一种生鲜超市蔬菜商品的智能补货与定价策略生成方法

本发明涉及商业数据分析、供应链管理和零售业自动化决策，具体涉及一种生鲜超市蔬菜商品的智能补货与定价策略生成方法。

背景技术：

1、生鲜超市在面对蔬菜类商品保质期短、销售波动大、库存管理复杂等问题时，缺乏有效的大数据分析工具和实时预测模型来进行精细化的补货与定价决策，导致难以最大化收益并有效控制成本。

2、目前的定价策略不同市场各异，多为人力估算，通过专员进行市场分析。现有技术模型基于时间序列预测类模型和非线性目标规划方法，没有充分利用蔬菜类商品销售数据特征。原因在于：

3、(一)蔬菜类商品的销量、批发价等数据的涨落呈现高度的周期性特征，现有模型没有利用这一规律，使得预测出的结果可能不符合日常规律。

4、(二)非线性目标规划模型引入了非线性特性，使得模型的运行速度更慢，增加模型复杂度，且蔬菜销售数据中部分维度存在确切的线性关系，因此非线性模型的引入并非必要。

5、(三)蔬菜类商品需要保持新鲜性，因此蔬菜类商品的进货量决定销售量，而非销售量决定进货量，且进货量和销售量之间存在比例关系，因此应当对进货量进行预测，并通过进销比确定销售量的大致范围。

技术实现思路

1、本发明的一种生鲜超市蔬菜商品的智能补货与定价策略生成方法，为了解决上述缺陷。

2、为了实现上述目的，本发明的一种生鲜超市蔬菜商品的智能补货与定价策略生成方法，包括以下步骤：

3、s1：对真实的历史蔬菜类商品的利润、定价、进货量进行可视化分析，使用多元线性回归模型确定利润、定价和进货量的关系；

4、s2：根据利润、批发价、销量、定价和进货量之间的关系，结合多元线性回归模型确定的利润和定价进货量的关系，进一步获得定价、进货量、销量和批发价的关系，得到定价函数；

5、s3：获得利润、进货量、批发价和销量的关系，得到利润函数；

6、s4：通过真实的历史蔬菜类商品销售数据建立季节性arima模型，使用季节性arima模型对未来蔬菜各品类的批发价和销量进行预测；

7、s5：获取真实的历史蔬菜类商品销售数据，获得进销比范围；通过s3计算的定价函数以及s4中计算的未来蔬菜各品类的批发价和销量，计算出未来蔬菜各品类的利润，以蔬菜类商品利润最大为目标获得最优化问题，使用遗传算法求解最优化问题，获得最优的定价和最优的进货量。

8、进一步地，步骤s1包括以下步骤：

9、s1.1：建立蔬菜类商品的利润、定价、进货量的多元线性回归模型；

10、w＝ap+bq+k  (1)

11、式中，w、p、q分别表示蔬菜类商品的利润、定价、进货量，a、b、k为多元线性回归模型的参数；

12、s1.2：将真实的历史蔬菜类商品销售数据输入多元线性回归模型进行训练，得到参数a、b、k的确定值。

13、进一步地，步骤s2中：

14、w＝sp-cq  (2)

15、式中，s、c分别表示蔬菜类商品的销量和批发价；

16、将式(1)(2)联立，得到定价函数：

17、

18、进一步地，步骤s3中，将式(3)代入到式(1)中，得到利润函数：

19、w＝w(q,s,c)＝ap(q,s,c)+bq+k  (4)。

20、进一步地，步骤s4中，设置季节性周期长度t＝7，其他参数由模型自动选择，建立季节性arima模型；

21、季节性arima模型公式如下：

22、

23、式(5)中φp(b)和θq(b)均属于延迟多项式算子，分别表示自回归算子和移动平均算子，满足：

24、φp(b)＝1-φ1b-l-φpbp  (6)

25、θq(b)＝1-θ1b-l-θqbq  (7)

26、φp(bs)与θq(bs)为季节性延迟多项式算子，分别表示季节自回归算子和季节移动平均算子，满足：

27、φp(bs)＝1-φ1bs-l-φpbsp  (8)

28、θq(bs)＝1-θ1bs-l-θqbsq  (9)

