一种基于各门店商品相似度聚类的区域商品生产计划方法技术

本发明专利技术公开了一种基于各门店商品相似度聚类的区域商品生产计划方法。本发明专利技术具体包括以下步骤：首先根据该地区各门店所有商品每天的历史销售记录数据,计算各商品在时序周期性上的相似度矩阵；然后根据外部因素在不同状态下计算出商品销量的变化量，得到各商品之间的敏感程度距离矩阵；再基于聚类算法，结合时序周期相似度和敏感程度距离矩阵将各商品在门店级别进行聚类，根据手肘法则与轮廓系数选出最优K类，并在在该聚类后的级别上对未来销量做预测，最后将K类需求进行汇总，给出区域的生产计划。本发明专利技术有利于降低缺货损失以及积压报损风险，提升区域生产计划精准度有重要作用。

【技术实现步骤摘要】
一种基于各门店商品相似度聚类的区域商品生产计划方法
本专利技术属于信息
，具体涉及一种基于各门店商品相似度聚类的区域商品生产计划方法。
技术介绍
随着计算机技术的发展，计算机网络和管理系统几乎应用到零售业各个方面，区域的工厂生产对于零售企业是机器重要的。企业在对区域商品的生产计划中，涉及到各门店各单品销售情况不同，对外部因素变化程度不同，商品的生产周期不用，各门店店长对商品的把握程度差异，依靠决策者很难对区域商品的生产计划做出最优的预估和决策。很多行业往往对整个区域做一个总量预估以及依靠各店长经验提出需求量后汇总到区域这两种方式来给出区域的生产计划量，但由于门店商品外部变化程度不同，店长水平存在差异，很难做出一个好的生产计划；因此，将相似的门店进行一个聚合，然后在聚合后的类别上做销量的预测再给出区域总体的生产计划是更优的一种方式。近年越来越多的行业关注到区域生产预测问题的重要性，大部分行业的预测方法都是基于单店单品的移动平均模型，然后根据决策者的业务经验调整，但是这样还是会存在预估不准确从而导致需求损失以及商品积压报损等现象。因此，本专利技术针对这一情况，提出了一种基于各门店商品相似度聚类的区域商品生产计划方法，从而指导企业更合理的做出区域商品生产计划的决策。
技术实现思路
本专利技术的目的在于现有区域商品生产计划中存在的不足，提出了一种基于各门店商品相似度聚类的区域商品生产计划方法。本专利技术包括以下步骤：步骤1：首先获取所有门店商品历史指定时间段内的交易明细数据集D，且去除交易明细数据集D中的活动信息和节假日信息，然后按天为颗粒度统计得到各门店商品的日销售数量集S；步骤2：基于商品的日销售数量集S，计算得到各商品在周期性上的时间需求模式T：其中，为商品在周i的平均销量，ni表示指定时间段内周i的天数；d∈[1,ni]；步骤3：根据指定时间段内的日销售数据集S和天气因素数据集X，将天气因素数据集X作为模型输入x，日销售数据集作为模型输出y，训练一个线性回归模型；然后基于每个外部天气因素数据集X的变化，得到归回系数即日销量的变化率矩阵E；步骤4：基于历史门店日销售数据集S，从日销售数据集S中临近一个月内的销售数据，计算得到同商品门店之间的时间需求模式距离，公式如下：其中，i,j代表两个不同的门店,Tik表示门店i时间需求模式T中的第k个元素；步骤5：基于各门店各商品的变化率矩阵E,计算得到各门店级别之间外部因素变化率距离，公式如下：其中，i,j代表两个不同的门店,表示门店i外部因素变化率矩阵E中的第k个元素；步骤6：基于时间需求模式距离DisT和外部因素变化率距离DisE，计算得到商品在门店级别的距离计算方法，公式如下：DIS(i，j)＝DisT(i，j)+DisE(i，j)(5)DisT(i，j)表示门店i,j在时间需求模式上的距离，DisE(i，j)表示门店i,j在外部因素变化率上的距离，DIS(i，j)表示门店i,j之间的整体距离；步骤7：根据定义的门店间的距离公式(5)，将相似门店聚类；所述的相似门店即定义的门店间的距离；步骤8：根据最小类内距离和轮廓系数得出最优类评估Score，根据最优类评估Score结合选出最优分类个数k；步骤9：根据Score得到最优类别数k后，将销量在该类级别中汇总；步骤10：使用ARIMA模型预测未来销量yt；步骤11：对各类别的未来销量yt进行汇总，得到的总体预测需求量即为该区域商品生产计划。进一步的，步骤7所述的聚类采用k均值聚类，实现如下：输入：数据集输出：类中心点各点的标签C初始化：随机从数据集S中选择k个中心点μ1，…，μk首先初始化随机选取k个类中心点，对每个样本s(i)，将其分到距离μj最近的类别标记为c(j)，根据c(j)更新每个类别中心点μj的值，重复迭代，直到类中心不发生变化或变化量小于某个阈值；得到的c即为各门店所在的类,以及类内相似的门店。进一步的，步骤8具体实现如下：类内距离SSE：通过选择使总体距离最小的方式来选择类个数k；轮廓系数SC：a(i)为样本i到类内其他样本的平均距离，b(i)为样本i到其他类的所有样本的平均距离，选择类内距离越小，类间距离越大的类中心k个数；最优类评估Score：将类内距离与轮廓系数相结合的方法，在合理类中心数范围内，使类内距离越小，类间距离越大的k个数。进一步的，步骤9所述的根据Score得到最优类别数k后，将销量在该类级别中汇总，获得汇总后的销售数据，具体实现如下：将属于c(k)这一类的门店样本商品销量s(i)进行一个汇总；进一步的，步骤10所述的使用ARIMA模型预测未来销量,具体实现如下：将汇总后的销售数据X作为模型输入x：μ是常数项，∈t是误差项，γi是自相关系数，θi是误差项系数。本专利技术有益效果：本专利技术通过商品的日销售数据以及敏感程度，计算出商品在门店级别的相似度，再根据ARIMA模型对区域生产计划进行一个预测,为区域提供了科学的可参考的预测结果，有利于企业和区域进行生产计划的决策以及进行更合理的管理库存情况，对于降低缺货损失以及积压报损风险，提升区域生产计划精准度有重要作用。附图说明图1是本专利技术实施例采用该方法的具体流程图。图2是本专利技术实施例采用该方法的结果展示图。具体实施方式下面结合附图、附表详细描述本专利技术，本专利技术的目的和效果将变得更加明显。本专利技术考虑到实际情况，根据门店历史销售数据，采用商品时间序列模式以及外部因素敏感程度的距离矩阵，用类内距离以及轮廓系数选出最优类中心K数，用K均值算法对各商品在门店级别进行聚类，再根据ARIMA模型对未来的销量进行销量预测，实现对区域商品的一个生产计划决策。一种基于各门店商品相似度聚类的区域商品生产计划方法。本专利技术包括以下步骤：步骤1：首先获取所有门店商品历史指定时间段内的交易明细数据集D，且去除交易明细数据集D中的活动信息和节假日信息，然后按天为颗粒度统计得到各门店商品的日销售数量集S；步骤2：基于商品的日销售数量集S，计算得到各商品在周期性上的时间需求模式T：其中，为商品在周i的平均销量，ni表示指定时间段内周i的天数；d∈[1,ni]；步骤3：根据指定时间段内的日销售数据集S和天气因素数据集X，将天气因素数据集X作为模型输入x，日销售数据集作为模型输出y，训练一个线性回归模型；然后基于每个外部天气因素数据集X的变化，得到归回系数即日销量的变化率矩阵E；步骤4：基于历史门店日销售数据集S，从日销售数据集S中临近一个月内的销售数据，计算得到同商品门店之本文档来自技高网...

