电商零售商家需求预测及库存优化问题(第1问)

这篇具有很好参考价值的文章主要介绍了电商零售商家需求预测及库存优化问题(第1问)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

电商零售商家需求预测及库存优化问题
数据和题目来源于 2023 年 MathorCup 高校数学建模挑战赛——大数据竞赛
只有第一问,使用ARIMA做预测,使用聚类算法做特征相似性

1 数据读取和处理

1.1 清除重复值

注意附件4要去重,原来是56条数据,去重后是54条数据。

print(fujian1_df.shape)
fujian1_df = fujian1_df.drop_duplicates()
print(fujian1_df.shape)

print(fujian2_df.shape)
fujian2_df = fujian2_df.drop_duplicates()
print(fujian2_df.shape)

print(fujian3_df.shape)
fujian3_df = fujian3_df.drop_duplicates()
print(fujian3_df.shape)

print(fujian4_df.shape)
fujian4_df = fujian4_df.drop_duplicates()
print(fujian4_df.shape)
(331336, 5)
(331336, 5)
(2302, 4)
(2302, 4)
(37, 4)
(37, 4)
(56, 3)
(54, 3)

1.2 数据合并,后面可能会用到

merged_df= pd.DataFrame()
merged_df = pd.merge(fujian1_df, fujian2_df, on='product_no', how='inner')
merged_df = pd.merge(merged_df, fujian3_df, on='seller_no', how='inner')
merged_df = pd.merge(merged_df, fujian4_df, on='warehouse_no', how='inner')
merged_df.sort_values(by='date', ascending=True, inplace=True)
merged_df.shape

合并完数据是33w条数据,13维特征。

2 使用ARIMA模型做预测

每个组合单独预测模,总共1996条数据,每个数据单独做一个模型训练和预测,速度可以接受。

遍历每个组

i=0
for group_key, group_data in grouped:
    seller_no, product_no, warehouse_no = group_key
    # 拟合ARIMA模型
    model = sm.tsa.ARIMA(group_data['qty'], order=(1, 1, 1))

    # 训练模型
    model_fit = model.fit()

    # 使用模型进行未来15天的销量预测
    forecast = model_fit.forecast(steps=15)

    # 将预测结果存储在DataFrame中,其中包含日期和销量
    forecast_df = pd.DataFrame({'seller_no':seller_no,'product_no1':product_no,
                                'warehouse_no1':warehouse_no,'date':future_dates,
                                'qty': forecast})
    combined_lis.append(forecast_df)
    if i % 200 ==0:
        print(i)
    i+=1
combined_df = pd.concat(combined_lis)
combined_df.to_excel("预测结果1.xlsx")

结果保存到excel表格中,如:
电商零售商家需求预测及库存优化问题(第1问),机器学习,人工智能

3 使用聚类算法做特征相似度

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?

3.1 先将数据转换为1996*166的格式

总共1996个组合,每个组合166条过去数据,需要先转换为1996*166的形式

for group_key, group_data in grouped:
    seller_no, product_no, warehouse_no = group_key
    date_qty_df = group_data[['date','qty']]
    new_name = seller_no + "+" + product_no + "+" + warehouse_no
    date_qty_df = date_qty_df.rename(columns={'qty': new_name})

    # 进行列拼接,合并到 combined_data 中
    date_qty_df_all = pd.merge(date_qty_df_all, date_qty_df, on='date', how='inner')
    
    if i % 200 ==0:
        print(i)
    i+=1

3.2 使用聚类算法

遍历不同的簇数

for n_clusters in cluster_range:
    kmeans = KMeans(n_clusters=n_clusters, random_state=0)
    cluster_labels = kmeans.fit_predict(X)
    silhouette_avg = silhouette_score(X, cluster_labels)
    silhouette_scores.append(silhouette_avg)

# 绘制轮廓分数与簇数的关系图
#plt.figure(figsize=(10, 6))
plt.plot(cluster_range, silhouette_scores, marker='o')
plt.xlabel('簇数 (K)')
plt.ylabel('轮廓分数')
plt.title('K均值聚类 - 调节簇数')
plt.grid(True)
plt.show()

电商零售商家需求预测及库存优化问题(第1问),机器学习,人工智能
发现数目为5的时候效果最好

3.3 绘制显示每个类别的各个特征的权重

先将1996条数据按照商品编码3个信息划分到不同的类别,然后使用饼状图显示每个类别各个特征的权重绘图。
类别0的图像电商零售商家需求预测及库存优化问题(第1问),机器学习,人工智能后续再具体分析。完整代码:https://docs.qq.com/doc/DWEtRempVZ1NSZHdQ文章来源地址https://www.toymoban.com/news/detail-735754.html

