一种基于决策树的仓储模型决策优化方法技术

本发明专利技术公开了一种基于决策树的仓储模型决策优化方法，包括：采集原始数据，对原始数据预处理后作为决策树的训练集；根据训练集统计库存决策模型的各个属性，计算各个属性的信息增益率，库存决策模型的属性包括短缺成本属性、存储成本属性、补货时间属性；根据库存决策模型各个属性的信息增益率，采用C4.5算法构建决策树，决策树作为库存决策模型；基于决策树得到分类规则，分析短缺成本属性、存储成本属性、补货时间属性与仓储模型之间的相关性，并基于该分类规则进行库存仓储决策。本发明专利技术的基于决策树的仓储模型决策优化方法，决策耗时短，实时性高，且决策方案可靠。且决策方案可靠。且决策方案可靠。

【技术实现步骤摘要】
一种基于决策树的仓储模型决策优化方法


[0001]本申请属于数据挖掘
，具体涉及一种基于决策树的仓储模型决策优化方法。

技术介绍

[0002]库存，是仓库中实际储存的货物。可以分两类：一类是生产库存，即直接消耗物资的基层企业、事业的库存物资，它是为了保证企业、事业单位所消耗的物资能够不间断地供应而储存的；另一类是流通库存，即生产企业的原材料或成品库存，生产主管部门的库存和各级物资主管部门的库存。此外，还有特殊形式的国家储备物资，它们主要是为了保证及时、齐备地将物资供应或销售给基层企业、事业单位的供销库存。
[0003]因此，库存相当于物流企业的中流砥柱，企业中大约40％的资金被库存所占用，然而目前的库存决策主要是根据人工进行主观的决策。对于人工主观决策而言，对决策人或团队的专业性要求高，使得企业的库存决策成本上升，并且在面对库存量较大的决策时，所耗费的时间长，实时性差。
[0004]随着社会经济的发展，物流流程越来越复杂并且存在很多问题不可预测，这使得人工进行主观决策的难度越来越高。因此在数据挖掘技术支持的背景下，运用决策树算法，为物流企业提供库存的决策和优化对于企业来说有至关重要的意义。

