# Vegetable-Pricing-Restocking-Model

**Repository Path**: warriorlago/Vegetable-Pricing-Restocking-Model

## Basic Information

- **Project Name**: Vegetable-Pricing-Restocking-Model
- **Description**: 本项目参加了2023年高教社杯全国大学生数学建模竞赛，针对蔬菜类商品的自动定价与补货决策问题进行了深入的研究。生鲜商品具有保质期短、需求波动大的特点，商超需要在合理的时间和价格范围内对商品进行销售。为了解决蔬菜类商品的定价与补货决策问题，利用数学建模技术，通过历史销售数据、时间序列分析、BP神经网络等工具，提出了自动定价与补货决策的解决方案。
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 2
- **Forks**: 0
- **Created**: 2024-09-10
- **Last Updated**: 2025-05-17

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

## 项目标题：

**蔬菜类商品的自动定价与补货决策**
**——2023年高教社杯全国大学生数学建模竞赛（C题）**

## 获奖情况：

**省级二等奖**

## 项目背景：

本项目参加了2023年高教社杯全国大学生数学建模竞赛，针对蔬菜类商品的自动定价与补货决策问题进行了深入的研究。生鲜商品具有保质期短、需求波动大的特点，商超需要在合理的时间和价格范围内对商品进行销售。为了解决蔬菜类商品的定价与补货决策问题，我们利用数学建模技术，通过历史销售数据、时间序列分析、BP神经网络等工具，提出了自动定价与补货决策的解决方案。

## 项目描述：

该项目旨在通过对历史数据的分析，自动生成蔬菜类商品的定价与补货方案，目标是通过合理的定价和补货决策，最大化商超的利润，减少滞销和浪费。

### 问题拆解：

1. 分析各蔬菜类别及单品的销售量分布，研究其相互关系。
2. 预测未来一周内各蔬菜的销量与定价策略。
3. 根据预测结果，优化各类蔬菜的补货与定价方案。
4. 提供其他可能优化的相关数据分析与建议。

### 项目流程：

1. **数据预处理**：
   - 清洗原始数据，进行正态分布检验、相关性分析及数据平稳性检验。
   - 进行皮尔逊和斯皮尔曼相关系数计算，分析各蔬菜类别和单品的销售关系。
2. **销量预测**：
   - 使用时间序列分析模型（如ARIMA、BP神经网络）对蔬菜的销量进行预测(main2.2_时间序列预测)(main2.3_BP神经网络预测)。
3. **定价模型**：
   - 建立基于加权成本的定价模型。通过批发价、损耗率和前一天售价等数据计算合理的定价(main2.3_BP神经网络预测)。
4. **补货决策**：
   - 通过非线性规划和模拟退火算法，优化各单品的补货量，确保商品能够及时补充并且不会滞销。

## 使用方法：

该项目使用Python编写，包含多个Jupyter Notebook文件，具体步骤如下：

### 1. 数据预处理：

- **main1.1_预处理及描述性分析.ipynb**：对数据进行预处理，包括去除缺失值、描述性统计分析等。
- **main1.2_时间序列前的平稳性检验.ipynb**：进行时间序列平稳性检验，确保数据的时间序列特性。
- **main1.3_正态分布检验.ipynb**：对数据进行正态分布检验，确定相关分析方法的合理性。

### 2. 相关性分析：

- **main1.4_用皮尔逊相关系数求分类.ipynb**：通过皮尔逊相关系数，分析不同蔬菜类别之间的销售关系。
- **main1.5_用斯皮尔曼相关系数求单品.ipynb**：使用斯皮尔曼相关系数分析各单品之间的相关性。

### 3. 销量与定价预测：

- **main2.2_时间序列预测.pdf**：基于时间序列模型进行销量预测(main2.2_时间序列预测)。
- **main2.3_BP神经网络预测.docx**：使用BP神经网络对未来销量进行预测(main2.3_BP神经网络预测)。

### 4. 定价与补货决策：

- **main3.1_时间序列预测销售量.ipynb**：对不同类别蔬菜的销量进行预测。
- **main3.2_单品成本加成定价.ipynb**：通过成本加成定价法进行定价预测。
- **main3.5_算法求解.ipynb**：使用模拟退火算法求解最优补货与定价方案。

### 5. 结果展示：

- **第三问结果.xlsx**：展示最终的定价与补货决策结果(main2.3_BP神经网络预测)。

## 数学模型与方法：

1. **皮尔逊相关系数和斯皮尔曼相关系数**：用于衡量不同蔬菜之间的相关性。
2. **时间序列分析**：用于预测未来蔬菜的销量。
3. **BP神经网络**：用于捕捉销售数据的非线性趋势。
4. **成本加成定价模型**：基于批发价、损耗率等因素计算合理的定价。
5. **非线性规划**：在补货决策中，使用非线性规划求解最优解。
6. **模拟退火算法**：用于优化补货量和定价策略，确保方案在全局最优范围内。

## 结论：

该项目通过数学建模、机器学习等技术，成功构建了蔬菜类商品的自动定价与补货模型，综合考虑了历史销售数据、商品成本、损耗率等因素，提出了一种高效、科学的定价与补货方案。在省级数学建模竞赛中，该项目获得了二等奖，展示了其创新性和应用价值。