6篇关于需求预测的计算机毕业论文

今天分享的是关于需求预测的6篇计算机毕业论文范文, 如果你的论文涉及到需求预测等主题,本文能够帮助到你

基于深度学习的O2O外卖菜品原料需求预测

这是一篇关于O2O外卖,菜品原料,需求预测,深度学习的论文, 主要内容为互联网快速发展带来了新的商业模式O2O(Online to Offline),其中外卖业务对人们的生活产生巨大影响。然而,多年来粗放型经营的弊端在逐渐放缓的增速中逐渐展现出来,亟需通过数据驱动的手段对外卖行业数字化升级,而商家在外卖行业中扮演着重要角色,其经营状况与服务质量关系到全行业发展。与传统企业相比,外卖商家订单需求不确定性更强,如果不能根据销售情况制定购买原料的计划,将产生库存成本或者损失订单。针对这一问题,基于外卖平台的历史数据,站在商家的角度,采用深度学习的方法对外卖菜品原材料需求进行区间预测,有助于优化商家经营、提高顾客满意度。本文要解决的问题是数据驱动的外卖菜品原料需求建模,围绕这一问题,具体的研究内容和结论有:(1)根据大连某外卖平台原始数据构建外卖订单数据集,通过对数据集做描述性分析,发现商家沿地铁线分布,在高校、大型办公区附近聚集性明显,分布具有商圈化的特点;与传统餐饮业相比,外卖商家呈现“年轻化”的特点,在平台三年的运营时间内,61%的商家入驻平台时长在200-400天,不足平台运营时间的一半;按月对订单分布进行统计,发现订单在两个时段达到峰值,分别是6-8月份和10-12月份;按天对订单进行统计,发现每月15日-20日订单量最多,每周六、周日相较于工作日订单量有显著增加。(2)通过数据库操作指令与脚本语言,对外卖平台原始数据进行处理,构建了外卖订单数据集。根据网络中爬取的食谱文本,构建菜谱知识图谱,通过知识图谱将菜品名称转换为对应的原料及用量,在外卖订单数据集的基础上构建外卖菜品原料数据集。(3)针对外卖订单数据中样本销量规模差异大、缺失值多、部分商家无历史数据等问题,参考现有的预测方法,考虑到外卖需求具有很强的季节性和周期性,采用了短期学习和长期学习并行的方式,开发了基于深度学习的外卖菜品原料需求预测模型DFM。(4)基于外卖菜品原料数据集,通过由订单销量预测推测原料需求预测和直接进行原料需求预测两种方式对比,发现后者预测精度更高,比前者提升了 47%;在外卖菜品原料数据集上构建三个特殊的子集,模拟样本销量规模差异大等场景,观察DFM这些数据集上的预测效果,发现DFM可以有效解决外卖菜品原料预测中的挑战;通过与DeepAR、Transformer等模型进行对比,发现DFM在预测精度和运算时间上都具有优势,与DeepAR和Transformer相比预测精度分别提升了 10.2%和3.4%,与DeepAR相比运算时间缩短了 2%和42%;通过特征消融实验,发现外卖菜品口味和商家店铺位置是影响需求最重要的因素。

