基于需求預測的電商倉庫庫存研究

高東東，王鳳忠，成祥玉

（陸軍軍事交通學院投送裝備保障系，天津 300161）

0 引言

據中國互聯網絡信息中心（CNNIC）發布的第49次《中國互聯網絡發展狀況統計報告》顯示，截至2021年12月我國網絡購物用戶規模達8.42億，已經逐步占領消費市場，成為當今社會消費的主流。因此，對B2C電商公司而言，產品庫存量預測是一種提高中心區域銷售配送時效性的有效措施，不僅可以及時進行補貨調節商品種類數量滿足顧客購買需求，且能夠降低庫存成本，把握商品的市場需求，進而保障盈利。然而，倉庫商品庫存量的預測過程是一個信息不完全的動態過程，需要對商品的庫存量進行動態的分析和決策。

目前已有的研究主要集中在倉庫安全庫存量、預測模型和線性回歸組合模型在各領域的應用，李化，等針對汽車整車產量統計數據的關系，通過線性回歸方法預測其采購計劃，根據計算結果估計預測，進而達到控制采購成本和數量的目的。劉慶結合汽車配件安全庫存預測的相關需求，確定了影響安全庫存預測的相關因素，利用LSTM神經網絡模型結構對汽車配件需求量進行預測。李志勤構建灰色線性回歸組合模型，改善了原有灰色模型中沒有考慮線性因素和線性回歸模型中沒有考慮指數增長趨勢的缺陷。丁磊明，等提出用BP神經網絡算法修正灰色預測值的方法，其核心是通過分析月數據規律進行灰色預測外推，得到初步預測結果。徐妍基于GM(1,1)建立陜西省農產品物流需求的灰色預測模型，經過精度檢驗分析，表明該模型非常適合用來預測陜西省農產品物流需求，以此預測了未來6年陜西省農產品的物流需求，為全省農產品物流發展和規劃決策提供服務。李晗，等運用BP神經網絡和GM(1,1)方法，建立北京市物流需求組合預測模型。目前，對產品市場變動趨勢進行建模分析推測的預測方法主要有算術平均法、移動加權法、指數平滑法、回歸分析法和灰色預測法等，表1列出了各方法的優缺點。

表1 產品市場預測方法對比分析

以上四種方法在產品市場預測中各有優劣，單一的預測方法對預測的精度影響比較大，需要對方法中的優勢進行整合，投入到產品市場的預測中。

針對產品預測，國內研究多數聚焦在解決預測精度上，并且獲得了很多研究成果。在倉庫庫存量的預測中，研究內容主要集中在倉庫安全庫存的研究上，利用的方法僅是線性回歸方法，精度與實際存在較大差距。另外一部分研究主要集中在利用線性回歸組合模型和其它預測模型對單一商品銷售量進行預測，相比之下線性回歸組合的預測精度明顯高于單一預測模型。目前的研究中，較少有文獻提及灰色線性回歸組合模型在電商倉庫庫存量研究中的應用。

基于此，本文采用的灰色線性回歸組合模型是一種將灰色模型GM(1,1)與線性回歸模型組合的模型，以天為基準時間劃分單位，用部分數據進行模型參數的計算。研究表明，該組合模型彌補了線性回歸模型中沒有指數增長趨勢和灰色GM(1,1)模型中沒有線性因素的不足，因此更適合用于既有線性趨勢又有指數增長趨勢的時間序列數據，用此組合模型來預測電商平臺未來的商品銷售量能夠得到可信度較高的預測結果。

1 預測模型建立

灰色線性回歸組合模型是將線性回歸模型嵌入到灰色模型并重新組合而成的一種算法模型。灰色模型是一個不斷增大的指數模型，進行時間序列數據預測的過程中，由于缺少線性項，使得預測過程中隨著時間的增加，預測值也會急劇增加，這樣的預測結果不符合倉庫商品銷售量的變化值。同時，該模型只是一種單一的時間序列預測模型，在預測過程中沒有考慮影響商品銷售量的內部因素及因素之間的相互關系，只將影響因素視為在一定變化范圍內與時間相關的灰色量，預測結果無法反映出商品的折扣信息、顧客的購買心理和相關產品促銷信息對商品銷售量影響的變化系數，具有一定的局限性。線性回歸模型是一種在時間序列預測中廣泛應用，且理論性較強的定量預測方法。該方法能夠發現商品銷售量與其影響因素間的相互關系，分析影響商品銷售量的實際原因，彌補灰色模型中存在的缺點。基于此，將灰色模型與線性回歸模型組合建立灰色線性回歸組合模型，既充分利用灰色模型數據建模的優勢，又彌補其線性項缺失所無法反映影響因素相關關系的缺陷，進而改善單一模型的局限性，降低預測誤差，達到提高預測準確率的效果。

1.1 構建條件

灰色預測模型在信息不完全或不對稱情況下建立，并不關注數據中其他復雜的相互關系，只注重系統本身的白色信息，發現數據隱匿規律并利用已知、完全明確的白色信息，把系統灰色信息白色化，故將其用于商品銷售量的預測具有可行性和一定的現實意義。灰色預測模型GM(1,1)建模所需樣本數據少，只需四個以上的數據即可，且不要求數據有明顯的數據特征，計算簡便、易于掌握，模型的擬合精度較高。但GM(1,1)模型主要適用于單一的指數增長數據序列，對時間序列數據出現異常的情況往往無能為力。在目前實際應用中，大部分時間序列數據由于各種波動，預測結果偏差比較大。線性回歸分析方法要考慮到各種影響因素，且要收集大量信息，會導致計算量增大，建模困難，尤其部分信息難以量化，難以確定模型參數，從而導致無法實現預測。為克服單一模型的缺陷，排除不確定因素的影響，本文將灰色模型和線性回歸模型進行結合，構建灰色線性回歸組合模型，對倉庫商品銷售量進行預測。

