2023高教社杯数学建模国赛C题思路解析+代码+论文

如下为C君的2023高教社杯全国大学生数学建模竞赛C题思路分析+代码+论文

C题蔬菜类商品的自动定价与补货决策

在生鲜商超中,一般蔬菜类商品的保鲜期都比较短,且品相随销售时间的增加而变差 , 大部分品种如当日未售出,隔日就无法再售 。因此,商超通常会根据各商品的历史销售和需求情况每天进行补货。

由于商超销售的蔬菜品种众多、产地不尽相同,而蔬菜的进货交易时间通常在凌晨3:00-4:00,为此商家须在不确切知道具体单品和进货价格的情况下 ,做出当日各蔬菜品类的补货决策 。蔬菜的定价一般采用"成本加成定价"方法 ,商超对运损和品相变差的商品通常进行打折销售。可靠的市场需求分析,对补货决策和定价决策尤为重要 。从需求侧来看,蔬菜类商品的销售量与时间往往存在一定的关联关系;从供给侧来看,蔬菜的供应品种在4月至10 月较为丰富,商超销售空间的限制使得合理的销售组合变得极为重要。

背景分析:前两段中,第一段给出了背景,没有什么可用的。第二段中,提出:"在不确切知道具体单品和进货价格的情况下 ,做出当日各蔬菜品类的补货决策 。蔬菜的定价一般采用"成本加成定价"方法",这就意味着,我们后续可能需要对单品和进货价格做预测,预测常用的是机器学习算法进行预测,或者如果这道题目和时间序列有关,那就需要用到时间序列算法,比如ARIMA模型。

在预测模型结束后,根据背景分析,我们下一步可能要做补货决策模型和定价决策模型(这里大家可以看看之前的一道国赛题,机场出租车问题,也是需要很多个决策模型,大家可以从那个的优秀论文里找到一些思路),这里的模型需要兼顾过去的历史数据,以及一些动态变化的数据,比如预测未来的销量,品相对补货情况的影响等等。

题目提到了,可靠的市场需求分析,对**补货决策和定价决策尤为重要。**所以要有一个小节对市场需求进行详细分析。这里题目也给明了,是要对销量与时间做关联分析,从而寻找到时间对于销量的影响,这里其实也可以用拟合来做,多项式拟合等各种拟合的方式,具体后面看到题目再分析。

接着呢,又写了商超销售空间的限制,所以还要对销售进行组合。如果是空间组合问题,这里我想到的是装箱问题,比如二维、三维装箱问题,不过还是需要看题目具体怎么给,可能并不一定这么复杂。

附件1给出了某商超经销的6个蔬菜品类的商品信息 ;附件2和附件3分别给出了该商超2020年7月1日至2023年6月30日各商品的销售流水明细与批发价格的相关数据; 附件4给出了各商品近期的损耗率数据。请根据附件和实际情况建立数学模型解决以下问题:

分析:下面我们先对这几个附件进行分析,题目在分析完附件后再说。

附件1给出了**某商超经销的6个蔬菜品类的商品信息,**具体的;

可以看出,有两个信息和他们对应的索引,这里可以用类别来做聚类分析,就看后续的要求了,聚类分析可以用kmeans或者DBSCAN算法。或者简单的做统计分析也可以,看题目要求。

这里,要做如下几件事:

1 将销售日期转换为时间格式(python的话)

2 对于扫码销售时间,应该改变其格式,推荐用正则表达式提取需要的数字,将其转换为数值型数据。我看了下销售类型和是否打折销售,这两个指标需要量化,推荐用0或1来量化即可。

附件3是关于批发价格的。这个表可以新增三列,根据单品编号来后面追加3列,也就是和附件1对应起来,以便后续数据处理。这里可能需要对同一单品做关于时间的分析,也就是随着时间,这个单品的批发价格情况如何变化,可以针对情况做统计分析以及可视化