基于微服务的汽车租赁平台的设计与实现

这是一篇关于汽车租赁平台,微服务,需求预测的论文, 主要内容为随着交通拥堵和环境污染的日益严重,新能源汽车融合“绿色共享”的理念开始在分时租赁领域崭露头角。目前,此领域不仅有EvCard,GoFun等头部企业领跑,而且涌现出较多中小型新兴分时租赁公司。如何为这些公司提供助力,使其能够快速开发和迭代出适应用户需求的租赁系统是亟待解决的问题。为提高公司运营效率,本文研究一站式汽车分时租赁业务。相较于传统的汽车租赁平台采用单体架构实现,功能单一且扩展性差,本文采用微服务架构,秉持“低耦合,高内聚”的设计理念,前端采用微信小程序和Web框架进行开发,后端使用Spring Cloud框架设计,使得系统具备高可用性和强伸缩性。同时,系统基于容器技术进行部署,集开发、测试以及运维一体化,实现了企业级的汽车在线租赁平台。本文主要工作如下:1)本文对汽车租赁平台进行全面的业务需求和非功能性需求分析后,通过对客户端和运营管理平台重合业务的整合,并结合Spring Cloud框架和相关组件,划分出用户服务、订单服务、支付服务、优惠券服务、车辆服务和网点服务六个子模块,并给出汽车租赁平台的系统架构方案和数据库E-R关系。2)针对分时租赁业务网点间需求不平衡而导致用户用车难以及企业丧失部分盈利等问题,本文提出基于Prophet和长短期记忆网络的组合模型的需求预测算法,并采用粒子群算法求解组合模型的权重系数,通过对算法进行仿真实验和对比单一模型,结果表明改进的算法预测精度更高,对平台历史运营数据的拟合效果更好。在下一步的系统优化工作中,将作为服务模块部署到平台中,为运营公司提供支持,实现企业营收最大化。3)本文实现租赁平台的各服务模块,给出详细的流程、类和接口方法,并使用Kubernetes进行容器化部署。最后搭建测试环境,通过对租赁平台进行全面的业务功能测试和非功能性测试,结果表明租赁平台符合上线要求且具备高可用性。

基于微服务的厨电企业内部供应链管理系统的设计与实现

这是一篇关于厨电企业,微服务,供应链管理,需求预测,Stacking,工作流的论文, 主要内容为厨电企业在面对市场以及消费者多变需求情况下,存在生产要素难以管控、服务质量有待提升、内部业务相互独立运营等问题,其竞争角度也从价格竞争转变为供应链竞争,因此,建设良好的企业内部供应链管理系统成为企业当下的必然选择。本文基于供应链管理思想,结合微服务框架,设计与实现厨电企业内部供应链管理系统,达到企业数据的有效管理与可视化;同时,研究厨电产品需求预测模型以及工作流管理,使得企业能更好地应对多变的外部环境,加强厨电企业内部业务流程整合。本文围绕厨电企业内部供应链管理系统的设计与实现,主要做了如下工作:(1)针对如何设计企业内部供应链管理系统架构问题,对企业内部业务需求进行梳理,在供应链管理理论、微服务研究基础上,参照SCOR模型设计系统的业务架构,结合前后端分离的微服务框架设计系统的软件架构。(2)针对单一变量以及单一模型的需求预测方法已无法适应当今市场下的需求、难以缓解牛鞭效应等问题,基于Stacking集成学习原理,构建多模型融合需求预测模型,将具有一定较好预测效果的学习器(MLR、XGBoost、Light GBM)作为基学习器,选取随机森林(RF)为元学习器。(3)针对如何将复杂企业内部业务流程有效管理与协作问题,利用工作流技术在厨电企业内部供应链管理系统构建协同环境,实现对业务过程的可视化、规范化、可编排处理。(4)针对如何实现系统具体业务功能,依据业务需求的上下游关系划分功能模块、设计底层数据结构,进而实现前后端对应的业务功能,并在系统完成后进行系统验证以确保该系统的可用性。研究结果表明,采用前后端分离的微服务架构,设计与实现企业内部供应链管理系统,满足了系统高扩展性与易维护性的需求,达到了企业内部供应链数据的有效管控与可视化;此外,采用Stacking集成多模型的需求预测模型,同单一模型相比,可将更准确的预测结果反馈给企业生产部门,以提前做好相关产品的库存处理;结合工作流技术,使得企业内部数据得到有效管控的同时,也更好地实现了业务的流程化信息处理。

