没有合适的资源?快使用搜索试试~ 我知道了~
2023数模国赛优秀论文C235.pdf
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
5星 · 超过95%的资源 1 下载量 113 浏览量
2024-03-10
21:18:53
上传
评论
收藏 4.16MB PDF 举报
温馨提示
试读
73页
2023年,高教社杯,全国大学生数学建模竞赛,优秀论文
资源推荐
资源详情
资源评论
1
基于历史数据的蔬菜类商品定价与补货决策模型
摘要
农业是国民经济的重要支柱,农产品市场的稳定是国家经济平稳健康运行的有力支
撑。蔬菜类农产品作为农产品一大类别,对其商品定价和补货决策问题的研究具有十分
重要的意义。本文针对以上问题,根据蔬菜销售、进价和定价等数据,并基于 K-S 检验、
ARIMA 模型和 Prophet 模型等研究方法,对蔬菜销量的分布规律进行了详细分析,建
立基于历史数据的蔬菜类商品定价与补货决策的模型,并使用模拟退火算法、遗传算法
等对该模型进行了求解。
针对问题一,首先进行数据预处理,针对蔬菜销量流水的缺失值和异常值等进行了
相应的处理操作,并对数据分类汇总以获得各单品或品类不同维度的销量数据。之后,
首先先从总体的角度去分析不同品类蔬菜的分布规律及相互关系。分别使用 K-S 检验、
皮尔逊相关系数矩阵、ARIMA 时间序列分析等方法,对销量数据从不同的维度进行整
体分析;之后认为再从周、月、年等多个维度,利用可视化分析和相关系数矩阵等方法,
详细分析不同品类蔬菜的分布规律及相互关系。
针对问题二,本文首先单品数据合并为品类数据,并编制能够反映品类价格特点的
量化指标。使用以销售价格为外生变量的 Prophet 模型,分离出品类销售总额数据的趋
势项、季节项、节假日项,通过调整后的线性回归模型在小区间内建立了成本加成定价
与销售总额的关联。最后将 Prophet 模型结合模拟退火的启发式算法,优化 7 月 1 日至
7 月 7 日的自动定价策略与补货方案。
针对问题三,首先根据 2023 年 6 月 24-30 日的市场批发价情况筛选出可以 7 月 1
日可以从供应商处批发获得的蔬菜单品。之后,结合实际情况和历史数据,预测出当天
各单品蔬菜的市场需求量与进货价格。此外,结合问题二的 Prophet 模型,建立出各单
品蔬菜销量与其定价之间的线性关系。基于上述分析,构建出混合整数二次规划,并结
合遗传算法,获得相应的最优解,提供 7 月 1 日的自动定价与补货方案。
针对问题四,结合前三个问题的分析和建模过程,提出获取疫情封控状态等数据以
补足完善之前的补货和定价模型;此外,针对前文利用不足的折扣率、损耗率等数据,
提出获取库存最大容量、隔天库存损耗率等数据,以更好地利用和分析这些数据,并建
立相应的动态规划模型,作为补货和定价模型的补充。
关键词: ARIMA Prophet 模型 模拟退火 遗传算法
2
一、 问题重述
1.1 问题背景
在生鲜商超中,由于蔬菜类商品保质期较短,商超会每天进行补货。由于蔬菜每日
的进货交易时间在凌晨,因此商家并不确切知道具体单品和进货价格,而只能根据各商
品的历史销售和需求情况进行每日的补货决策。另外,蔬菜的定价采用“成本加成定价
法”,对运损或品相变差的商品通常打折销售处理。
因此,需要对市场需求和供给进行合理分析,从而进行补货和定价决策。从需求侧
看,蔬菜类商品的需求在时间上存在周期性,其销售量与时间存在一定的关联性;从供
给侧来看,蔬菜的供应品种在 4 月到 10 月较为丰富,商超销售空间的限制使得合理的