到了这里,关于电商零售商家需求预测及库存优化问题(第1问)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 2023 年 MathorCup 高校数学建模挑战赛大数据竞赛(B题)|电商零售商家需求预测及库存优化问题|建模秘籍&文章代码思路大全

    铛铛!小秘籍来咯! 小秘籍希望大家都能轻松建模呀,mathorcup比赛也会持续给大家放松思路滴~ 抓紧小秘籍,我们出发吧~ 来看看 MathorCup大数据竞赛的B题 完整版内容在文末领取噢~ 问题一:需求量预测 问题描述:根据历史六个月的需求量数据,预测各商家在各仓库的商品在

    2024年02月08日
    浏览(39)
  • 2023年第四届MathorCup大数据挑战赛(B题)|电商零售商家需求预测及库存优化问题|数学建模完整代码+建模过程全解全析

    让我们来看看MathorCup的B题! 这是一个电商零售商家需求预测及库存优化问题的描述。这个问题涉及到电商平台上的上千个商家,它们将商品放在不同的仓库中,而电商平台需要进行供应链管理,以降低库存成本并保证按时交货。主要问题包括需求预测和库存优化。 问题一:

    2024年02月08日
    浏览(46)
  • 【文章+代码】2023妈妈杯大数据B题分享 mathorcup 电商零售商家需求预测

    本次的妈妈杯大数据B题我们也将持续陪跑,目前已经完成了大部分的代码,和第一版文章。 下面进行文章摘要和其他部分的分享 基于时间序列的电商零售商家预测模型 摘要 在电子商务平台上,通常有数以千计的零售商家,它们将其商品存放在该电子商务平台提供的仓库中

    2024年02月05日
    浏览(38)
  • 基于机器学习的库存需求预测 -- 机器学习项目基础篇(12)

    在本文中,我们将尝试实现一个机器学习模型,该模型可以预测在不同商店销售的不同产品的库存量。 导入库和数据集 Python库使我们可以轻松地处理数据,并通过一行代码执行典型和复杂的任务。 Pandas -此库有助于以2D阵列格式加载数据帧,并具有多种功能,可一次性执行分

    2024年02月13日
    浏览(41)
  • 商业智能、数据分析和需求预测在现代零售管理中的关键运用

    文章来源:第七在线官方 现代零售面临着激烈的市场竞争和日益增长的消费者期望值。 无论是实体商铺、电子商务还是其它渠道,零售商都必须时刻掌握各类进销存数据,并结合对流行趋势和未来销售的预期做出最有效的经营决策 。这一切都对现代零售商在管理中如何高效

    2024年02月01日
    浏览(44)
  • kaggle—酒店预订需求预测分析

    项目背景:该项目为酒店线上预订业务的研究内容,从酒店运营的角度,分析酒店的房型供给、不同时间段的需求,核心消费群体,影响退订的因素,并建立分类算法模型对酒店订单退订进行预测。 数据来源:kaggle:Hotel booking demand,此项目数据为kaggle上的一个Hotel booking数据

    2024年02月13日
    浏览(84)
  • 基于灰色神经网络的订单需求预测Matlab代码

            灰色系统理论是一种研究少数据、贫信息,不确定性问题的新方法,它以部分信息已知、部分信息未知的“小样本”、“贫信息\\\"不确定系统为研究对象,通过对“部分”已知信息的生成、开发,提取有价值的信息,实现对系统运行行为、演化规律的正确描述和有效监控。

    2024年02月11日
    浏览(51)
  • 2022-2028年全球与中国半导体组装和测试服务(SATS)行业市场需求预测分析

    本文研究全球与中国市场半导体组装和测试服务(SATS)的发展现状及未来发展趋势,分别从生产和消费的角度分析半导体组装和测试服务(SATS)的主要生产地区、主要消费地区以及主要的生产商。重点分析全球与中国市场的主要厂商产品特点、产品规格、不同规格产品的价

    2023年04月11日
    浏览(101)
  • 供应链|供应商库存服务水平对零售商需求的影响

    作者:Nathan Craig, Nicole DeHoratius, Ananth Raman   引用:Craig N, DeHoratius N, Raman A. The impact of supplier inventory service level on retailer demand[J]. Manufacturing Service Operations Management, 2016, 18(4): 461-474. 文章链接:https://doi.org/10.1287/msom.2016.0582 封面图链接:Photo by Chanaka from Pexels https://www.pexels.com/

    2024年02月07日
    浏览(50)
  • 数学建模-基于LightGBM和BP神经网络的互联网招聘需求分析与预测

    整体求解过程概述(摘要)    就业是民生之本,是发展之基,也是安国之策。2020 年新冠肺炎疫情的爆发,稳就业成为应对疫情、稳定社会的重要保障之一。随着数据新动能的发展,互联网招聘为招聘者和应聘者提供不限于时空的全局视角,因此本文从该角度出发对招聘者和

    2024年03月23日
    浏览(48)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包