采集的数据源为某一年内 365 天的全部日常订单，涉及 46 种商品。在评估货位优化模型效果时，本文将一年的订单作为训练样本，使用次年 1 月的订单进行效果检验。
.......................
第 6 章 总结与展望
6.1 总结
随着近年来电子商务行业的蓬勃发展，物流行业对其形象的影响力也愈加深远。在这种环境下，本文从仓储环节入手，结合快消品的销售特点提出了基于异常检测与时序关联的库位优化模型，深入研究了异常检测、序列模式挖掘算法与货位分配的相关理论与技术，改进了异常检测相关算法，利用序列模式建立的库位分配优化模型，实现了对快消品的入库分配优化与拣选效率提升。现将本文的主要工作总结如下：
通过对实例数据特点将商品分为两类，并设计改进了两种不同的异常检测算法用以筛选出冲动消费订单。对于占比较低且销量较低的奢侈品类商品，设计改进了 SW-SVR 算法，结合基于窗口的算法与基于模型预测的算法优点，对常规销售日及小幅度的促销波动都有较高的适应性，验证结果表明在算法效率符合要求的情况下能非常好的拟合销售曲线，对较小的销售波动也有良好的包容性。对占比较高且数据量偏大的普通品类商品，利用了 iForest（孤立森林）算法的高效率结合 K-means 算法对算法敏感度进行调节，使得设计融合的K-iForest 算法兼具高效性和可控性。经验证可知该算法表现出 K-means 算法可以有效降低 iForest 的敏感性，且保持算法的高效率。
通过对化妆品销售特点的分析，建立起基于商品关联度，季节因子，仓库布局，货架特点，周转情况等多方面特征值，形为二进制整数规划的库位优化模型。由于利用 GSP 算法对剔除冲动消费订单后的数据进行分析挖掘，经验证表明得到的关联因子更为真实可靠。利用近一年的实例数据对模型进行评估，证明了本文提出的模型能够对周转率和关联度对模型的影响力进行动态调整。通过拣选测试表明该模型可以有效缩短订单拣选的路径长度，显著提升了仓库拣选效率，节约人力成本。
参考文献（略）
