2023 年 MathorCup 高校数学建模挑战赛--赛道 B：电商零售商家需求预测及库存优化问题完整思路以及源代码

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：

需求预测

预测往往是智能供应链的决策基础，它可以让管理者提前预知各地的

需求，从而将库存提前放在靠近需求的仓库中，此时的预测任务为：根据

历史一段时间的需求量，预测各仓库中各商品未来需求，“预测维度”即为

不同商家在各仓库中存放的各种商品每天的数量。一般来说，企业会首先

根据数据的历史情况，分析出需求量序列的数理特征，对相似的需求量序

列进行归类，并根据分类结果做到更加精准的预测。预测准确率有很多评

价指标，较常用的指标为 1-wmape ，定义如下：

1 − wmape = 1 −

σ |? ? − ? ෝ ? |

σ ? ?

其中 ? ? 为第 ? 个序列（商家在各仓库中存放的各种商品每天的数量）的

真实需求量， ? ෝ ? 为第 ? 个序列的预测需求量。

然而，在实际的电商供应链预测任务中，常常会出现多种不同的问题。

例如，部分商品的销售时间过短、仓库存在新增或切换等情况，导致该预

测维度下历史数据过少；另外，部分大型促销期间货量的陡增并由此带来

的不规律性，也给需求量的精准预测带来了不小的难度。此时便需要通过

算法得到历史一般规律，找出相似的历史情况（如相似的仓或商品），从而

实现精准预测。

库存优化

为了有效管理库存水平，企业通常会制定各种库存策略来控制商品的

补货频次和补货量。定期盘点库存策略 (s ， S) 是一种常见的库存策略，其中 2

s 表示该种策略下的库存下限， S 为库存上限。在这种策略中，企业会每隔

一段固定时间查看库存水平，盘点之间的间隔设为盘点周期（ NRT ）。如果

在盘点时库存水平 T 低于最小库存水平 s ，则会将库存补充至 S ，此时的补

货量 Q = S − T ，如果在盘点时库存水平高于 s ，则不进行补充，直到下一

次库存盘点。同时需要考虑到，在每次发起补货后，补充的货物会经过一

定时间后才能到达当前仓库，这个时间间隔为提前期（ LT ）。

使用以上的库存策略，管理者需要对两个方面进行权衡取舍。一方面，

为了及时满足用户订单，公司需要保有大量库存以防止缺货；另一方面，

库存水位升高带来了过高的库存成本。库存优化的目标主要为：

1 ）降低库存总持有成本，可由单位持有成本 h 得到（一件商品存储一

天产生的成本）；

2 ）满足服务水平：确保有足够的产品可以及时满足客户需求，降低总

缺货成本，可由缺货成本得到（每天每缺一件商品产生的成本）；

3 ）降低库存周转天数：库存周转天数越小，表示库存的流动性越好，

企业的库存管理效率越高。

服务水平及库存周转天数计算公式为：

服务水平= 被满足的商品件数

实际需求总件数

× 100%

库 存周转天数 = 期初库存数量 +

期末库存数量

?

× 计 计 算 算 时 时 间 间 段 段 内 内 总 天 销 数 量

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3 至竞赛平台，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？

完整见文末附件

思路：
 

数据预处理：

首先，数据从附件1-4中合并，建立了一个包含多个商家、仓库和商品的时间序列数据集。

日期字段被转换为日期类型，并设置为索引。

时间序列预测：

通过循环遍历不同商家、仓库和商品的组合，进行时间序列预测。对于每个组合，模型使用ARIMA（自回归整合滑动平均模型）进行预测。

ARIMA是一种经典的时间序列分析和预测方法，它包括自回归（AR）部分、差分（I）部分和滑动平均（MA）部分。

在这里，用来训练模型的数据是过去的需求量时间序列。

一旦模型训练完成，它可以用于预测未来一段时间的需求量。

每个商家、仓库和商品的预测结果包括预测日期范围内的15天需求量。

计算1-WMAPE指标：这部分代码计算了1-WMAPE（一致加权平均百分比误差）指标来评估模型的性能。WMAPE度量了实际需求量和预测需求量之间的差距。

聚类分析：

接下来，通过K均值聚类（KMeans）对不同商家、仓库和商品的预测结果进行聚类分析。

K均值聚类是一种无监督学习方法，它可以将数据点分为不同的簇。

这里，簇的数量被设置为4。

聚类结果将商家、仓库和商品分为不同的簇，这意味着在同一簇中的商家、仓库和商品在需求量上具有相似的特征。这有助于识别不同类别的需求模式。

结果可视化：

通过绘制折线图，展示了每个商家在15天内的1-WMAPE值，以评估预测性能。

最后，通过散点图展示了不同聚类的预测需求量。

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。

完整见文末附件

针对新出现的商家、仓库、商品组合进行需求量预测的示例，使用了时间序列预测方法（ARIMA）。以下是对这个建模过程的解释和数学思路：

数据预处理：

首先，将附件1中的历史数据（historical_data）和附件5中的新数据（new_data）读取并处理。日期字段被转换为日期类型。

时间序列预测：

对于每个新出现的商家、仓库、商品组合，通过查找历史数据中具有相同商家和仓库的组合，来找到相似序列。这是通过筛选历史数据来实现的，以匹配新数据中的商家和仓库。

一旦找到相似的历史数据，就可以使用ARIMA模型进行时间序列预测。

ARIMA模型的使用和参数选择（p, d, q）通常需要领域知识和实验来确定。

模型在历史数据上训练，然后用于预测未来15天的需求量。

预测结果被保存在一个新的DataFrame（forecast_data）中，包括商家、仓库、商品、日期和预测需求量。

所有新商家、仓库、商品组合的预测结果都被合并到一个结果DataFrame（result）中。

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 至 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。

完整见文末附件

使用一次指数平滑法来预测需求量，特别是在具有促销效应的6月份期间。以下是对这个建模过程的解释和数学思路：

数据预处理：

首先，从附件1和附件6中读取数据，然后将它们合并成一个数据集（dtt）。

一次指数平滑法（Exponential Smoothing）：

一次指数平滑法的数学公式如下：

Forecast(t) = alpha * Actual(t) + (1 - alpha) * Forecast(t-1)

其中，Forecast(t) 是在时间点 t 的预测值，Actual(t) 是在时间点 t 的实际观测值，Forecast(t-1) 是在时间点 t-1 的预测值。

在代码中，exponential_smoothing 函数用于执行一次指数平滑法。它根据提供的时间序列数据和平滑系数（alpha）来生成预测。

平滑系数（alpha）决定了新数据点与以前数据点的权重关系。较大的alpha值会使模型对过去数据更敏感，而较小的alpha值会使模型更加平滑。

预测过程：

对于每个商家、仓库、商品组合（key），按照组合分组。

针对每个组合，首先计算过去20天的需求量的一次指数平滑预测。这是通过调用 exponential_smoothing 函数来完成的。

然后，创建一个新的DataFrame（forecast_data），其中包含日期范围从2023-06-01至2023-06-20的20天预测值。

结果中，商家、仓库、商品等信息被添加到预测数据中。

完整附件内容：