技术实现思路

[0005]本申请的目的在于提供一种基于决策树的仓储模型决策优化方法，决策耗时短，实时性高，且决策方案可靠。
[0006]为实现上述目的，本申请所采取的技术方案为：
[0007]一种基于决策树的仓储模型决策优化方法，所述基于决策树的仓储模型决策优化方法包括：/>[0008]步骤S1、采集原始数据，对所述原始数据预处理后作为决策树的训练集；
[0009]步骤S2、根据所述训练集统计库存决策模型的各个属性，计算各个属性的信息增益率，所述库存决策模型的属性包括短缺成本属性、存储成本属性、补货时间属性，所述仓储模型作为类别属性；
[0010]步骤S3、根据库存决策模型各个属性的信息增益率，采用C4.5算法构建决策树，所述决策树作为库存决策模型；
[0011]步骤S4、基于所述决策树得到分类规则，分析短缺成本属性、存储成本属性、补货时间属性与仓储模型之间的相关性，并基于该分类规则进行库存仓储决策得到最优的仓储模型。
[0012]以下还提供了若干可选方式，但并不作为对上述总体方案的额外限定，仅仅是进一步的增补或优选，在没有技术或逻辑矛盾的前提下，各可选方式可单独针对上述总体方案进行组合，还可以是多个可选方式之间进行组合。
[0013]作为优选，所述计算各个属性的信息增益率，包括：
[0014]以训练集作为样本D，设样本D有N种不同分类类别的连续性属性，则样本D的类别属性的信息熵计算公式如公式(1)所示：
[0015][0016]公式(1)中，p
k
代表第k种分类类别属性占样本D的比例；
[0017]根据Fayyard边界点原理，选择属性A为测试属性，属性A在样本D上有n个不同取值，将n个不同取值按从小到大排序，记为{a1,a2,...,a
n
}，选取排序后属性A相邻两类N1、N2边界点处的6个属性取值a
i
‑2，a
i
‑1，a
i
，a
i+1
，a
i+2
，a
i+3
且a
i
‑2<a
i
‑1<a
i
<a
i+1
<a
i+2
<a
i+3
，其中，a
i
是类别N1中属性A的最大值，a
i+1
是类别N2中属性A的最小值；
[0018]对于样本D，测试属性A的信息熵H
A
(D)计算公式如公式(2)所示：
[0019][0020]公式(2)中为测试属性A中第v个取值占样本D的比例；
[0021]样本D的类别属性的信息熵与在测试属性A条件下样本D的信息熵之差为Gain(D,A)，即计算测试属性A对于样本D的信息增益Gain(D,A)如公式(3)所示：
[0022][0023]则测试属性A的信息增益率Gain_ration(D,A)计算公式如公式(4)所示：
[0024][0025]通过计算各个属性的信息增益率，把信息增益率最大的属性作为分裂属性。
[0026]作为优选，所述仓储模型包括定量订货模型、定期订货模型、允许缺货且生产时间短模型、允许缺货且交货时间或生产时间具有预设长度的模型，计算各个属性的信息增益率时，将仓储模型中的定量订货模型、定期订货模型、允许缺货且生产时间短模型、允许缺货且交货时间或生产时间具有预设长度的模型的值作为类别属性的值；
[0027]其中，定量订货模型的计算公式如公式(5)所示：
[0028][0029]式中C(t)代表t时间内仓储的平均总费用，R为需求速度，C1代表单位存储费，C3代表每次订购费，K代表货物单价；
[0030]其中，定期订货模型的计算公式如公式(6)所示：
[0031][0032]式中P表示生产速度；
[0033]其中，允许缺货且生产时间短模型的计算公式如公式(7)所示：
[0034][0035]式中C(t,S)代表在最初存储量为S情况下t时间内仓储的平均总费用，C2代表单位缺货费；
[0036]其中，允许缺货且交货时间或生产时间具有预设长度模型的计算公式如公式(8)所示：
[0037][0038]式中t1代表允许缺货时间。
[0039]作为优选，所述步骤S3中根据各个属性的信息增益率，采用C4.5算法构建决策树，包括：
[0040]将所述分裂属性作为根节点，通过根节点将样本D分为两个子样本D1和D2，在样本D1和D2中分别通过公式(2)～(4)计算每个属性的信息增益率，然后通过递归的方法一直分裂到子样本为纯样本，完成决策树的构建。
[0041]作为优选，所述基于该分类规则进行库存仓储决策，包括：
[0042]获取待决策的原始数据，将原始数据转化为若干条输入数据，每条输入数据包括短缺成本属性值、存储成本属性值、补货时间属性值，将输入数据作为决策树的输入，决策树针对每条输入数据输出对应的仓储模型。
[0043]本申请提供的基于决策树的仓储模型决策优化方法，利用决策树构建库存决策模型，基于建立的分类规则即可根据属性输出对应的库存仓储模型，决策耗时短，实时性高；并且科学构建建库存决策模型，综合考虑各个属性与库存仓储模型各类别属性的相关性，分析仓库库存成本时间因素对于仓储模型决策的影响，提高决策的可靠性，方便的为物流企业管理者提供正确的库存仓储决策方案。
附图说明
[0044]图1为本申请的实施例1中基于决策树的仓储模型决策优化方法的流程图；
[0045]图2为本申请的实施例2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于决策树的仓储模型决策优化方法，其特征在于，所述基于决策树的仓储模型决策优化方法包括：步骤S1、采集原始数据，对所述原始数据预处理后作为决策树的训练集；步骤S2、根据所述训练集统计库存决策模型的各个属性，计算各个属性的信息增益率，所述库存决策模型的属性包括短缺成本属性、存储成本属性、补货时间属性，所述仓储模型作为类别属性；步骤S3、根据库存决策模型各个属性的信息增益率，采用C4.5算法构建决策树，所述决策树作为库存决策模型；步骤S4、基于所述决策树得到分类规则，分析短缺成本属性、存储成本属性、补货时间属性与仓储模型之间的相关性，并基于该分类规则进行库存仓储决策得到最优的仓储模型。2.如权利要求1所述的基于决策树的仓储模型决策优化方法，其特征在于，所述计算各个属性的信息增益率，包括：以训练集作为样本D，设样本D有N种不同分类类别的连续性属性，则样本D的类别属性的信息熵计算公式如公式(1)所示：公式(1)中，p
k
代表第k种分类类别属性占样本D的比例；根据Fayyard边界点原理，选择属性A为测试属性，属性A在样本D上有n个不同取值，将n个不同取值按从小到大排序，记为{a1,a2,...,a
n
}，选取排序后属性A相邻两类N1、N2边界点处的6个属性取值a
i
‑2，a
i
‑1，a
i
，a
i+1
，a
i+2
，a
i+3
且a
i
‑2<a
i
‑1<a
i
<a
i+1
<a
i+2
<a
i+3
，其中，a
i
是类别N1中属性A的最大值，a
i+1
是类别N2中属性A的最小值；对于样本D，测试属性A的信息熵H
A
(D)计算公式如公式(...

【专利技术属性】
技术研发人员：李伟，黄从文，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：