一种基于Wide&Deep模型和遗传算法的无人货架选址方法技术

本发明专利技术提供一种基于Wide&Deep模型和遗传算法的无人货架选址方法，涉及机器学习和商业选址领域。本发明专利技术提出一种基于Wide&Deep模型和遗传算法的无人货架选址规划方法，从现有的货架销售数据中提取特征，结合地理因素，基于Wide&Deep模型预测新地址的盈利效率，结合配送成本和覆盖面等因素，通过遗传算法和线性加权评分计算出在一个备选地址投放货架的综合推荐度，从而得到一组特定数量的精确投放点位，可以有效地提供选址参考，解决货损率高、盈利难等问题。

A method of location of unmanned shelf based on wide & deep model and genetic algorithm

【技术实现步骤摘要】
一种基于Wide＆Deep模型和遗传算法的无人货架选址方法
本专利技术涉及机器学习和商业选址领域，尤其涉及一种基于Wide&Deep模型和遗传算法的无人货架选址方法。
技术介绍
近年来，无人零售的用户规模持续增长，其各种形态已经进入了酒店的每层楼，小区的各个角落，这在以前是无法想象的。而无人货架的出现，让很多一二线城市的写字楼里多了一个办公室小卖部，不知不觉间，看似原始的零售方式却成了很多办公室里的新宠。无人货架与楼下的便利店或O2O售货相比，都更加方便快捷。不仅如此，无人货架成本更低，效率更高，让零售的终端更加接近了消费者，在全球领域又属独创性产品，还裹挟着“共享经济”和“新零售”这两个时下最火的概念，顺理成章地得到了资本市场的追捧。然而，好的东西一定要付出代价。无人货架公司的补货维护的成本一般都显著高于便利店行业。本专利技术主要讨论的是开放式货架和冷柜这样的非封闭，低成本，丢失率高的无人售货形式。目前入局无人货柜的企业，都将注意力放在办公室这一特殊场景。由于产品的天然缺陷，无人货架对选址有很高的要求，高级CBD当然是首选场景，而像工厂这样流动率高的区域，自然就不会被考虑在内。可是，任何高估道德自觉的商业行为都是冒险的而且仅选择高端企业投放虽然能够有效地减少一部分货物丢失带来的损失，但也同时限制了业务范围。而且通过适当的计算和分析，很有可能在保持损失较低的同时扩展投放场景。同时，物流配送成本也很大程度上影响到盈利。此外，一些企业对选址布局的覆盖面也提出了新的要求。
技术实现思路
针对现有技术存在的问题，本专利技术提供一种基于Wide&Deep模型和遗传算法的无人货架选址方法，包括以下步骤：步骤1：对已有无人货架的地址信息和销售数据进行获取、对获取数据进行预处理，并标注训练数据；步骤2：预测无人货架备选地点的预期收益和推荐摆放的货架类型及数量；步骤3：设地图上存在无人货架点位集合R0以及备选的地点集合R1，使用遗传算法从备选地点集合R1中找出使平均盈利率尽量高，总配送成本尽量低，覆盖面尽量大的地点集合。步骤1的具体步骤为：步骤1.1：从已有无人货架所在地址、销售单据等记录中提取货架地址信息和货品销售数据，并对无意义和缺失值数据进行过滤，步骤1.2：根据货架地址，查询货架的具体坐标，附近一定距离内的POI、商场、便利店的数量、距离和分类；步骤1.3：对于由于损坏或过期造成的下架商品，以及丢失商品，近似认为以0元售出，对货架的平均商品价值进行定义：步骤1.4：实际情况下，对每个货架的统计数据主要有盘点金额、折损金额、下架金额、盘点数量以及丢失率，根据上述数据计算出单个货架每次盘点的平均商品价值：步骤1.5：对上述盘点货架地址和销售数据、基于地理的货架外部特征，以及货架的平均商品价值数据做清洗、关联，通过过滤内部测试数据，将盘点货架的平均商品价值数据和订单数据中的货架ID统一，得到训练数据，其中将盘点货架地址和销售数据、基于地理的货架外部特征数据作为特征，单个货架每次盘点的平均商品价值作为标签。