关键词:
决策支持
自动售货机
物联网
BP神经网络
决策树
摘要:
随着我国人口红利的逐渐消失,无人化的消费和服务在各行各业迅速崛起。自动售货机作为无人便利店的一种消费场景,24h提供便利服务正在逐渐受到商家以及消费者的青睐。随着机械的精密程度越来越高,支付方式的不断升级,自动售货机自身的软硬件功能已经相当完善,然而自动售货机是一个非常分散且竞争激烈的市场,市场竞争的加剧使得精细化运营管理正在成为各大厂商关注的重点。为了实现自动售货机运营管理的高效性和智能化,设计一个轻量级的决策支持系统,通过一些智能算法为管理人员制定最优销售方案以及在决策管理等方面提供科学的、数据化的辅助支持是很有意义的。本课题以实际科研项目为依托,首先对自动售货机以及决策支持系统的发展现状进行了深入的了解,确定了研究方向。在深入研究了自动售货机现有的在线管理系统之后,提出加入智能决策子模块,针对此模块,重点研究了自动售货机决策支持系统的预测部分和决策部分,并进行了相应的应用开发。针对预测阶段,首先通过现场调研,对影响自动售货机商品销量的因素进行详细分析,从量化的角度明确了销量预测应考虑的主要因素。研究并选定了销量数据的预处理方法,分析比较了几种常用的预测算法,结合自动售货机销量数据的特点,提出了对售货机商品销量的预测方案。由于历史销售记录中存在脱销的情况会造成数据制约,影响预测的精度,本文提出一种数据修正方案,对历史脱销后的需求量进行预测,数据修正后再利用BP神经网络进行预测,与传统的数据修正做对比,并与三次指数平滑模型对比。实验结果显示,提高了预测的精度,为下文的综合决策提供有力的数据支持。在综合决策阶段,将销量以外的其他影响因素,如利润、单位商品占用空间、新品推荐、商品替代性等考虑进来,最优化决策售货机货道空间的配比,随后引入C4.5决策树算法做综合决策,将以上因素作为决策树的判别属性,对商品进行分类评级来达到制定销售方案的目的。针对C4.5算法中信息增益率的计算方法做了改进,并在UCI公开的数据集上验证了算法的可行性,结果表明加快了运算速度,提高了建立决策树的效率。最后,对决策支持系统的各个模块进行了设计,其中包括人机交互、数据管理、交互式模型管理三大模块,并做了相应的开发。采用Java语言做系统的构建,使用R语言进行统计计算,随后完成了Java与R之间的调用,并且开发了手机端监控App。