烟草零售户即时库存预测模型构建研究

于伟强 孙元峰 姜茂林 王浩男 刘晓红

摘要：烟草公司所拥有的零售户库存检测，对于烟草投放量和后续市场营销策略等相关决策的制定具有重要意义。烟草公司每个季度甚至每个月需要对下设烟草零售户库存进行统计，以便通过对各烟草零售户库存的掌握实时把握市场状况，从而有效进行烟草品牌投放，提高投放效率，削减市场运营成本等。首先，文章对目前烟草公司在零售户库存检测方面遇到的难题进行描述和分析，从而确定这些问题的关键环节；其次，对烟草公司零售户的库存检测数据进行深入分析，确定能够对库存量产生影响的直接和间接变量；最后，在深入分析数据基础上对各类模型构建类型和预测工具进行广泛比较分析，最后确定使用BP神经网络系统模型，对零售户总库存量和不同品牌库存进行预测分析，通过使用MATLAB软件工具导入数据后，在经历了众多次机器学习后，得到了较为理想的预测模型，通过设计代码命令导入数据进行验证后得到了较为理想的结果。

关键词：BP神经网络，零售户库存监测模型，品牌库存监测模型

中图分类号：F426.8；F274   文献标识码：A   文章编号：1005-6432（2024）011-0000-04

[DOI]10.13939/j.cnki.zgsc.2024.11.046

1   国内外研究现状

1.1  国外研究状况：

1.1.1   库存控制的研究。

首先是关于确定性需求的库存控制问题研究。的经典公式是在需求为常数的假设前提下得到的。该公式自诞生以来就在实际中得到了广泛的应用，也取得了显著的经济效益但随着应用的推广和深入，人们逐渐发现在使用该模型时会受到很多实际因素的制约，因为该模型是在比较理想的假设下推导和发展的，它没有考虑周围环境变化所产生的影响。

其次，关于随机性需求的库存控制问题研究。在现实中，一般的库存系统都具有随机性，即订货提前期是随机的，单位时间内的需求量也是随机的。关于随机库存控制问题的研究主要分为，对单期随机库存控制模型的研究和对随机定点订货模型的研究。

1.1.2   库存控制信息系统的研究现状。

国外在库存控制的理论研究方面，无论是运筹学角度的研究还是管理方法角度的研究，都已经取得了优异的成果。作为这些理论、方法的实现载体，库存控制信息系统也相应取得了很大的进展，出现了很多优秀的库存控制软件。库存控制信息系统有些是作为独立的软件予以运作，但更多的是作为其它大型软件如企业资源计划即软件、供应链管理软件的一部分以实现其功能库存控制子系统在这些软件中，发挥着至关重要的作用。这些库存控制软件子系统的算法和模型相当丰富，针对不同的行业、不同的企业，可选择不同的算法和模型此类软件的使用大大优化了库存管理水平，帮助企业更好的实现了企业管理和供应链管理。

1.2   国内研究状况

围绕烟草零售库存方面的相关研究目前主要集中于以下方面：

1.2.1  零售客户卷烟库存决策与管理研究。

这一领域是目前对烟草零售库存研究最为集中的一个议题，蔡萍萍，吴铮等（2012）为了“按客户订单组织货源”，规范和优化企业内部流程，降低资源配置成本和经营风险，提高客户服务水平，快速响应零售市场，提出了零售业库存决策模型。李会景，彭甜，段灵芝（2011）分析了烟草商业卷烟库存形成机制、存在问题，并提出了相应发展对策。认为，卷烟商品的特殊性使得对卷烟库存的控制具有一定的难度，并尝试使用 ABC 分类法、订货点法和 VMI 方法对卷烟库存进行控制，举例介绍订货点法的应用，卷烟商业企业可以根据实际采用其中一种或多种方法对库存进行控制，以达到卷烟库存优化的目的。黄昕竹（2018）对卷烟库存管理现状进行分析，从市场需求预测、卷烟采购协同、卷烟出入库管理等方面提出解决对策，以进一步优化库存管理模式，确保既能满足日常销售的流转需求。1.2.2    零售客户库存识别方法分析研究。

