化仓库资源的利用效率和品类间的关联度，最小化运营成本，并

尽量将相同高级品类和件型存放在同一仓库内。在模型求解过程中，采用多目标粒

子群优化算法，并引入了惩罚机制以优化同一高级品类和件型的集中存放，提高总

关联度。最终求解出最佳的“一品多仓”分仓方案，经过数理分析，该方案所使用

的仓库中的高级品类最大值为5，件型最大值为2，满足题目对于同件型同品类储存

需要。

本文的亮点在于:1.问题一中对于销量数据进行细致分类，按照类别数据特点，

通过多模型参数对比，选择最优模型进行算法优化，预测结果更为准确2.问题二、三

中考虑仓容利用率、产能利用率指标等多项指标，经过分析验证，模型具有合理性

和一定的现实意义。

关键词:Prophet网格搜索多目标0-1整数线性规划模型多目标粒子群优化算法

1

目录

一、问题重述4

1.1问题背景4

1.2问题提出4

二、问题分析4

2.1问题一的分析4

2.2问题二的分析5

2.3问题三的分析5

三、模型假设5

四、符号说明5

五、数据处理与分类6

5.1数据特征分类6

5.2数据