[发明专利]一种考虑交叉的仓库网络中在线零售商的仓库选址方法

说明书

本发明公开了一种考虑交叉的仓库网络中在线零售商的仓库选址方法。本发明包括如下步骤：步骤1、给定顾客分布的集合、客户物流满意度的相关特征、顾客购置能力的相关特征；基于给定的特征和集合，利用人工神经网络方法预测未来一年内的产品销量需求；步骤2、通过带有距离权重的EM聚类算法来解决优化仓库选址问题，接着通过层次聚类方式对问题大小进行归约。本发明能快速、准确、有效的降低仓储运输成本，增强企业领导者的决策能力，优化企业供应链管理，降低管理成本，提升企业在行业竞争力。

技术领域

本发明属于供应链领域，具体涉及一种考虑交叉的仓库网络中在线零售商的仓库选址方法。

背景技术

近年来，全球范围内在线市场的兴起，为在线购买产品和服务的顾客提供了整个在线形式的开发、营销、售卖、传送、服务等过程。确实，在线交易为顾客和零售商提供了方便和有效的方式。然而，在线零售商必须提高他们的供应链网络以提供更好的服务。供应链管理的目标是在保证最好的服务质量前提下，以最低的花费最短的时间传送货物，这是在线零售业务成功之本。在一个成功的供应链系统的开发中，设计有效的仓库选址策略。

目前的选址策略都是依据该领域专家的经验，及考虑了不同优化目标的混合整数优化模型来解决选址问题，然而在大型供应链网络中，混合整数优化模型无法较好的被扩展，因此需要启发式的近似的解决方案。

大数据、数据挖掘技术的出现，以及被收集的细粒度的供应链数据提供了一种仓库选址新颖的方式。

因此，设计良好有效的可扩展的适应于大的供应链在线零售网络仓库选址策略本申请人致力于解决的问题。

发明内容

本发明的目的是考虑使用大数据、数据挖掘，提供了一种设计良好有效的可扩展的适应广泛的供应链在线零售网络仓库选址策略，尤其是一种考虑交叉的仓库网络中在线零售商的仓库选址方法。

在本发明中以最小化总成本为目标，成本包括供应商与仓库之间的运输成本、仓库与顾客之间的快递运输成本以及仓库与仓库之间的运输成本。本发明通过销量预测模型和在线市场销售需求的客户物流服务估算法来完成仓库选址；即提出了一个EM聚类算法以最少的计算成本动态地优化仓库位置；另外，通过层次聚类的方法进一步减少了计算成本。

本发明解决其技术问题所采用的技术方案具体如下：

本发明所采用的技术方案包括如下步骤：

步骤1、给定顾客位置的集合、客户物流满意度的相关特征、顾客购置能力的相关特征。基于给定的特征和集合，利用人工神经网络(ANN)方法预测一年内的产品销量需求。

其中，客户物流满意度的相关特征包括运输时间、交付时间、损坏率；顾客购置能力的相关特征包括人口密度、平均收入、就业率。

步骤1-1、销量预测模型的层输入：

第k+1层的单元i由第k层的输出α^k得到的，α⁰是特征向量。由于给定的特征(如客户物流满意度的相关特征、顾客购置能力的相关特征)来自于不同的因素和范围，因此需要先将给定的特征经过公式1标准化到[0,1]，具体如下：

α⁰(i)＝f_i (公式2)

其中，α⁰是网络输入，是特征向量，f_i代表第i个特征，l^k+1代表k+1层的输入端，是k层的线性组合，代表一个常量，代表第k+1层的权重系数，S_k第k层节点的总数，x代表一个变量，x_min代表变量x中的最小值，x_max代表变量x中的最大值。