论文部分内容阅读
随着电子商务的快速普及与发展,电商企业的订单不断呈现出小批量,多批次,差异化的特点。如何准确预测顾客需求,提前调拨货物,从而优化库存,降低仓库成本成为物流行业的研究热点。现有预测与调度算法误差较大,求解规模较小,无法对仓库的需求和调拨问题进行准确求解,导致企业无法及时响应顾客需求,降低库存管理成本。因此,准确预测与合理的调度模型和求解算法成为了近年来的研究重点。本研究以二级网络中电商企业的一级配送中心为主体,提出包含供应商的补货调度与二级配送中心调拨的调度模型、基于混合策略的销量需求预测算法和库存模型求解算法。调度模型的目标为优化库存,降低仓库总成本。在销量需求预测算法方面,依数据预处理原理和组合预测原理,使用单变量与多变量组合加权的组合预测方法。单变量方法选用Auto-ARIMA。而多变量方法选用传统的机器学习方法与深度学习方法,其中传统的机器学习方法包括SVR,RF以及Boosting(Boosting 包括 AdaBoost、GBRT、XGBoost、LightGBM 和 CatBoost),深度学习方法包括Simple RNN、GRU以及LSTM。采用案例企业2年的真实历史销售数据对本研究算法进行验证,通过数据分析得出,单变量方法Auto-ARIMA预测结果最大RMSE值为4.796,误差较小且性能较好;在多变量方法的对比中,深度学习方法的误差均值与误差最大值均优于传统机器学习方法,而其中尤以LSTM结果误差率最低,且没有存在个别商品误差率过高的问题,所以多变量方法采用LSTM。案例采用Auto-ARIMA与LSTM的组合预测方法,实验表明组合预测结果平均RMSE值为0.102,优于单方法的预测结果。在组合预测销量需求的基础上,建立有补货提前期的库存补货与调拨模型,该模型优化目标为降低库存总成本,库存总成本包括:每件商品的补货成本、每个配送中心不满足顾客需求而产生的销量损失成本、二级配送中心不满足顾客需求而请求一级配送中心履约的额外履约成本、每件商品的持有成本。该模型随时间增加会出现决策变量个数以及约束过多的问题,故本研究分补货与调拨两阶段求解。在补货决策中,首先明确需要补充的商品,对需补货商品利用经典EOQ模型求解;在调拨阶段,先分析需要调拨的商品,对于需要调拨的商品,考虑到运力与库存约束,利用基于优先级的贪婪式搜索算法,求解从一级配送中心调拨至多个二级配送中心的调拨模型。最后利用企业真实数据和仿真算法验证本研究所提补货与调拨算法,并对比真实调度算法,对比结果表明本研究采用的算法具有更低的库存总成本。