盛剑，樊红等（2017）为准确了解市场库存和需求，减小商业库存压力，实现对零售客户进行按需供货，发现零售客户群体共性特征，通过考察零售客户的年销售量和年库存量，基于 Spark+MLlib 的 kmeans++ 算法实现对零售客户行为的聚类，并根据收集所得的卷烟销售扫码数据采用 KMeans+ 进行聚类分析，将客户分为三大类别，得到了较为合适的分类结果，给出了相应的销售和库存的管理策略，这为卷烟销售和库存管理策略的制定提供决策支持。唐彬（2022）建立了不允许缺货的卷烟订购存贮模型，通过案例分析证明了模型的有效性，并提供了一系列卷烟库存控制措施，为零售客户科学制定卷烟订购策略提供了理论支撑。冯明亮（2021）基于神经网络修正灰色残差的建模方法，通过系统的收集零售客户的库存现状，分析了库存积压的原因，并从提高零售客户对卷烟品牌（规格）的需求预测准确度出发，构建以消费者需求为导向的组合预测模型。

通过对上述有关零售客户库存方面德研究可以看出，目前这方面的研究主要集中在对零售客户库存和烟草公司之间订货量方式，识别和销量预测方面。考察烟草零售客户在不同时期阶段向烟草公司订货而产生的库存，确实可以能够一定程度上掌握零售客户的销售情况和销售能力，但这种库存并不是零售客户的实际库存或者即时库存，甚至其实际销量对于烟草公司来说也很难掌握。主要原因在于，由于烟草零售客户千差万别，比如商超里面的烟草零售客户所使用的信息采集系统相对完善，销售数据采集和存储方式比较正规，软硬件使用较为齐备。然而，还有很多烟草零售客户规模较小，销售数据采集手段比较落后甚至有些销售数据有缺失现象，这种采集数据和人力方面的差异导致销售数据和实际库存烟草公司无法准确获取，這就导致前述所说，无法有效掌握零售客户即时库存，从而对市场状况把握不及时，降低了烟草投放效率，对整体业绩产生负面影响。而本次研究项目主要集中于对烟草零售客户即时库存的估算，对实际库存的监测更具有现实意义，可以真正掌握目前市场总体销售状况，据此进行有效市场投放。

2   相关理论

BP神经网络最早是1986年由Rumelhart和McCelland为首的科学家小组提出的，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络算法是在BP神经网络现有算法的基础上提出的，是通过任意选定一组权值，将给定的目标输出直接作为线性方程的代数和来建立线性方程组，解得待求权，不存在传统方法得局部极小及收敛速度慢的问题，且更容易理解。这种网络能够学习和存储大量的输入—输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向傳播来不断调整网络的权值和阙值，使网络的误差平法和最小。BP神经网络模型拓扑结构包括输入层（input）、隐含层（hide layer）和输出层（output layer）。每一个神经元接收到其他神经元的信息，并由一个加权链路进行传输，神经元将所有信息相加获得一个总的输入量，再与神经元的阙值相比较（模拟阙值），再经过“激活函数”的处理，获得最后的输出（模拟阙值），并以此为基础，层层向下传递。

3   烟草零售户库存监测模型构建

首先，运行MATLAB软件，在工作界面中的“工作区”新建要素变量，即将决定零售户库存的七个要素导入工作区并命名为输入变量“X”，因为我们要监测的是零售户库存，所以再新建一个输出变量并命名为“Y”。显然输入“X”作为七个要素变量是原数据中选取25303个零售户而来，输出“Y”是原数据中是零售户已经盘点过的库存25303条，目的是使用这些数据进行神经网络模型训练。