步骤2的具体步骤为：步骤2.1：对得到的训练数据应用Wide&Deep模型；步骤2.1.1：Wide模型部分为线性回归模型，公式如下：y＝WTxL+b其中xL表示模型输入，y表示模型输出，WT和b表示模型参数；步骤2.1.2：Deep模型部分为4层有x个中间结点的DNN网络，其中每个隐藏层经过a(l+1)＝f(W(l)a(l)+b(l))，对于第l层，a(l)，b(l)和W(l)分别代表本层的输入，偏差和模型的权重；激活函数为ReLU，优化算法为AdaGrad：对每个参数i，表示第i个参数的梯度，Gi,t表示前t步模型参数Wi梯度的累加：步骤2.1.3：使用所述Wide模型和Deep模型对训练数据进行联合训练，模型预测结果可表示为：其中Pred表示标签或预测结果，在货架选址场景下也就是IL，σ(·)是sigmoid函数，xL是货架L的模型输入，b是偏移项，是wide模型的权重向量，是最终激活训练出的参数结果，优化方法选择带L1正则项的FTRL算法；步骤2.1.4：使用训练数据中出现次数最多的货架类型和数量组合填充预测数据中的缺失值，预测出每个备选地址的预期收益；对于给定的备选地点L和一组货架数量配置NL，其平均收入INL和丢失率MNL可通过模型预测：其中W，a和b为模型参数；步骤2.2：对每个备选地点投放的货架类型和数量进行收益预测；步骤2.2.1：对Wide&Deep模型输出的货架预期收益，即平均商品价值进行从高到低排序并选择预期收益最大的TopK个地点，其中K为计划的无人货架选址数量；步骤2.2.2：使用Wide模型和Deep模型对步骤2.2.1选择的TopK个地点在所有可能的货架数量和类型下进行联合训练，得到货架预期收益，取结果最好的货架配置作为结果。步骤3的具体步骤为：步骤3.1：对无人货架的配送成本进行计算；设地图上存在已有的货架点位集合为R0，备选的无人货架地点集合为R1，其中R0包括M个地点{r01,…,r0m,…,r0M},R1包括N个地点{r11,…,r1n,r1N}，类似地，任意货架地址集合和单个货架地址分别用R和r表示；由于无人货架规模较小，货架上摆放的商品数量通常也很少，则新增成本与配送路线新增距离直接相关，定义配送成本：Cost(r,R0)＝单位成本×min(dist(r,r0n))wherer0n∈R0其中，dist(a,b)为a，b两地之间的地图距离；步骤3.2：对区域内所有货架覆盖率，即货架辐射面积占区域总面积比例进行计算；在现有地图上新增点位rm后，计算地点集合R的覆盖率公式为：其中S(·)表示一个或一组货架的辐射范围，表示地图总面积；采用网格划分法将地图划分成p×q个格子，则上式可近似表示为：当地点集合R中有元素属于区域i时，1(i,R)的值为1，否则1(i,R)的值为0，在减少计算量同时，误差也控制在比较小的范围内；步骤3.3：参考零售选址中常见的分级加权评分法的思想在大多数情况下，对各因素需求优先级是不够明确的，因此对预期收益、新增成本和覆盖面积做标准化处理，再根据重要性对它们排序，从而确定合适的权重；步骤3.4：从R1中选出k个地点R*，使地点集合[R0,R*]的平均盈利率尽量高，总配送成本尽量低，覆盖面尽量大，在具备一定先验知识的情况下，将平均商品价值，配送成本和覆盖面积的值转换成该因素带来的预期金额的大小，并设置合理的评分函数；定义在已有布局R0上添加备选地点r的综合评分：Score(r,R0)＝a·Value(r)+b·Cost(r,R0)+c·Coverage([r,R0])其中b＜0，Value，Cost和Cov本文档来自技高网...

