国内好看的网站设计,项目经理招聘网最新招聘信息,wordpress表白墙模板下载,好玩又不用实名认证的游戏赛道 B#xff1a; 电商零售商家需求预测及库存优化问题
问题背景#xff1a;
电商平台存在着上千个商家#xff0c;他们会将商品货物放在电商配套的仓库#xff0c; 电商平台会对这些货物进行统一管理。通过科学的管理手段和智能决策#xff0c; 大数据智能驱动的供应链…赛道 B 电商零售商家需求预测及库存优化问题
问题背景
电商平台存在着上千个商家他们会将商品货物放在电商配套的仓库 电商平台会对这些货物进行统一管理。通过科学的管理手段和智能决策 大数据智能驱动的供应链可以显著降低库存成本同时保证商品的按时履约。一般来说以上供应链优化问题会包含以下方面
现有一张电商零售商家的历史出货量表附件 1给出了历史 6 个月 各商家存放在电商不同仓库的商品每天的出货量。假设该出货量即为历史 各商品在各仓库的需求量。同时还可以取到各商品、商家、仓库的信息 附件 2-4例如分类、品牌、生效日期等这些信息的选择和引入会帮助更好的预测并管理供应链中的库存。
初赛问题
问题一 使用附件 1-4 中的数据 预测出各商家在各仓库的商品 2023-05- 16 至 2023-05-30 的需求量请将预测结果填写在结果表 1 并上传竞赛平台并对你们模型的预测性能进行评价。另外请讨论根据数据 分析及建模过程这些由商家、仓库、商品形成的时间序列如何分类使同一类别在需求上的特征最为相似 思路
问题1大致可以分为2类解题的思路 第一种就是基于附件1用附件2~4的数据生成特征来形容附件1的(商家仓库 商品维度)因为附件1商家仓库 商品维度是文本标签提取特征的唯一方法是独热编码但是由于去重数太多了所以直接独热编码不现实但是这种思路准确率会非常不靠谱因为很难拟合我原先在做此类需求预测建模时用此方法经常欠拟合。 第二种方法就是把商家仓库 商品维度进行合并主键一共是有1996个去除值也就是分开建立1996个模型然后分开预测具体的解法如下 step1读取附件1数据并按商家仓库 商品维度进行合并主键 step2以主键seller_16product_1187wh_33为例筛选出该数据 step3将数据按15天为一个周期进行合并首先需要计算最近的日期与2023-05-15的差值然后从这个差值开始合 合并数据窗口大小为15根据差值筛选出合并后的数据生成对应的时间周期 step4构建时序特征这里我用的的典型的时序机器学习预测方法.时序数据滑窗转换用于将时间序列数据转为回归数据简单地说就是把一个单序列的数据变为X-Y的回归数据。如下图所示步阶为2代表2个X步阶多少就有多少个X简单地说就是用第12天的数据预测第3天用第23天的数据预测第4天以此类推。此种形式的数据进行回归就是时间序列预测问题。 step5拆分训练集和测试集创建多个模型并训练 step5选择最好的那个模型对应的评价值1-wmape用最后一个周期的数据预测各商家在各仓库的商品2023-05- 16 至 2023-05-30 的需求量 step6重复这个过程分开对1996个主键进行预测与训练 step7将结果整理输出 第二个小问我放到Q2进行一起求解
问题二现有一些新出现的商家仓库 商品维度附件 5导致这种 情况出现的原因可能是新上市的商品或是改变了某些商品所存放的仓库。 请讨论这些新出现的预测维度如何通过历史附件 1 中的数据进行参考找 到相似序列并完成这些维度在 2023-05- 16 至 2023-05-30 的预测值。请把预测结果填写在结果表 2 并上传至竞赛平台。 思路 问题二其实就是要根据附件五的主键去找到在附件一最为相似的主键那么直接去求这一个相关性实际上数据维度是很大的一种做法就是先进行聚类聚类后。聚类后可以根据聚类的标签然后在附件一的数据进行筛选这个时候只需要计算筛选中的对应聚类的相关度就可以了这样计算量会少很多具体做法如下 step1附件1和附件5合并主键后创建其对应需求量的时序特征 step2附件1和附件5数据进行合并 step3使用聚类分析划分标签这里我用了三种聚类方法层次聚类、k-means、DBSCAN step4针对附件5第一个主键与附件1数据筛选出共同聚类标签后求相关系数得到相关系数最大的主键即为附件5该数据与附件1数据最为相似的主键 step5重复上面的过程为附件5每一个主键找到对应在附件1中最为相似的主键 step6找回前面的结果1数据根据主键关联出附件5的需求预测量即可 问题三每年 6 月会出现规律性的大型促销为需求量的精准预测以 及履约带来了很大的挑战。附件 6 给出了附件 1 对应的商家仓库 商品维 度在去年双十一期间的需求量数据请参考这些数据给出 2023-06-01 2023-06-20 的预测值。请把预测结果填写在结果表 3 并上传至竞赛平台。 思路问题3与附件1类似只不是要做更复杂的数据处理需要构建以20为周期的时序数据特征然后可以对每个主键求非促销时间与促销时间的需求量的比率作为促销系数预测出 2023-06-01 至2023-06-20 的预测值后乘上这个系数即可具体求解如下 step1构建时序数据以seller_16product_1187wh_33举例 step2保留后5天即2023-05-10~2023-05-15的数据加上结果1中的预测销量做为一个时序特征2023-05-10前面的需求量按20为周期求取 step3与问题1一样求取构建模型选取最优模型得到 2023-06-01 至2023-06-20 的预测值 step4然后乘以一个促销系数b即可得到预测时间段的需求量 step5重复这个过程为每一个主键求取预测时间段的需求量并进行保存耗时7分钟 step6将结果整理输出
本次将全程提供B题题完整解题思路及代码同时共享一些论文模板等资料需要的小伙伴可以关注一下持续更新完整解题代码可查看B站哦
2023mathorcup大数据赛 B题 完整代码解题教程_哔哩哔哩_bilibili