其次，构建输入和输出变量以后，打开神经网络拟合工具箱（Neural Fitting nfTool）其主要运行逻辑为，具有 sigmoid 隐藏神经元和线性输出神经元 （fitnet） 的两层前馈网络可以很好地拟合多维映射问题，前提是隐藏层中存在一致的数据和足够的神经元。网络将使用 Levenberg-Marquardt 反向传播算法 （trainlm） 进行训练，除非内存不足，在这种情况下将使用缩放共轭梯度反向传播 （trainscg）。在将输入“X”和输出“Y”导入神经网络工具后，最终形成神经网络逻辑。接下去就是针对这个模型进行训练，其中选取贝叶斯模型算法进行计算训练，该算法通常需要更多时间，但可以对困难、小型或嘈杂的数据集产生良好的泛化效果。训练根据自适应权重直到最小化（正则化）就会停止。直到该模型训练结束可以看到整体模型训练效果，经过1000次迭代以后，模型训练的结果无限接近于最优状态，因此可以认为模型的效果是比较理想的，再观察模型的拟合度可以看到其回归拟合度比较理想，R值为1。在系统中保存该模型，同时在“工作区”新建一个验证输入变量为“newX”，其含义是在现有零售户库存数据中另外选取936个零售户的数据（仅包含七个要素），使用训练后的模型进行库存监测验证（前者25303条数据是为模型训练而选取），而训练好的模型则以 “net”文件名保存在工作区中。

最后，调出编辑器在编辑器中编写一套语句，语句的作用就是将936条验证数据输入训练好的模型，然后得出零售户库存量的预测结果，具体语句命令代码如下所示：

predict_y = zeros（936，1）; % 初始化predict_y

for i = 1： 936

result = sim（net， newX（i，：）'）;

predict_y（i） = result;

end

disp（'预测值为：'）

disp（predict_y）

将上述编辑好的命令语句拷贝到“命令行窗口”中，此时已经得到了零售户库存的预测结果，可以将预测值拷贝到原数据文件EXCEL软件中进行比较可以发现与原有库存实际盘点数据误差在接受范围内，结果比较理想，如表1所示。

经过了多次模型训练，最终得出的模型效果比较理想，库存预测值与左侧实际盘点库存值差距不大。

4   烟草不同品牌库存预测模型构建

首先，软中华品牌预测模型的构建。可以首先选取软中华库存数据作为果变量，因变量的选取至关重要，因为在神经网络模型构建训练过程中会对最终模型的算法模式产生直接影响，从而影响最终预测结果的准确度。在这种情况下，需要对不同变量选取搭配进行不断验证，这一步骤显得相对复杂和繁琐。通过不断的尝试和验证后，最终选取了五个变量加入模型进行计算，即总库存、总销量、单品销量、总库存比和单品存销比。通过MATLAB软件当中的神经网络模型进行模型构建，经过多次模型训练，最终得到预测结果模型。可以看到模型拟合度比较理想，检测度达到R=0.97，最终模型总体拟合度达到R=0.96，使用剩余10%数据进行验证比较可以看到预测值和真实值之间的差距在比较理想的范围内，如表2所示。

其次，硬中华库存预测模型。根据上述因变量和果变量的设定，选取五个变量在神经网络模型进行训练计算，得到模型以及回归模型效果，从上图的模型拟合度可以看到，通过使用贝叶斯算法10层神经网络的模型训练构建的模型拟合度R=0.973，将剩余数据使用模型进行验证发现结果比较理想，如表3所示。

从上表可以看出，左侧是实际盘点的硬中华库存，左侧为模型预测值，对比后发现实际差距在理想误差范围内，这说明使用神经网络构建的模型能够较为精准和有效预测库存。

最后，红旗渠等品牌库存模型预测。根据上述因变量和果变量的设定，选取五个变量在神经网络模型进行训练计算，得到模型以及回归模型效果，模型所得到的拟合以及最终训练结果Validation R =0.995，综合拟合度All： R=0.988，最后使用剩余数据对该模型进行验证，结果如表4所示。

从上表可以清楚看出，左边为实际盘点库存值，右边为模型预测值，比较以后可以得到非常理想的预测结果。

5   库存预测精准度和效率提升策略

首先，在对全市烟草零售户库存采集方法需要进一步加强。从目前来看使用云POS以及实际盘点的零售户数量还是比较有限，这样数据获取的精准度就无法保证，因此在今后还需要加大网络电子设备的普及度。

其次，在库存数据的搜集整理要能符合MATLAN软件神经网络系统模型的需要。这样做的好处是，从原始数据搜集就可以形成方便输入模型当中的规范数据文件格式，这样可以大大提升预测效率。即，数据文件的设置格式依据因变量和果变量的名称顺序排列，这样分析人员可以方便的将数据输入模型当中，从而快速得出预测结果。

最后，烟草公司可以安装MATLAB软件，通过该软件不但可以对各零售户的总库存进行预测，还可以对任意某个品牌的香烟库存进行预测。市场人员只需要将上述确定的变量输入模型当中，经过数次模型训练即可得出该品牌在不同零售户中的相对准确库存。

参考文献：

[1]程杰.东营市烟草公司管理信息系统的设计与实现[D].成都：电子科技大学， 2014.

