發(fā)布時間：2025-02-07 13:00

　　隨著電子商務的快速普及與發(fā)展,電商企業(yè)的訂單不斷呈現(xiàn)出小批量,多批次,差異化的特點。如何準確預測顧客需求,提前調(diào)撥貨物,從而優(yōu)化庫存,降低倉庫成本成為物流行業(yè)的研究熱點�，F(xiàn)有預測與調(diào)度算法誤差較大,求解規(guī)模較小,無法對倉庫的需求和調(diào)撥問題進行準確求解,導致企業(yè)無法及時響應顧客需求,降低庫存管理成本。因此,準確預測與合理的調(diào)度模型和求解算法成為了近年來的研究重點。本研究以二級網(wǎng)絡中電商企業(yè)的一級配送中心為主體,提出包含供應商的補貨調(diào)度與二級配送中心調(diào)撥的調(diào)度模型、基于混合策略的銷量需求預測算法和庫存模型求解算法。調(diào)度模型的目標為優(yōu)化庫存,降低倉庫總成本。在銷量需求預測算法方面,依數(shù)據(jù)預處理原理和組合預測原理,使用單變量與多變量組合加權的組合預測方法。單變量方法選用Auto-ARIMA。而多變量方法選用傳統(tǒng)的機器學習方法與深度學習方法,其中傳統(tǒng)的機器學習方法包括SVR,RF以及Boosting(Boosting 包括 AdaBoost、GBRT、XGBoost、LightGBM 和 CatBoost),深度學習方法包括Simple RNN、GRU以及LSTM。采用案例企業(yè)2年的真實歷史銷售數(shù)...

【文章頁數(shù)】：99 頁

【學位級別】：碩士

【部分圖文】：

圖２－２?Ｂｏｏｓｔｉｎｇ學習流程圖??最終得到：Ｔ個弱學習器的誤差，如式（２－１４）所示：??

山東大學碩士學位論文??所示：??ｒ／ｐｕ＝＾＇￣ｆ＾，ｕ?＝?＼，２，－．；（ｐ?（２－１１）??其中為相對誤差值，代表實際值，代表樣本值，＆代表最大誤差??值，＆代表回歸器。??平方形式如式（２－１２）所示：??ｒｉｐｕ?＝?ｂ，＇＇￣Ｄ；＾ｆ?，ｕ?＝?＼，２，－．．，（ｐ....

圖２－３?Ｓｉｍｐｌｅ?ＲＮＮ的結構圖??２３??

山東大學碩士學位論文??其中ｑ為隱藏輸出變量，＼為／時的輸入變量，＇＾為卜丨時的輸出變量。??計算過程為根據(jù)權重矩陣對；Ｃ，和加權并加上偏差向量，再根據(jù)式（２－２６）??／?１—１??計算：??＞＾（ｘ）?＝?ｔａｎｈ（ｘ）?（２－２６）??計算過程采用辦）代表激活函數(shù)，伽的０為....

圖２－４?ＧＲＵ結構圖??ＧＲＵ的回歸預測流程如下，首先進行更新門和重置門的操作，如式（２－２９）所??示代表更新門操作：??

山東大學碩士學位論文??２）基于ＧＲＵ的銷量需求預測原理??ＧＲＵ［３７］（Ｇａｔｅｄ?Ｒｅｃｕｒｒｅｎｔ?Ｕｎｉｔ）可以看作是ＬＳＴＭ的簡化版本，如圖２－４所示??為ＧＲＵ的結構圖，其中｛為／時的輸入變量，＇為ｆ時的輸出變量，／＾為＾１時??的輸出變量，ＧＲＵ的內(nèi)部結構圓圈Ｘ代....

圖２－５ＬＳＴＭ結構圖??更新門的操作決定存入新的信息數(shù)量，式中的激活函數(shù)是Ｓｉｇｍｏｉｄ函數(shù)，此??操作依靠權重和偏置決定更新哪些值，式中依據(jù)權重和偏置創(chuàng)建候選值，根據(jù)式??

山東大學碩士學位論文??ｉｔ＝〇｛ｙ／＼ｈｔ＿ｖｘｔ］?＋?ｃ）?（２－３４）??Ｃ，?＝ｔａｎｈ（Ｗｃ［ｈ，＿ｌ，ｘ，］＋ｃｃ）?（２－３５）??其中＆為輸入門結果，＾；＾為當前內(nèi)部結構的輸入狀態(tài)，（Ｊ為激活函數(shù)，ｑ與??ｃｅ為偏置，Ｒ和％為權重矩陣，＼為樣本值。??？?（Ｊ）....

本文編號：4030913