【技术保护点】
1.一种基于各门店商品相似度聚类的区域商品生产计划方法,其特征在于包括以下步骤：/n步骤1：首先获取所有门店商品历史指定时间段内的交易明细数据集D，且去除交易明细数据集D中的活动信息和节假日信息，然后按天为颗粒度统计得到各门店商品的日销售数量集S；/n步骤2：基于商品的日销售数量集S，计算得到各商品在周期性上的时间需求模式T：/n

【技术特征摘要】
1.一种基于各门店商品相似度聚类的区域商品生产计划方法,其特征在于包括以下步骤：
步骤1：首先获取所有门店商品历史指定时间段内的交易明细数据集D，且去除交易明细数据集D中的活动信息和节假日信息，然后按天为颗粒度统计得到各门店商品的日销售数量集S；
步骤2：基于商品的日销售数量集S，计算得到各商品在周期性上的时间需求模式T：






其中，为商品在周i的平均销量，ni表示指定时间段内周i的天数；d∈[1,ni]；
步骤3：根据指定时间段内的日销售数据集S和天气因素数据集X，将天气因素数据集X作为模型输入x，日销售数据集作为模型输出y，训练一个线性回归模型；然后基于每个外部天气因素数据集X的变化，得到归回系数即日销量的变化率矩阵E；
步骤4：基于历史门店日销售数据集S，从日销售数据集S中临近一个月内的销售数据，计算得到同商品门店之间的时间需求模式距离，公式如下：



其中，i,j代表两个不同的门店,Tik表示门店i时间需求模式T中的第k个元素；
步骤5：基于各门店各商品的变化率矩阵E,计算得到各门店级别之间外部因素变化率距离，公式如下：



其中，i,j代表两个不同的门店,表示门店i外部因素变化率矩阵E中的第k个元素；
步骤6：基于时间需求模式距离DisT和外部因素变化率距离DisE，计算得到商品在门店级别的距离计算方法，公式如下：
DIS(i，j)＝DisT(i，j)+DisE(i，j)(5)
DisT(i，j)表示门店i,j在时间需求模式上的距离，DisE(i，j)表示门店i,j在外部因素变化率上的距离，DIS(i，j)表示门店i,j之间的整体距离；
步骤7：根据定义的门店间的距离公式(5)，将相似门店聚类；
所述的相似门店即定义的门店间的距离；
步骤8：根据最小类内距离和轮廓系数得出最优类评估Score，根据最优类评估Score结合选出最优分类个数k；
步骤9：根据Score得到最优类别数k后，将销量在该类级别中汇总；
步骤10：使用ARIMA模型预测未来销量yt...

【专利技术属性】
技术研发人员：王一君，陈灿，黄国安，吴珊珊，
申请(专利权)人：杭州览众数据科技有限公司，
类型：发明
国别省市：浙江;33