[2]MURRAY J.Agency Information Collection Activities：Proposed eCollection eComments Requested;reinstatement with change of a previously approved collection; InfraGard membership application and profile[R].Tobacco Inventory Report and Direct Sales Report，2014.

[3]牛锐.山西烟草库存管理平台的设计与实现[D].大连：大连理工大学， 2014.

[4]张茜.迁安市烟草专卖局烟草采购库存管理系统的设计实现[D].大连：东北大学， 2016.

[5]MURRAY J.Agency information collection activities：proposed eCollection eComments Requested;federal firearms license responsible person questionnaire[R].Tobacco inventory report （ATF Form 5200.25），2016.

[6]叶宗强.基于数据仓库的烟草库存决策支持系统[J].中国信息化，2022（7）：80-81.

[7]陈忠华，张凯，刘维昌，等.基于MES的烟草采购库存信息综合管理系统设计[J].微型电脑应用，2022，38（4）：135-138.

[8]WADMAN M.CDC director resigns after report on tobacco stock purchase[J]. Science，2018.

[9]陈承贵，罗克露. 基于神经网络库存融合控制技术[J].信息化纵横，2009（28）： 8-12.

[10]HE W.An inventory controlled supply chain model based on improved BP neural network[J].Discrete dynamics in nature and society，2013（Pt.2）.

[11]戴超杰，劉媛华.基于改进的BP神经网络库存预测模型研究[J].物流科技，2015， 38（11）： 26-30.

[12]阮翔.基于改进的BP神经网络库存预测模型及其应用研究[D].南昌：南昌航空大学， 2016.

[13]DE PAULA V G H，CAIADO R G G，SCAVARDA L F，et al.Decision support framework for inventory management combining fuzzy multicriteria methods， genetic algorithm， and artificial neural network[J].Computers & industrial engineering. 2022（174）.

[14]GU L，HAN Y，WANG C，et al.Inventory prediction based on backpropagation neural network[J].Neuro quantology，2018，16（6）.

[15]谭永杰，王现勋，段茗续，等.不同模态分解方法结合LSTM模型对日径流预报的影响[J]. 人民珠江，2023： 1-14.

[16]徐恒山，莫汝乔，薛飞，等.基于时间戳特征提取和CatBoost-LSTM模型的光伏短期发电功率预测[J].太阳能学报，2023：1-10.

[17]宋伟泽. LSTM模型在无袖带式异常血压预测中的应用[J].计算机时代，2023（7）： 70-73.

[18]赵瑜，霍永华，黄伟，等.基于双向LSTM模型的流量异常检测方法[J].无线电工程，2023， 53（7）： 1712-1718.

[19]罗谢辉.基于WOA-LSTM模型的边坡位移预测方法[J]. 中国水运，2023，23（7）： 50-52.

[20]张开雯，何勇.基于EMD-SSA-LSTM模型的城市轨道交通站点客流预测[J]. 武汉理工大学学报（交通科学与工程版），2023：1-9.

[21]RINA S，JIACHENG W，GAOMING X，et al.Attention mechanism based bidirectional LSTM model for broadband power amplifier linearization[J]. Electronics letters. 2023， 59（14）.

[22]唐琳，李勇，唐羽鋒，等.基于深度学习的LSTM模型在X荧光光谱中的应用[J].核技术，2023，46（7）： 80-86.

[23]汤文强.基于LSTM模型的响洪甸水库旱警水位预测与效果检验[J]. 云南水力发电. 2023， 39（07）： 339-342.

[24]康俊锋，符悦，方雷，等.基于最小二乘法赋权的ARIMA-LSTM模型预测入境旅游人数——以上海市为例[J].浙江大学学报（理学版）. 2023，50（4）： 508-520.