Print

基于GBRT树模型分位数回归预测的CPFR补货方法

论文摘要

随着大数据的发展和物流科技信息化进程的加快,企业供应链数据呈爆炸式增长,且种类繁多、关系网络复杂,而传统CPRF技术中的预测模型已经不能适应供应链大数据需求预测,更不能依据需求预测进行有效的库存管理,经典的周期库存盘点策略也不能很好地适应非正态分布的需求数据,如何对供应链大数据进行准确预测并补货已成为供应链研究的热点。依据大数据的分位数回归预测技术,利用历史数据信息进行准确预测,并将分位数回归预测与补货模型合理有效连接,通过真实数据仿真分析,表明在98%的服务水平下,平均库存得到了降低。

论文目录

  • 0 引言
  • 1 相关研究
  • 2 预测模型
  •   2.1 XGBoost
  •   2.2 Light GBM
  •   2.3 Catboost2017 Yan
  •   2.4 性能比较
  • 3 实验结果
  • 4 CPRF库存补货方法
  •   4.1 经典库存管理模型
  •   4.2 基于GBRT树分位数回归补货模型
  • 5 仿真分析
  • 6 结语

    • 文章来源

    类型: 期刊论文

    作者: 孙延华,张冬杰,曾庆维,金健,陈桓,姚小龙

    关键词: 大数据,物流供应链,分位数回归预测,服务水平,库存

    来源: 软件导刊 2019年12期

    年度: 2019

    分类: 信息科技,经济与管理科学

    专业: 计算机软件及计算机应用,企业经济

    单位: 顺丰科技有限公司

    基金: 深圳市发改委数字经济产业发展专项项目(2018)

    分类号: F274;TP311.13

    页码: 35-39

    总页数: 5

    文件大小: 2338K

    下载量: 199

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/c1472873aa5eccb0aae20a39.html