销售组合变得极为重要;结合需求侧和供给侧,可以分析各蔬菜品类的销售总量与成本
定价之间的关系,从而进行合理的优化决策。
1.2 问题提出
问题是层层递进,并且服务于同一主题的——如何通过分析蔬菜的已有成本、定价
和销量等历史数据,从而制定出合理的补货和定价决策,实现商超利润最大化:
问题一:根据附件 1 和附件 2,按照周、月、年等不同的分析维度,分析蔬菜各品
类及单品销售量的分布关系,以及其相互关系;
问题二:在对各蔬菜品类与单品销量分析的基础上,进一步分析决定各蔬菜品类市
场需求的可能因素,从而确定不同的成本加成定价水平对市场需求的影响,并给出各蔬
菜品类 2023 年 7 月 1-7 日的日补货总量和定价策略,使商超利益最大化;
问题三:在可售单品总数控制在 27-33 个,且各单品订购量满足最小陈列量 2.5 千
克的前提下,尽量满足市场对各品类蔬菜商品的需求,同时根据 2023 年 6 月 24-30 日
的可售单品,给出 7 月 1 日的单品补货量和定价策略。
问题四:结合以上问题的分析和建模过程,希望商家继续采集哪些相关数据,从而
可以完善模型并更好地制定蔬菜商品的定价和补货决策。
二、 问题分析
问题一:研究对象为蔬菜各单品和品类的销售量,而附件 2 仅提供了三年内各单品
蔬菜的销售流水数据,因此要先对该数据进行预处理。首先需要观察分析原始数据,检
查是否有缺失值、异常值等,并进行相应的处理。其次,需要将附件 1 和附件 2 的表格
进行匹配,对数据进行加总,分别获得各单品和各品类蔬菜的日销售量、周销售量等数
据。之后,才能对蔬菜各单品、品类的销售分布和相互关系进行分析。
针对不同品类蔬菜的总体分布规律及相互关系,可以首先从总体的角度把握数据,
如进行假设检验、模拟拟合和可视化分析等操作;之后再从周销量、月销量和年销量的
角度分别详细分析其分布规律及相关系数。
3
问题二:在探讨成本加成定价水平与市场需求的关联时,需要先剔除由季节性、趋
势性、特定时间段带来的影响。从供给端看,蔬菜市场受季节、年景等因素影响较大,
不同季节上市的蔬菜单品组合亦有显著差异;从需求端看,消费者在周末、特定节假日
期间会加大对蔬菜的购买力度;同时由于可供选择的蔬菜品类较多,市场需求存在显著
的替代效应,因此需要编制合适的量化指标来概括品类的价格表现。由于消费者的行为
直接取决于蔬菜的绝对价格,间接受到成本利润率的影响,需要先关注蔬菜销售价格与
市场需求的关联,再由销售价格和批发价格反推出成本加成定价的加成比率。解决该问
题首先要建立合适的预测模型,预测各蔬菜品类在 2023 年 7 月 1 日至 2023 年 7 月 7 日
的市场需求,再使用优化模型建立合理的补货策略和自动定价策略(即成本加成比率)
以最大化商超收益。
问题三:本问题是一个混合线性优化问题需要结合问题二中分析出的销售价格与进
货量的关系,作为变量间的条件。同时,题目中要求的尽量满足品类的需求也需要结合
实际的利润情况、季节性、噪点等情况,截取合适时间段内的销售记录进行分析,之后,
进一步结合题目要求确定约束条件。由于变量数较多,使用启发式算法中的遗传算法进
行求解。求解后需要进一步分析约束的实际满足情况,以确定是否能够在满足品类需求
的同时,控制进货量保证能够符合模型假设。
问题四:应当结合前三个问题的分析和建模过程。结合问题一对销量分布规律和相
互关系的分析,可以联想找出影响销量的潜在因素,从而更好地分析销量的规律;结合
问题二和问题三,可以寻找出定价和补货模型中缺少的数据和信息。此外,可以从之前
模型中利用不足的数据切入,例如折扣率、退货率等,思考利用可以如何分析利用这些
