大数据驱动的快消品终端拜访“云-边”联动决策与优化

doi:10.3901/JME.2024.06.058

机械工程学报 ›› 2024, Vol. 60 ›› Issue (6): 58-68.doi: 10.3901/JME.2024.06.058

• 特邀专栏：数据-知识混合驱动的智能制造系统 • 上一篇下一篇

扫码分享

大数据驱动的快消品终端拜访“云-边”联动决策与优化

赵阔¹, 王皂琦^1,2, 潘臻信¹, 潘扬华³, 张中飞⁴, 屈挺^1,3

1. 暨南大学智能科学与工程学院珠海 519070;
2. 暨南大学信息科学技术学院广州 510000;
3. 暨南大学物联网与物流工程研究院珠海 519070;
4. 暨南大学管理学院广州 510000

收稿日期:2023-04-10 修回日期:2023-12-21 出版日期:2024-03-20 发布日期:2024-06-07
通讯作者: 屈挺，男，1979年出生，博士，教授，博士研究生导师。主要研究方向为制造物联网、生产物流及供应链管理，工业工程。E-mail：quting@jnu.edu.cn
作者简介:赵阔，男，1977年出生，博士研究生。主要研究方向为机械工程、物联网、大数据、人工智能、区块链。E-mail：zhaokuo@jnu.edu.cn;王皂琦，男，1998年出生，主要研究方向为人工智能。E-mail：wangzaoqi98@163.com;潘臻信，男，1998年出生，主要研究方向为人工智能。E-mail：pan_zhenxin_apply@163.com
基金资助:
2019年度“广东特支计划”本土创新创业团队(2019BT02S593)、国家自然科学基金(51875251)、 2018年度广州市创新领军团队(201909010006)和中央高校基本科研业务费专项资金(11618401)资助项目。

Big Data-driven FMCG Terminal Visits "Cloud-side" Based Decision-making and Optimization

ZHAO Kuo¹, WANG Zhaoqi^1,2, PAN Zhenxin¹, PAN Yanghua³, ZHANG Zhongfei⁴, QU Ting^1,3

1. School of Intelligent Systems Science and Engineering, Jinan University, Zhuhai 519070;
2. College of Information Science and Technology, Jinan University, Guangzhou 510000;
3. Institute of Physical Internet, Jinan University, Zhuhai 519070;
4. School of Management, Jinan University, Guangzhou 510000

Received:2023-04-10 Revised:2023-12-21 Online:2024-03-20 Published:2024-06-07

摘要/Abstract

摘要： 随着我国的快消品消费市场快速增长，快消品公司的终端拜访成本显著增加，同时终端拜访场景面临着终端信息的实时获取、动态的决策与客户需求动态响应的问题。提出针对快消品终端拜访问题的“云边联动信息架构”，设计“动态云边联动机制”，同时结合深度强化学习算法优化系统决策。经试验仿真结果表明，有效地减少终端拜访人员的在途里程数。针对快消品终端拜访场景，能有效地提高公司终端拜访人员的服务水平，维系客情关系，从而达到提高销量、提升订单转化率等目的。

关键词: 终端拜访, 联动决策, 强化学习

Abstract: With the rapid growth of consumer market of FMCG(Fast moving consumer goods), companys' terminal visit cost have increased significantly. At the same time, the terminal visit scene is faced with the problems of obtaining terminal information in real time, making dynamic decisions and responding to customer demand dynamically. The "dynamic cloud-side linkage information architecture" and "dynamic cloud-side linkage mechanism" for FMCG terminal visit problem is proposed. At the same time, the deep reinforcement learning algorithm is used to optimize the system decision. The simulation results show that it can effectively reduce the traveling mileage of terminal visitors. For the FMCG terminal visit scenario, it can effectively improve the terminal service level of enterprises, maintain customer relationship, so as to achieve the purpose of increasing sales volume and order conversion rate.

Key words: terminal visits, linkage decision, reinforcement learning

中图分类号:

TP399

赵阔, 王皂琦, 潘臻信, 潘扬华, 张中飞, 屈挺. 大数据驱动的快消品终端拜访“云-边”联动决策与优化[J]. 机械工程学报, 2024, 60(6): 58-68.

ZHAO Kuo, WANG Zhaoqi, PAN Zhenxin, PAN Yanghua, ZHANG Zhongfei, QU Ting. Big Data-driven FMCG Terminal Visits "Cloud-side" Based Decision-making and Optimization[J]. Journal of Mechanical Engineering, 2024, 60(6): 58-68.