【技术保护点】
1.一种基于Wide&Deep模型和遗传算法的无人货架选址方法，其特征在于：包括以下步骤：/n步骤1：对已有无人货架的地址信息和销售数据进行获取、对获取数据进行预处理，并标注训练数据；/n步骤2：预测无人货架备选地点的预期收益和推荐摆放的货架类型及数量；/n步骤3：设地图上存在无人货架点位集合R

【技术特征摘要】
1.一种基于Wide&Deep模型和遗传算法的无人货架选址方法，其特征在于：包括以下步骤：
步骤1：对已有无人货架的地址信息和销售数据进行获取、对获取数据进行预处理，并标注训练数据；
步骤2：预测无人货架备选地点的预期收益和推荐摆放的货架类型及数量；
步骤3：设地图上存在无人货架点位集合R0以及备选的地点集合R1，使用遗传算法从备选地点集合R1中找出使平均盈利率尽量高，总配送成本尽量低，覆盖面尽量大的地点集合。


2.根据权利要求1所述的一种基于Wide&Deep模型和遗传算法的无人货架选址方法，其特征在于：所述步骤1的具体步骤为：
步骤1.1：从已有无人货架所在地址、销售单据等记录中提取货架地址信息和货品销售数据，并对无意义和缺失值数据进行过滤，
步骤1.2：根据货架地址，查询货架的具体坐标，附近一定距离内的POI、商场、便利店的数量、距离和分类；
步骤1.3：对于由于损坏或过期造成的下架商品，以及丢失商品，近似认为以0元售出，对货架的平均商品价值进行定义：



步骤1.4：实际情况下，对每个货架的统计数据主要有盘点金额、折损金额、下架金额、盘点数量以及丢失率，根据上述数据计算出单个货架每次盘点的平均商品价值：



步骤1.5：对上述盘点货架地址和销售数据、基于地理的货架外部特征，以及货架的平均商品价值数据做清洗、关联，通过过滤内部测试数据，将盘点货架的平均商品价值数据和订单数据中的货架ID统一，得到训练数据，其中将盘点货架地址和销售数据、基于地理的货架外部特征数据作为特征，单个货架每次盘点的平均商品价值作为标签。


3.根据权利要求1所述的一种基于Wide&Deep模型和遗传算法的无人货架选址方法，其特征在于：所述步骤2的具体步骤为：
步骤2.1：对得到的训练数据应用Wide&Deep模型；
步骤2.1.1：Wide模型部分为线性回归模型，公式如下：
y＝WTxL+b
其中xL表示模型输入，y表示模型输出，WT和b表示模型参数；
步骤2.1.2：Deep模型部分为4层有x个中间结点的DNN网络，其中每个隐藏层经过a(l+1)＝f(W(l)a(l)+b(l))，对于第l层，a(l)，b(l)和W(l)分别代表本层的输入，偏差和模型的权重；激活函数为ReLU，优化算法为AdaGrad：



对每个参数i，表示第i个参数的梯度，Gi,t表示前t步模型参数Wi梯度的累加：
步骤2.1.3：使用所述Wide模型和Deep模型对训练数据进行联合训练，模型预测结果可表示为：



其中Pred表示标签或预测结果，在货架选址场景下也就是IL，σ(·)是sigmoid函数，xL是货架L的模型输入，b是偏移项，是wide模型的权重向量，是最终激活训练出的参数结果，优化方法选择带L1正则项的FTRL算法；
步骤2.1.4：使用训练数据中出现次数最多的货架类型和数量组合填充预测数据中的缺失值，预测出每个备选地址的预期收益；
对于给定的备选地点L和一组货架数量配置NL，其平均收入INL和丢失率MNL可通过模型预测：



其中W，a和b为模型参数；
步骤2.2：对每个备选地点投放的货架类型和数量进行收益预测；
步骤2.2.1：对Wide&Deep模型...

【专利技术属性】
技术研发人员：于瑞云，高宁蔚，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21