(北京物資學(xué)院 北京 101149)

隨著網(wǎng)絡(luò)的不斷的普及壯大，電子商務(wù)得到了迅猛發(fā)展，網(wǎng)絡(luò)購物現(xiàn)象已經(jīng)變得越來越普遍，國內(nèi)外的電子商務(wù)也從平臺時代逐步邁向了數(shù)據(jù)化和個性化的時代，伴隨而來的是物流的井噴式出現(xiàn)，在大量的物流作業(yè)運(yùn)作的背后和電商平臺買家和賣家交易的場景下，產(chǎn)生了海量的數(shù)據(jù)，其中蘊(yùn)含著豐富的、有價值的信息。通過挖掘這座數(shù)據(jù)礦石中有價值的信息，可以預(yù)測客戶的購買行為和消費(fèi)行為，這樣，便可以為電子商務(wù)公司以及與之相關(guān)的物流運(yùn)作提供重要的決策支撐。

同時，伴隨著信息和科學(xué)技術(shù)的發(fā)展，大部分的物流作業(yè)環(huán)節(jié)都已經(jīng)做到了高效、安全。但在配送環(huán)節(jié)還是需要投入大量的人力與物力。如何提高物流配送的效率，降低成本，也是值得電商物流企業(yè)和廣大學(xué)者研究的問題。

一些企業(yè)和學(xué)者就“提前配送”展開了探索：Elbert利用機(jī)器學(xué)習(xí)和預(yù)測模型，為Gilt網(wǎng)站提出了一種“預(yù)測性遞送”模式，即根據(jù)某些商品會在某些區(qū)域的預(yù)計銷售量，就在開始銷售它們之前，將其配送到指定的區(qū)域。當(dāng)這些商品真的被購買時，它們在地理位置上距離客戶更近，這意味著客戶可以更快的收到商品。亞馬遜也基于大量客戶的歷史消費(fèi)信息進(jìn)行預(yù)測，提出了一種“預(yù)期配送”模式，提前將客戶所需商品進(jìn)行預(yù)測性配送。阿里巴巴集團(tuán)于2016年4月底開始，先后開展了“需求預(yù)測與分倉規(guī)劃”、“最后一公里極速配送”算法大賽，以求尋找新穎解法，降低供應(yīng)鏈的總成本和客戶收貨時間。

通過以上分析，本文選擇阿里巴巴集團(tuán)旗下電商平臺的公開數(shù)據(jù)集。利用機(jī)器學(xué)習(xí)方法，提出一個融合預(yù)測模型框架，以實現(xiàn)對電商平臺配送商品在一段時間內(nèi)全國和分區(qū)域的需求量的預(yù)測。希望能夠?qū)﹄娚唐髽I(yè)和物流企業(yè)的發(fā)展提供有利的幫助。所有的數(shù)據(jù)已“脫敏”處理，不涉及信息安全問題。

一、傳統(tǒng)需求預(yù)測方法與機(jī)器學(xué)習(xí)方法

結(jié)合需求預(yù)測方法研究現(xiàn)狀，歸納整理適用于本文的一些傳統(tǒng)的預(yù)測方法，如表1所示。

表1 傳統(tǒng)預(yù)測方法分析

隨著電子商務(wù)平臺的迅猛發(fā)展，針對電商平臺配送商品的需求預(yù)測問題，傳統(tǒng)的預(yù)測方法適用性在逐步下降。而以梯度漸進(jìn)回歸樹、支持向量回歸為代表的機(jī)器學(xué)習(xí)方法是近年來發(fā)展非常迅速的新型理論方法，具有良好的非線性優(yōu)勢，在預(yù)測方面表現(xiàn)出良好的性能。并且模型融合方法已在個性化推薦、電力需求預(yù)測等預(yù)測領(lǐng)域上表現(xiàn)出良好的預(yù)測效果。因此，本文選擇利用機(jī)器學(xué)習(xí)方法進(jìn)行相關(guān)的預(yù)測研究。

機(jī)器學(xué)習(xí)是人工智能領(lǐng)域中最能夠體現(xiàn)智能的一個分支，其可以根據(jù)經(jīng)驗數(shù)據(jù)進(jìn)行學(xué)習(xí)，以提高最終系統(tǒng)的性能。機(jī)器學(xué)習(xí)所面對的關(guān)鍵問題是：如何讓計算機(jī)程序通過不斷積累知識和經(jīng)驗自主的提升信息處理能力。機(jī)器學(xué)習(xí)的出現(xiàn)使得人工智能在各個研究領(lǐng)域得到了關(guān)注和普及。機(jī)器學(xué)習(xí)方法按照學(xué)習(xí)方式不同，一般分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)四類。

二、數(shù)據(jù)處理

(一)原始數(shù)據(jù)特征

本論文選擇在該數(shù)據(jù)集合上進(jìn)行需求預(yù)測研究。原始數(shù)據(jù)105M左右，涉及到全國和5個分區(qū)域的銷售數(shù)據(jù)，時間跨度為2014年10月10日至2015年12月27日，其中包括商品數(shù)目1000，商品的銷售行為記錄共計118萬條，全國銷售行為記錄23萬條，分區(qū)域銷售記錄95萬條。

