[發明專利]一種考慮交叉的倉庫網絡中在線零售商的倉庫選址方法

有效

• 申請號: 201711076449.6
• 申請日: 2017-11-06
• 公開（公告）號: CN108960474B
• 公開（公告）日: 2021-07-27
• 發明（設計）人: 陳燦;王一君;熊輝;劉峻銘;吳珊珊
• 申請（專利權）人: 杭州覽眾數據科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q10/08;G06K9/62
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

本發明公開了一種考慮交叉的倉庫網絡中在線零售商的倉庫選址方法。本發明包括如下步驟：步驟1、給定顧客分布的集合、客戶物流滿意度的相關特征、顧客購置能力的相關特征；基于給定的特征和集合，利用人工神經網絡方法預測未來一年內的產品銷量需求；步驟2、通過帶有距離權重的EM聚類算法來解決優化倉庫選址問題，接著通過層次聚類方式對問題大小進行歸約。本發明能快速、準確、有效的降低倉儲運輸成本，增強企業領導者的決策能力，優化企業供應鏈管理，降低管理成本，提升企業在行業競爭力。

技術領域

本發明屬于供應鏈領域，具體涉及一種考慮交叉的倉庫網絡中在線零售商的倉庫選址方法。

背景技術

近年來，全球范圍內在線市場的興起，為在線購買產品和服務的顧客提供了整個在線形式的開發、營銷、售賣、傳送、服務等過程。確實，在線交易為顧客和零售商提供了方便和有效的方式。然而，在線零售商必須提高他們的供應鏈網絡以提供更好的服務。供應鏈管理的目標是在保證最好的服務質量前提下，以最低的花費最短的時間傳送貨物，這是在線零售業務成功之本。在一個成功的供應鏈系統的開發中，設計有效的倉庫選址策略。

目前的選址策略都是依據該領域專家的經驗，及考慮了不同優化目標的混合整數優化模型來解決選址問題，然而在大型供應鏈網絡中，混合整數優化模型無法較好的被擴展，因此需要啟發式的近似的解決方案。

大數據、數據挖掘技術的出現，以及被收集的細粒度的供應鏈數據提供了一種倉庫選址新穎的方式。

因此，設計良好有效的可擴展的適應于大的供應鏈在線零售網絡倉庫選址策略本申請人致力于解決的問題。

發明內容

本發明的目的是考慮使用大數據、數據挖掘，提供了一種設計良好有效的可擴展的適應廣泛的供應鏈在線零售網絡倉庫選址策略，尤其是一種考慮交叉的倉庫網絡中在線零售商的倉庫選址方法。

在本發明中以最小化總成本為目標，成本包括供應商與倉庫之間的運輸成本、倉庫與顧客之間的快遞運輸成本以及倉庫與倉庫之間的運輸成本。本發明通過銷量預測模型和在線市場銷售需求的客戶物流服務估算法來完成倉庫選址；即提出了一個EM聚類算法以最少的計算成本動態地優化倉庫位置；另外，通過層次聚類的方法進一步減少了計算成本。

本發明解決其技術問題所采用的技術方案具體如下：

本發明所采用的技術方案包括如下步驟：

步驟1、給定顧客位置的集合、客戶物流滿意度的相關特征、顧客購置能力的相關特征?；诮o定的特征和集合，利用人工神經網絡(ANN)方法預測一年內的產品銷量需求。

其中，客戶物流滿意度的相關特征包括運輸時間、交付時間、損壞率；顧客購置能力的相關特征包括人口密度、平均收入、就業率。

步驟1-1、銷量預測模型的層輸入：

第k+1層的單元i由第k層的輸出α^k得到的，α⁰是特征向量。由于給定的特征(如客戶物流滿意度的相關特征、顧客購置能力的相關特征)來自于不同的因素和范圍，因此需要先將給定的特征經過公式1標準化到[0,1]，具體如下：

α⁰(i)＝f_i (公式2)

其中，α⁰是網絡輸入，是特征向量，f_i代表第i個特征，l^k+1代表k+1層的輸入端，是k層的線性組合，代表一個常量，代表第k+1層的權重系數，S_k第k層節點的總數，x代表一個變量，x_min代表變量x中的最小值，x_max代表變量x中的最大值。