附件4可以和附件1合并,在附件1里追加一列,这样,附件3又可以多追加一列了。

对于题目的数据处理工作,很重要的一点就是要对多个表进行合并,以便后续分析了。

下面我们再介绍一些你们可以做的其他EDA(探索性数据分析)工作。

建议大家使用一些可视化方法,可以使用常见的EDA可视化方法:

l 直方图和密度图:展示数值变量的分布情况。

l 散点图:展示两个连续变量之间的关系。

l 箱线图:展示数值变量的分布情况和异常值。

l 条形图和饼图:展示分类变量的分布情况。

l 折线图:展示随时间或顺序变化的趋势。

l 热力图:展示不同变量之间的相关性。

l 散点矩阵图:展示多个变量之间的散点图矩阵。

l 地理图:展示地理位置数据和空间分布信息。

分析完附件,就可以来做题了。

问题1蔬菜类商品不同品类或不同单品之间可能存在一定的关联关系,请分析蔬菜各品类及单品销售量的分布规律及相互关系。

问题一分析:前半句告诉我们要用怎么样的方法,这道题目我的建议是针对蔬菜的品类做聚类分析(比如kmeans等聚类算法),针对单品销量做时间序列分析,来观察世界对销量的影响。

相互的关系,可以用拟合来做,比如:

1线性回归:使用线性回归模型来拟合销售量与其他特征之间的关系,例如时间、价格等。可以分别对不同品类或单品进行回归分析,得到各自的拟合曲线。

2非线性回归:如果线性模型无法很好地拟合数据,则可以尝试使用非线性回归模型,如多项式回归、指数函数拟合等。这些模型能够更灵活地适应可能存在的非线性关系。

3 时间序列模型:对于销售数据中具有时间信息的情况,可以使用时间序列模型,如ARIMA模型或季节性模型,来拟合销售量的变化趋势和周期性。这些模型可以帮助揭示销售量随时间的演变规律。

4面板数据模型:如果想同时考虑品类和单品之间的关联关系,可以使用面板数据模型,如固定效应模型或随机效应模型。这些模型考虑了跨个体和跨时间的相关性,可以更准确地估计各品类或单品之间的关系。

这样做,可以更好的获得各品类或单品之间销售量的关联性及其规律。这些模型可以帮助商超更好地理解不同品类或单品之间的相互影响,并为补货计划和定价决策提供指导。

问题2考虑商超以品类为单位做补货计划,请分析各蔬菜品类的销售总量与成本加成 定价的关系,并给出各蔬菜品类未来一周(2023年7月1-7日)的日补货总量和定价策略, 使得商超收益最大。

2-4问及其他助攻(代码、可视化方法、论文、讲解视频等)请看文末。

问题3因蔬菜类商品的销售空间有限,商超希望进一步制定单品的补货计划,要求可 售单品总数控制在27-33个,且各单品订购量满足最小陈列量2.5千克的要求。根据2023 年6月24-30日的可售品种,给出7月1日的单品补货量和定价策略,在尽量满足市场对各 品类蔬菜商品需求的前提下,使得商超收益最大。

问题4 为了更好地制定蔬菜商品的补货和定价决策,商超还需要采集哪些相关数据,

这些数据对解决上述问题有何帮助,请给出你们的意见和理由。

附件1 6个蔬菜品类的商品信息

附件2销售流水明细数据

附件3蔬菜类商品的批发价格

附件4蔬菜类商品的近期损耗率

注(1)附件1中,部分单品名称包含的数字编号表示不同的供应来源。

(2)附件4中的损耗率反映了近期商品的损耗情况,通过近期盘点周期的数据计算得到。

有关思路、相关代码、讲解视频、参考文献、成品论文等相关内容可以点击下方群名片哦!

相关推荐
饿了吃洗衣凝珠1 小时前
SELinux
服务器·开发语言·php
蜗牛一步步往上爬1 小时前
第四章 更多的bash shell命令
linux·开发语言·bash
普通人62 小时前
PHP多维数组排序完全指南
开发语言·php·1024程序员节
starzy199011 小时前
深入理解Scala隐式类:扩展方法机制
开发语言·人工智能·scala
M--Y12 小时前
LangGraph 工作流模式
开发语言·javascript·python·langchain·大模型·llm·langgraph
吴可可12313 小时前
WScript Shell操作注册表详解
开发语言
纪念 22914 小时前
C++ 算法基础 (差分)
开发语言·c++·算法
码农小河6618 小时前
基于PHP的电商后台蜜罐系统
开发语言·php
starzy199018 小时前
深入理解Scala柯里化函数:函数链式变换
开发语言·scala
ShineWinsu19 小时前
对于Qt:QTreeWidget常见属性以及QTreeWidgetItem类的解析
开发语言·c++·qt·gui·客户端·多叉树·qtreewidget