(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111576760.3 (22)申请日 2021.12.2 2 (71)申请人 四川省烟草公司成 都市公司 地址 610000 四川省成 都市青羊区槐树 街1 号 (72)发明人 尹健康　谭方文　刘宁　张卫东　 陈奕江　王柯轲　宋红文　江海　 张建　杨帆　陶林　刘颖　唐艺楠　 陈思佚　郑胜东　赵洪　羊正军　 欧达宇　龚强　曾立胜　 (74)专利代理 机构 成都启慧金 舟知识产权代理 事务所 (特殊普通合伙) 51299 代理人 文成(51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 10/08(2012.01) G06N 20/00(2019.01) (54)发明名称 基于组合预测法卷烟物流集散分拨中心信 息系统 (57)摘要 本发明公开了基于组合预测法卷烟物流集 散分拨中心信息系统， 卷烟需求组合预测模型： 根据影响因子构建时间序列的卷烟组合需求模 型， 进行卷烟区域物流需求预测； 基于物流联盟 的卷烟工商业成品前置库： 建立工、 商企业融合 的物流联盟， 根据成本最低及服务最优原则， 建 立选址数学模 型确定最优选址经纬度， 在最优选 址所在地区建成工业企业卷烟成 品前置库， 用以 存储部分高市场需求的卷烟， 并由商业企业为工 业提供代仓储、 发货服务； 智能仓储管理系统： 基 于RFID技术把电子标签与件烟信息关联， 对仓库 中不同工业的卷烟实行精准化智能管理， 实现出 入库一体化， 与一号工程系统无缝对接。 本发明 提升工业运输效率， 减少商业缺货， 增强分拣配 送时效性。 权利要求书3页 说明书12页 附图9页 CN 114266395 A 2022.04.01 CN 114266395 A 1.基于组合预测法卷烟物流 集散分拨中心信息系统， 包括 卷烟需求组合预测模型： 根据影响因子构建时间序列的卷烟组合需求模型， 进行卷烟 区域物流需求预测； 基于物流联盟的卷烟工商业成品前置库： 建立工、 商企业融合的物流联盟， 根据成本最 低及服务最优原则， 建立选址数学模型确定最优选址经纬度， 在最优选址所在地区建成工 业企业卷烟成品前置库， 用以存储部分高市场需求的卷烟， 并由商业企业为工业提供代仓 储、 发货服 务； 智能仓储管理系统： 基于RFID技术把电子标签与件烟信息关联起来， 对仓库中不同工 业的卷烟实行精准化智能管理， 实现出入库一体化， 与一号工程系统无缝对接； 所述一号工 程系统具体为国家局一 号工程系统。 2.根据权利要求1所述的基于组合预测法卷烟物流集散分拨中心信息系统， 其特征在 于， 所述影响因子包括历史订购数据、 季节性变动、 节假日、 价格。 3.根据权利要求2所述的基于组合预测法卷烟物流集散分拨中心信息系统， 其特征在 于， 所述卷烟需求组合预测模型的构建过程包括如下步骤， S1， 卷烟市场 容量及需求分析： 围绕宏观环境及卷烟市场两个层次， 对卷烟整体市场容 量和其它影响因素进行全面分析； 所述卷烟整体市场容量包括常住人 口市场容量、 常住人 口送礼容量、 旅游人口购买容 量， 所述其它影响因素包括季度、 节假日； S2， 建立季节性ARIMA模型： 针对卷烟历史订购数据建立自回归移动平均模型， 然后引 入影响因子中的季度和节假日， 建立季节性ARIMA模型； S3， 建立基于机器学习的卷烟需求组合预测模型： 在卷烟历史订购数据的基础上， 构造 季节特征值， 融合机器学习算法特点， 构造 半监督式的机器学习卷烟需求预测模 型， 并利用 滚动式的单步循环预测方法对卷烟月订购量进行 预测。 4.根据权利要求3所述的基于组合预测法卷烟物流集散分拨中心信息系统， 其特征在 于， 所述整体市场容 量包括 常住人口市场容 量： 吸食角度＝常住人口 ×吸烟率×日均吸烟量 ×省内居住天数； 常住人口送礼 容量： 礼品消费＝常住人口中的适龄吸烟者数 ×送礼率×全年送礼 量； 适龄吸烟者消费容量： 适龄吸烟者消费量＝分年龄段适龄人口数 ×吸烟者比例 ×吸烟 者平均吸烟量； 旅游人口市场容 量： 购买角度＝旅游人口数 ×购烟率×购烟量。 