数据,并据此补足缺乏的数据,从而更好地构造模型。
三、 模型假设与符号说明
3.1 模型基本假设
商超的客群基本稳定,消费者行为在短期内可以预测;
可供选择的蔬菜单品已经全部给出,不考虑新增的蔬菜单品;
市场环境在预测期内不会发生巨大改变,经营可以保持连续稳定。
4
3.2 符号说明
表1 符号说明
符号
含义
市场对品类 i 的需求
Prophet 模型的趋势项
Prophet 模型的周期项
Prophet 模型的节假日项
价格对需求的影响函数
Prophet 模型的残差
单品 j 的销售价格
单品 j 的销量
单品 j 的批发价格
品类 i 的销售价格指数
品类 i 的总销量
品类 i 的批发价格指数
品类 i 的平均损耗率
品类 i 的平均折扣率
四、 问题一模型建立与求解
4.1 问题一求解思路
首先,通过代码观察分析四个附件,发现没有直观意义上的缺失值。但是,对于单
个单品而言,必定有一些日期没有销售记录,甚至由于蔬菜的季节特殊性,许多单品会
出现很长时间的没有销售记录。
因此,针对三年来总销量很少的单品,在计算单品间相关系数的环节,删去了总销
量后 25%的单品,一方面因为缺失值过多的单品之间往往无法找到相同的时间点进行销
量对比,另一方面缺失值过多也会对于相关系数的计算产生偏高或者偏低的影响。而对
于留下的单品,没有销售记录的日期用 0 来填充销量。
另外,对于分布规律的比较,由于不同的品类及不同的单品之间存在着较大的销量
绝对值差异,因此按照一定时间范围内的销量比例来计算,比如计算月销量规律时,将
每个品类或单品的每个月销量除以总销量,以得到月销量比例其他时间维度同理,方便
不同品类或单品之间的比较。
此外,由于日常中偶然性因素,比如疫情封控、极端天气等情况,各单品蔬菜的日
销量会出现部分异常的极端值。这些极端值可能会对后续分析造成不良影响,因此,借
鉴箱线图的定义,记各单品蔬菜的上四分位点、中位数、下四分位点为 Q
3
、Q
2
和 Q
1
,
记四分位距 IQR=Q
3
-Q
1
。获取各单品蔬菜中超出正常分布区间的异常值,其中正常分布
区间为:
,
5
之后,求得去除异常值之后日销量的平均值,并用该平均值替换异常值,从而获得
异常值处理之后的单品蔬菜日销量数据。可以从花叶类蔬菜周销量随时间变化的图中,
看出替换异常值前后的效果变化。如下图所示,用黑色线条来描绘替换异常值之前的数
据,用绿色线条来描绘替换异常值之后的数据。可以发现替换异常值之后,周销量数据
明显变得更加平滑。
图1 花叶类蔬菜日销量箱线图
图2 数据预处理前后花叶类蔬菜周销量时间序列对比图
4.2 蔬菜类商品不同品类的分布规律及相互关系
本部分将先从总体的角度去分析不同品类蔬菜的分布规律及相互关系,之后认为再
从周、月、年等多个维度详细分析不同品类蔬菜的分布规律及相互关系。
4.3 不同品类蔬菜的总体分布规律及相互关系
本节使用三种方法分析不同品类蔬菜的总体分布规律及相互关系。首先,从 K-S 检
验的角度分析不同品类蔬菜的销量是否属于同一分布;之后,使用皮尔逊系数矩阵分析
不同品类蔬菜的销量之间的相关性;最后,从 ARIMA 模型的角度分析单一品类蔬菜的
历史销量的分布规律。
剩余72页未读,继续阅读
资源评论
- Diamond-42024-04-29资源内容详细,总结地很全面,与描述的内容一致,对我启发很大,学习了。
阿拉伯梳子
- 粉丝: 1480
- 资源: 5503
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功