1.2 構建流程

假定樣本數據是一組具備線性趨勢和指數趨勢的數據，灰色線性回歸組合模型是一種很好的數據預測模型，其建模過程一共分為六步，如圖1所示。

圖1 灰色線性組合模型建模流程

根據流程制定具體的建模過程，如下：

（1）列出原始數據()，該原始數據的要求是非負的時間序列。

（2）對銷售數據一次累加生成新序列。將原始數據按順序進行一次迭代累加排序，得到：

（3）按照傳統(11)建模。對新序列數據建立一階微分方程模型，其中為發展系數，為灰色作用變量。由此得到此微分方程的解：

為了表示方便，將此形式記為：

（4）灰色線性組合擬合累積。用指數方程、線性方程之和進行擬合累加，生成序列為：

其中，參數、、、待定。

（5）確定組合模型參數。在此過程中需要確定參數的值，設參數序列：

將式（2）帶入得：

另設Q()()()，將式（3）帶入得：同樣有：

利用式（5）與式（4）的比值取對數求解，由于實際操作中Q(1)與Q()會出現0數據，而這在數學計算中是不被允許的，因此將0與1進行比較，重新取值后進行計算，得到的計算公式如下：

取不同的可得到不同的值，計算個數為：

然后，以它們的平均值作為的估計值?，則估計值?的計算公式為：

根據上面的公式確定參數、、的值，并利用最小二乘法求解估算值。

令:

則式（2）可變為：

令：

則有，即：

2 實例分析

2.1 數據來源

本文選取某電商倉庫2020-2021兩年部分商品的銷售數量及相關促銷信息，一共有2 127 485條數據，數據已經過脫敏處理，數據格式見表2，數據中item_sku_id代表每個商品的編號，dc_id代表每個倉庫的編號，date表示日期，quantity表示銷售數量，vendibility表示庫存量，1代表有庫存，original_price表示處理后的原始價格，discount表示商品的折扣。數據中一共包含1 000種商品，并且每種商品在各倉庫銷量并不相同。由于電商“618”“雙十一”優惠活動大于其余月份，則銷量也高于其余月份，所以數據中已剔除6月和11月的銷售量。通過剔除后數據對2022年1月的各個倉庫每種商品的銷售量進行預測。

表2 某電商倉庫銷售量

2.2 數據預處理

由于原始數據分布沒有一定的規律性，無法直接輸入模型進行求解，因此必須對數據進行預處理。本文采取的預處理工具為Excel，處理步驟如下：

（1）商品分倉。對原始數據進行篩選，從0號倉到5號倉分別進行處理，得到分倉庫數據。以0號倉為例，篩選后的數據格式見表3。

表3 0號倉庫部分商品銷售量

（2）時間排序。對分倉后的數據利用數據透視表按時間排序，列標簽設置為商品序號，一共包括1 000種商品，行標簽為時間，從2020年1月1日開始到2021年12月31日。處理后的數據部分效果見表4。

（3）得到模型矩陣。對表4中的數據進行處理，空白位置補0，并且除去行標簽和列標簽按年分別新建表格，存儲為模型需要的1 000*305矩陣。部分矩陣形式見表5。

表4 0號倉庫部分倉庫數據透視表

表5 0號倉庫2020年部分商品矩陣

2.3 MATLAB求解

將上面處理好的矩陣導入到MATLAB中，依照模型構建過程中提出的算法編寫MATLAB程序，采用程序分別運行上面的數據，進而預測2022年1月份的銷售量。通過運行以上程序，得到0號倉庫1月份1 000種商品預測銷售量，結果顯示為1 000*31的矩陣。由于矩陣顯示不太直觀，對結果矩陣進行編程轉換，調用MATLAB程序對結果矩陣進行重新排序。

排序結束即可得到2022年1月0號倉庫的銷售量預測值，對數據進行統一處理，用date表示1月具體日期，dc_id表示所在倉庫，item_sku_id表示商品編號，quantity表示當天銷售數量。預測數據部分結果見表6。

表6 0號倉庫1月份部分商品銷售量預測結果

2.4 對比分析

利用上述分析方法截取數據中1號倉庫2021年的數據預測12月的庫存量，分別利用線性回歸預測、灰色指數預測、灰色線性回歸組合模型預測三種方法進行對比分析，對比結果見表7。

表7 三種方法預測結果對比

通過以上的預測結果對比可以發現，線性預測出現的結果誤差最大，灰色預測出現的結果誤差次之，組合模型預測的結果優于以上兩種方法。灰色線性回歸組合模型在電商倉庫庫存量預測中具有明顯的優勢，通過倉庫商品的銷售量數據對商品未來的庫存量進行預測，可以進一步優化倉庫庫存管理。

3 結語

本文基于需求預測對電商庫存量進行研究，將灰色模型與線性回歸模型組合建立灰色線性回歸組合模型，通過模型對電商平臺商品銷售量進行預測，合理地預測下月的商品銷售量，也可根據商品整年的銷售情況，定期地進行備貨，降低倉庫庫存費用，對優化倉庫庫存管理起到很好的指導作用。同時與常用方法對比發現，該模型簡單易懂，操作方便，能夠很大程度上降低預測難度，對于數據容量較大的數據批量處理時速度也比較快。模型在不考慮商品促銷的情況下，可以廣泛應用于大數據環境下的商品倉庫庫存量預測中。在今后的研究中，主要考慮打折因素、季節因素等多方面的促銷信息，對該模型進行優化，進一步提高預測結果的擬合精度。