Supermarket Vegetable Commodities Based on TOPSIS-ARIMA Modeling Optimization Research on Replenishment and Pricing
Notice bibliographique
Résumé
With the development of social economy, green and healthy food has gradually become the primary choice of consumers, thus intensifying the competition of vegetable commodities, resulting in the supply of vegetables sometimes exceeds the demand. However, since vegetables are characterized by a short freshness period and deterioration of dish quality, different factors affecting the sales and selling price of the commodities are considered comprehensively to meet the superstore to obtain the maximum return. Firstly, considering that the cost-plus pricing of vegetable commodities has a strong correlation with the discount price, transportation loss rate and storage time, the Topsis model is established to evaluate the different degrees of influence of the above factors, which results in the degrees of influence of the discount price, the transportation loss rate and the storage time on the cost-plus pricing of 21%, 42% and 37%, respectively. Secondly, we calculated the values of the above four indexes and obtained the linear fitting function between the total sales volume and the indexes, and concluded that the discount price is positively related to the total sales volume, with the maximum slope of 9.3218 and the minimum of 0.64; while the cost-plus pricing is negatively correlated with the total sales volume, with the minimum slope of -13.12 and the maximum slope of -0.944, which indicates that when the discount degree is bigger and the cost-plus pricing is lower, each vegetable category will be affected by the discount price and the cost-plus pricing. The lower the discount level and the lower the cost-plus pricing, the higher the sales volume of each vegetable category. Then the autoregressive model (AR) and autoregressive integral sliding average model (ARIMA) are used to fit the maximum value of interest to the sales price and sales volume of cauliflower and aquatic roots and tubers over time in three years to form a training set, and finally the daily replenishment total and pricing of each vegetable category in the coming week are predicted to give advice to the superstores on replenishment and pricing to maximize the revenue of the superstores.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».