2023-CUMCM-C: 蔬菜类商品的自动定价与补货决策

本项目为 2023年全国大学生数学建模竞赛 C题（蔬菜类商品的自动定价与补货决策） 的解决方案代码仓库。项目旨在利用历史销售数据，建立数学模型，解决生鲜商超在蔬菜品类的定价与补货策略问题，以最大化商超收益。

项目背景

生鲜商超中，蔬菜类商品保鲜期短、品控难，且销量极易受时间和价格影响。如何制定合理的每日补货量和定价策略，在满足市场需求的同时减少损耗、最大化利润，是商超运营的核心痛点。

本项目通过以下步骤解决该问题：

1. 数据分析与清洗：处理历史销售流水、批发价格及损耗率数据。
2. 需求预测：利用 LSTM/Transformer 模型预测未来 7 天的销量、批发价及销售单价。
3. 定价决策：基于价格弹性系数，分析价格对销量的影响。
4. 优化求解：使用粒子群算法在满足约束条件下寻找最优补货量和定价策略。

项目结构

1. 核心流程

按以下顺序运行脚本，体验完整的解决流程：

文件名	描述	输入	输出
step1.py	数据预处理：读取附件1-3，清洗、合并并按日聚合数据。	附件1-3.xlsx	outpics/step1_aggregated_daily_data.csv
step2.py	弹性计算：计算各品类的价格弹性系数（OLS回归）。	step1_*.csv	outpics/step2_price_elasticities.json
step3.py	时序预测：基于 LSTM 预测未来 7 天的销量及价格。	step1_*.csv	outpics/step3_lstm_predictions.csv
step4.py	策略优化：利用 PSO (粒子群算法) 求解最优补货量与定价。	step3_*.csv, step2_*.json	outpics/step5_optimal_strategy.csv

2. 高级模型

包含更复杂的模型实现（Transformer）及改进的预测逻辑：

• best1.py / best2.py：集成了数据处理、特征工程（季节性分解、周期特征）与 Transformer 预测模型的完整脚本。相比基础 LSTM，Transformer 在捕捉长序依赖上表现更优。
  • 特点：使用 Huber Loss、RobustScaler、EarlyStopping 等策略提升模型鲁棒性。
  • 输出：生成详细的预测图表（保存在 plots/ 目录下）。

3. 辅助/实验脚本

• 数据集读入.py：独立的数据读取脚本，包含对 附件4（损耗率）的处理逻辑。
• 价格LSTM.py：专注于使用 Optuna 框架对 LSTM 模型进行超参数自动寻优（针对批发价预测）。
• 粒子群.py：PSO 算法的独立实现或变体。

环境依赖

依赖以下库：

pip install pandas numpy matplotlib seaborn scikit-learn statsmodels tensorflow torch optuna openpyxl

使用

分步运行

理解每一步的中间结果。

1. 确保 附件1.xlsx 至 附件4.xlsx 位于项目根目录。
2. 依次运行：

   python step1.py  # 生成聚合数据
   python step2.py  # 计算价格弹性
   python step3.py  # 训练LSTM并预测
   python step4.py  # 运行PSO优化，得到最终策略

3. 查看 outpics/ 目录下的结果文件。

运行高级模型

获取更高精度的预测结果。

1. 运行 best2.py：

   python best2.py

2. 程序将自动进行数据清洗、特征构建、模型训练及预测，并生成可视化图表。

结果展示

• 预测结果：各品类未来一周的销量、成本及建议售价。
• 最优策略：每日各品类的具体补货量 (kg) 和 定价策略 (加成率)。
• 可视化：生成的销量趋势图保存在 plots/ 文件夹中。

贡献

本项目由以下参与者贡献和维护：

@aprlost	@xphfdp