關(guān)于數(shù)據(jù)集的相關(guān)特征，如表2所示。

表2 數(shù)據(jù)集相關(guān)特征

商品的全國銷售數(shù)據(jù)和分區(qū)域的銷售數(shù)據(jù)維度是一樣的，僅有的不同是商品的分區(qū)域銷售數(shù)據(jù)，表達(dá)的是某個倉庫CODE所負(fù)責(zé)的地理區(qū)域內(nèi)的用戶的相關(guān)行為。

(二)數(shù)據(jù)處理

首先我們將數(shù)據(jù)集合進(jìn)行劃分，將2014年10月10日至2015年12月13日的數(shù)據(jù)用于特征提取和模型預(yù)測，2015年12月14日至2015年12月27日的數(shù)據(jù)用于模型效果驗證。

針對表1中的數(shù)據(jù)集特征，利用主成分分析法進(jìn)行“降維”操作。“降維”的主要目的是(1)為了減少預(yù)測量的個數(shù)；(2)確保這些變量是相互獨立的；(3)提供一個框架來解釋最終的結(jié)果。通過分析，我們選擇瀏覽次數(shù)、收藏夾人次、淘寶客引導(dǎo)瀏覽次數(shù)、拍下筆數(shù)、直通車引導(dǎo)次數(shù)、拍下金額、成交金額和非聚劃算支付件數(shù)等8個特征作為最終的候選特征。

三、模型融合

對任意地區(qū)的商品需求量的預(yù)測將通過以下過程來完成，其中全國區(qū)域配送商品的需求預(yù)測和分區(qū)域的配送商品的需求預(yù)測訓(xùn)練過程是分開的、獨立進(jìn)行的。

(一)分別在全國、分區(qū)域的商品銷售的歷史記錄上進(jìn)行特征提取。因不同模型所需要的特征可能不完全相同，所以特征提取要盡量豐富。這里我們選擇提取出8個特征作為候選特征，供基礎(chǔ)模型和需求預(yù)測模型利用和選擇。

(二)利用特征提取的結(jié)果，訓(xùn)練不同的基礎(chǔ)模型，例如支持向量回歸、梯度漸進(jìn)回歸樹等；通過設(shè)置基礎(chǔ)模型不同的參數(shù)，對基礎(chǔ)模型進(jìn)行調(diào)優(yōu)，尋找預(yù)測最佳時的模型參數(shù)，輸出各個基礎(chǔ)模型對配送商品在未來兩周內(nèi)全國和分區(qū)域的商品需求量。

(三)輸出最終預(yù)測結(jié)果。在對模型融合方法訓(xùn)練完成后，利用基礎(chǔ)模型結(jié)果和模型融合結(jié)果，按照一定的策略，融合各個基礎(chǔ)模型的預(yù)測值，輸出配送商品在全國和分區(qū)域的需求量預(yù)測值。

其中，模型融合框架，如圖1所示：

圖1 模型融合框架

在融合模型框架下，最終模型的公式可以由公式1-1表示。最終模型由每個單獨的學(xué)習(xí)器的結(jié)果加權(quán)求和得到，每個基礎(chǔ)模型根據(jù)基礎(chǔ)模型的精確度被賦予一定的權(quán)值。

(1-1)

在本文中，沿用算法大賽中的評測指標(biāo)。通過預(yù)測的目標(biāo)庫存值與實際的需求值對比，通過差異來計算總的成本。

電子商務(wù)平臺商品需求預(yù)測基礎(chǔ)模型和融合模型的實驗結(jié)果，如表3所示。

表3 實驗結(jié)果

通過比較，我們得出了如下結(jié)論：

(1)在數(shù)據(jù)量較大的情況下，機(jī)器學(xué)習(xí)方法的預(yù)測效果優(yōu)于傳統(tǒng)預(yù)測方法的預(yù)測效果；

(2)從最終預(yù)測總成本上來看，融合模型的結(jié)果明顯優(yōu)于其他模型，效果較好；

(3)實驗證明，充分利用各個基礎(chǔ)模型的差異性，然后進(jìn)行模型融合實驗，會產(chǎn)生比單模型更好的效果。如果能夠做好特征和樣本的選擇，則可以進(jìn)一步增強(qiáng)機(jī)器學(xué)習(xí)方法的預(yù)測效果；

(4)每個分區(qū)域的需求量存在一定的差異，在實際的作業(yè)中，需求預(yù)測結(jié)果對于商品存儲和物流配送作業(yè)、合理分配人力、物力、財力有著一定的指導(dǎo)作用。

[1]TechTarget.大數(shù)據(jù)的顛覆意義：預(yù)測性配送[OL].2014/10/13 9:15:44.

[2]2016.Demand forecast and Warehouse planning prize 2016 tianchi open data project.

[3]李航.統(tǒng)計學(xué)習(xí)方法[M].北京,清華大學(xué)出版社,2012.

[4]周志華.機(jī)器學(xué)習(xí)[M].北京,清華大學(xué)出版社,2016.