29、(1-bs)dxt表示对xt做了一次周期为t的d阶差分(周期为t的差分在此模型中称为季节差分)；

30、t表示第t天的相关数据；∈t第t天的数据的预测误差；xt为目标数据，包括要预测的蔬菜品类的批发价和销量的第t天的预测值ct,st；预测误差指的是按照模型预测的第t天数据xt’与第t天的真实数据xt的差值；e(∈t)＝0表示噪声的均值为0；var(∈t)＝σ∈2表示的噪音的方差是σ∈2。

31、进一步地，步骤s5中包括以下步骤，

32、s5.1：获取真实的各蔬菜类商品各品类的历史销售数据，根据其进货量q和销售量s计算进销比r的范围，根据公式获得未来的进销比范围：r未∈[rmin,rmax]；

33、s5.2：将s4中的批发价和销量的第t天的预测值ct,st代入到利润函数w＝w(q,ct,st)，将进销比公式q＝sr代入到利润函数w＝w(q,ct,st)中，至此得到以蔬菜类商品利润最大为目标获得最优化问题，

34、其目标函数如下：

35、wtmax＝maxwt(r未)

36、约束条件为：

37、r未∈[rmin,rmax]  (10)

38、式中，

39、s5.3：利用遗传算法，设置基因评优函数为wt(r未)，r未的值作为染色体，[rmin,rmax]为染色体的变异范围，运行遗传算法迭代若干轮直至稳定后，得到wt(r未)的最大值wtmax；

40、s5.4：运行遗传算法完毕后，可同时获得最佳定价值ptbest、最佳进销比rtbest和最佳进货量qtbest；

41、rtbest,ptbest＝argmaxwt(r未)  (11)

42、qtbest＝strtbest  (12)。

43、有益效果：

44、采用本发明方法，利用蔬菜类商品的销售数据涨落的周期性使用季节性arima(sarima)进行批发价和销量的预测，准确度比普通时间预测模型更高。通过分析确定利润、定价、进货量之间的线性关系并构建多元线性回归模型，有力地利用了数据特征减少不必要的非线性引入，精简了模型算法加快模型运行速度。

45、充分考虑到蔬菜类商品的新鲜性需求，利用进货量和销售量间的比例关系分析销售数据中的进销比范围，模型可解释性更强。

46、本发明方法充分利用了蔬菜类销售数据的特征，根据各种特征选择合适的模型，并最终给出未来日期内每天的利润最大值，以及使得该利润达到最大的定价决策值和进货量决策值，提高了蔬菜类商品销售营的灵活性和抗风险能力。

技术特征：

1.一种生鲜超市蔬菜商品的智能补货与定价策略生成方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种生鲜超市蔬菜商品的智能补货与定价策略生成方法，其特征在于，步骤s1包括以下步骤：

3.根据权利要求2所述的一种生鲜超市蔬菜商品的智能补货与定价策略生成方法，其特征在于，步骤s2中：

4.根据权利要求3所述的一种生鲜超市蔬菜商品的智能补货与定价策略生成方法，其特征在于，步骤s3中，将式(3)代入到式(1)中，得到利润函数：

5.根据权利要求4所述的一种生鲜超市蔬菜商品的智能补货与定价策略生成方法，其特征在于，步骤s4中，设置季节性周期长度t＝7，其他参数由模型自动选择，建立季节性arima模型；

6.根据权利要求5所述的一种生鲜超市蔬菜商品的智能补货与定价策略生成方法，其特征在于，步骤s5中包括以下步骤，

技术总结本发明的一种生鲜超市蔬菜商品的智能补货与定价策略生成方法，属于自动化决策技术领域，包括以下步骤：S1：对真实的历史蔬菜类商品的利润、定价、进货量进行可视化分析，使用多元线性回归模型确定利润、定价和进货量的关系；S2：得到定价函数；S3：得到利润函数；S4：建立季节性ARIMA模型，使用季节性ARIMA模型对未来蔬菜各品类的批发价和销量进行预测；S5：获取真实的历史蔬菜类商品销售数据，获得进销比范围；以蔬菜类商品利润最大为目标获得最优化问题，使用遗传算法求解最优化问题，获得最优的定价和最优的进货量。该方法可以自动给未来的蔬菜商品的定价和进货量进行预测。技术研发人员：许金晨,桂小康,张绍炀受保护的技术使用者：河海大学技术研发日：技术公布日：2024/9/12