基于微服务的厨电企业内部供应链管理系统的设计与实现

D公司的需求量预测及前置仓选址与路径规划

这是一篇关于生鲜电商,前置仓,需求预测,聚类理论,多目标带时间窗车辆路径问题的论文, 主要内容为随着供应链的完善与消费者需求的增加,我国生鲜电商平台的交易规模已从不足500亿元提升至近4500亿元,交易规模达同比增长达到27.92%,市场渗透率达7.91%。近年来,前置仓模式备受欢迎,成为众多生鲜电商平台追捧的商业模式,各平台纷纷在大城市布局数以千计的门店。当前置仓模式下的生鲜电商企业正如火如荼地扩展业务、争夺市场份额时,因对目标市场需求的错误预估,及不合理的前置仓布局,致使多数平台存在难以盈利,甚至严重亏损的现状。最终撤出市场,造成较大的资源浪费。本文基于上述背景,为D生鲜电商公司提供其进入目标市场前,进行前置仓的规划与布局方案的决策指导。通过对D生鲜电商公司的运作模式进行研究,总结其前置仓模式下面临的成本问题,对目标市场用户需求量预测,进而对前置仓的选址及路径规划展开研究。科学预测与合理规划最终帮助企业降低成本提升效率,进而提高市场竞争力。本文的工作主要由四个方面构成:(1)D公司概况及问题分析。本文首先对D公司的运作模式进行了详细的介绍。同时,对其前置仓模式进行了成本分析,得到以盈亏平衡为基础,D公司成都市地区前置仓模式的理论最低订单密度。为后续的前置仓布局奠定下数据基础。(2)D公司用户需求量预测。由于本问题是D公司向成都市地区进行市场拓展,没有订单量的历史数据,因此,本文采用了两种不同的预测模型:一种是BP神经网络模型。非线性映射能力,柔性网络结构是其适合该问题的特点。另一种是GM(1,1)灰色预测模型。其特点是短期数据预测精度较高,且所需数据较少。将这两种模型组合形成一个整体的预测模型,以解决所面临的问题。首先,筛选影响指标,并于上海市已有的订单数据进行训练,建立BP神经网络预测模型。同时,使用GM(1,1)灰色预测模型对成都市地区的相关预测影响因素指标进行短期预测,得到2022年-2024年相关指标的数值。最后,将该预测指标值作为输入值。使用BP神经网络预测模型,进而对成都市地区2022年-2024年的订单量进行预测,得到预测结果。(3)D公司前置仓选址。本文考虑城市范围的前置仓布局规划,未设置备选点,该问题具有范围较大,数量较多的特点,因此采用了更适合该问题的聚类方法进行求解。本文共分为三步:第一步,初步确定需求点。使用ARC GIS软件基于人口密度,对城市范围内建立1km*1km的栅格作为用户需求点,并根据人口密度进行初步筛选。第二步,第一次聚类。基于第二章已经确定的前置仓模式的最低订单密度的计算结果,使用以范围内订单量之和作为密度阈值的改进DBSCAN算法,对不满足密度要求的客户点进行剔除,并得到第一次聚类结果。第三步,二次聚类。基于第一次聚类结果,对超过前置仓容量及范围的聚类区域进行二次聚类,使用以距离/需求量作为聚类紧凑程度的改进K-Means算法。最终得到每一个前置仓的坐标位置及服务范围。(4)D公司配送路径规划。本文针对生鲜电商D公司的中心仓到前置仓配送路径规划问题,建立多目标带时间窗车辆路径问题。以总成本最小与生鲜品新鲜度最高为目标函数,同时对早于或者超过前置仓补货时间窗增加惩罚成本。采用NSGA-II算法进行求解,得到该问题帕累托最优解集。本文完成了D公司前置仓模式分析、目标市场需求量预测、前置仓选址与配送路径规划。一方面,为其提供了开拓一个新市场并进行前置仓布局所预计的物流成本的参考;另一方面,根据需求量预测结果,提出了前置仓布局及其配送路径的科学合理、具体可实行的决策方案,未来该公司将要进一步拓展市场时,能够合理控制前置仓物流系统的成本与效率,进而提高其市场竞争力。