5.根据权利要求4所述的基于组合预测法卷烟物流集散分拨中心信息系统， 其特征在 于， 所述常住人口设定为居住6个月以上， 所述适龄吸烟者的年龄设定为 18‑64岁， 所述旅游 人口设定为居住时间小于1个月。 6.根据权利要求3所述的基于组合预测法卷烟物流集散分拨中心信息系统， 其特征在 于， 所述季节性ARIMA模型的构建过程包括如下步骤， S1， 序列差分： 选择某一 时间段的卷烟月订购数据进行模型拟合， 建立时间——订购量 序列图， 对数据分别进行平稳性检验及季节性差分； S2， 平稳性检验： 对原始数据进行平稳性检验， 当检验结果p值小于0.005时， 证明该原 始数据是平稳的、 纯随机的； 未通过平稳性检验时， 进行差分计算， 1阶差分后原始数据的p 值小于0.005时， 通过平稳性检验；权　利　要　求　书 1/3 页 2 CN 114266395 A 2S3， 季节性分解： 对原始数据进行周期性分解， 周期性为12， 提取季节性指标， 形成去周 期性时间序列， 并对其做2阶差分， 得到1阶差分&2阶季节性差分序列图， 可确 定d的阶数分 别为1和2； S4， p， q值确定： 选取季节性ARIMA模型的自回归 阶数p和移动平均项数q， 通过1阶差分 和2阶季节性自相关系数ACF图及偏自相关系数PACF图来确 定； 通过分析将其p,q值均定为 (1,1)， p， d， q值均确定， 可得出卷烟需求预测模型为ARIMA(1,1,1)(1,2,1)， 即为季节性 ARIMA模型。 7.根据权利要求3所述的基于组合预测法卷烟物流集散分拨中心信息系统， 其特征在 于， 所述基于 机器学习的卷烟需求组合预测模型的构建过程包括如下步骤， S1， 时间矩阵转换： 对模型进行训练拟合， 对时间序列而言， 假设在不同时间点t1, t2,…,tn的观测值可以用A(t1),A(t2),…,A(tn)来表示， 若tn+1时刻的观测值可表示 为 A(tn+1)＝f(A(tn),A(tn‑1),…,A(tn‑k+1)) 其中k＜n， 那么说明第tn+1时刻的观测值是其前k个时间点观测值的函数表达， 按时间 序列滚动预测； S2， 数据集切割： 进行机器学习对数据进行测试集和训练集划分， 训练集用于训练模 型， 测试集则是根据训练集的训练结果 来评判最终训练效果； S2， 预测结果： 经过14次迭代， 得出预测模型测试结果， 将图中结果转换为表并计算误 差。 8.根据权利要求1所述的基于组合预测法卷烟物流集散分拨中心信息系统， 其特征在 于， 所述基于物流联盟的卷烟工商业成品前置库的构建过程包括如下步骤， S1， 建立前置库选址评价模型： 通过定性与定量相结合的方法， 确定前置库的备选点， 以仓储成本、 变动 成本、 运输成本及货损成本之和最小值， 服务可靠度最大化为目标， 转换 成数学公式， 建立前置库选 址数学模型； S2， 选址最优点确定： 根据建立的前置库选址数学模型， 利用Python语言进行编程求 解， 得到目标函数最优解， 获得最优解所在地区的经纬度， 利用地图进行可视化转换， 得知 该经纬度对应地 点。 9.根据权利要求8所述的基于组合预测法卷烟物流集散分拨中心信息系统， 其特征在 于， 所述前置库选 址评价模型的构建过程包括如下步骤， S1， 决策变量及参数定义： L—各工业企业的集 合， L＝(1， 2，……， p)； I—前置库备选点的集 合， I＝(1， 2，……， m)； J—物流中心需求 点集合， J＝(1， 2， ……,n)； hil—从工厂l到 仓库i的运输单价； wil—从工厂l到 仓库i的运输量； qil—从工厂l到 仓库i的里程； dj—各物流中心需求 点j的需求 量d； Ci—设置仓库备选节点 i的固定成本； Si—仓库备选节点 i的最大供应量； cij—从仓库备选节点 i向物流中心点j仓库的运输里程；权　利　要　求　书 2/3 页 3 CN 114266395 A 3