参考文献

[1] 王爱玲，李春玲. 快速消费品终端拜访研究[J]. 企业活力，2008，23(10)：52-53. WANG Ailing，LI Chunling. FMCG terminal visit research[J]. Corporate vitality，2008，23(10)：52-53.
[2] 宣陈林. 深圳市烟草坪山公司零售客户拜访与服务流程的优化研究[D]. 兰州：兰州大学，2020. XUAN Chenlin. Optimization research on retail customer visit and service process of shenzhen tobacco pingshan company[D]. Lanzhou：Lanzhou University，2020.
[3] 徐波，陈欢，田定胜，等. 基于的智能巡检机器人避障算法[J]. 供用电，2020，37(12)：74-80 XU Bo，CHEN Huan，TIAN Dingsheng，et al. Obstacle avoidance algorithm of intelligent inspection robot based on dijkstra[J]. Distribution & Utilization，2020，37(12)：74-80.
[4] 程鹏举，孟凡坤，李爽，等. A^*与蚁群算法在火灾逃生中的应用分析[J]. 通信技术，2020，53(11)：2680-2686. CHENG Pengju，MENG Fankun，LI Shuang，et al. Application analysis of A* and ant colony algorithm in fire escape[J]. Communication Technology，2020，53(11)：2680-2686.
[5] 易小泉. 出租车最优路径算法求解[J]. 计算机产品与流通，2020，36(6)：134-136 YI Xiaoquan. Floyd algorithm to solve the optimal taxi route[J]. Computer Products and Circulation，2020，36(6)：134-136.
[6] 龚铭凡，徐海祥，冯辉，等. 基于改进蚁群算法的智能船舶路径规划[J]. 武汉理工大学学报，2020，44(6)：1072-1076 GONG Mingfan，XU Haixiang，FENG Hui，et al. Intelligent ship path planning based on improved ant colony algorithm[J]. Journal of Wuhan University of Technology，2020，44(6)：1072-1076.
[7] 徐美清，刘洞波. 基于神经网络和遗传算法的移动机器人路径规划[J]. 南方农机，2020，51(21)：13-14，19. XU Meiqing，LIU Dongbo. Mobile robot path planning based on neural network and genetic algorithm[J]. China Southern Agricultural Machinery，2020，51(21)：13-14，19.
[8] RAO T，KHAN A，MASCHENDRA M，et al. A paradigm shift from cloud to fog computing[J]. International Journal of Science，Engineering and Computer Technology，2015，5(11)：385-385.
[9] SHI W，CAO J，ZHANG Q，et al. Edge computing：Vision and challenges[J]. IEEE Internet Things，2016，3(5)：637-646
[10] DOLUI K，DATTA S. Comparison of edge computing implementations：Fog computing，cloudlet and mobile edge computing[C]//2017 Global Internet of Things Summit (GIoTS). IEEE，2017：1-6.
[11] HONG H J. From cloud computing to fog computing: unleash the power of edge and end devices[C]//2017 IEEE international conference on cloud computing technology and science (CloudCom). IEEE，2017：331-334.
[12] QU T，PAN Y，LIU X，et al. Internet of things-based real-time production logistics synchronization mechanism and method toward customer order dynamics[J]. Transactions of the Institute of Measurement and Control，2017，39(4)：429-445.
[13] 雷水平. 物联制造系统中考虑云资源的“生产—物流”两级联动控制方法[D]. 广州：广东工业大学，2016. LEI Shuiping. Two-level control method for an IoT-based production logistics synchronization system with cloud resources[D]. Guangzhou：Guangdong University of Technology，2016.
[14] 张航. 面向物联网的RFID技术研究[D]. 上海：东华大学，2011. ZHANG Hang. Research on IoT-Oriented RFID[D]. Shanghai：Donghua University，2011.
[15] 陈奕东. 物联网环境下的动态JIT循环取货物流两阶段规划方法与研究[D]. 广州：广东工业大学，2015. CHEN Yidong. Research on a two-stage planning method for dynamic Just-in-Time Milk-run logistics under internet of things environment[D]. Guangzhou：Guangdong University of Technology，2015.
[16] MOHAMMADREZA N，AFSHIN O，et al. Deep reinforcement learning for solving the vehicle routing problem[J]. arXiv preprint arXiv：1802.04240，2018.
[17] 董冬艳. 基于生鲜农产品的冷链物流配送路径优化研究[D]．沈阳：沈阳大学，2017． DONG Dongyan. Study on route optimization of cold chain logistics based on fresh agricultural products[D]. Shenyang：Shenyang University，2017.

大数据驱动的快消品终端拜访“云-边”联动决策与优化

Big Data-driven FMCG Terminal Visits "Cloud-side" Based Decision-making and Optimization

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	王无印, 黄子钊, 庄子龙, 方怀瑾, 秦威. 基于深度强化学习的自动化码头堆场场桥调度方法[J]. 机械工程学报, 2024, 60(6): 44-57.
[2]	郭景华, 李文昌, 王班, 王靖瑶. 基于深度强化学习的网联混合动力汽车队列控制[J]. 机械工程学报, 2024, 60(2): 262-271.
[3]	李文礼, 张祎楠, 石晓辉, 王梦昕. 基于博弈论的右转无信号交叉口行人行为模拟[J]. 机械工程学报, 2024, 60(10): 86-101.
[4]	曾迪, 郑玲, 李以农, 杨显通. 自动驾驶奖励函数贝叶斯逆强化学习方法[J]. 机械工程学报, 2024, 60(10): 245-260.
[5]	杨硕, 李时珍, 赵中原, 黄小鹏, 黄岩军. 基于时序差分学习模型预测控制的一体化自动驾驶换道策略[J]. 机械工程学报, 2024, 60(10): 329-338.
[6]	张志勇, 黄大洋, 黄彩霞, 胡林, 杜荣华. TD3算法改进与自动驾驶汽车并道策略学习[J]. 机械工程学报, 2023, 59(8): 224-234.
[7]	郭洪飞, 陆鑫宇, 任亚平, 张超勇, 李建庆. 基于强化学习的群体进化算法求解双边多目标同步并行拆解线平衡问题[J]. 机械工程学报, 2023, 59(7): 355-366.
[8]	郑湃, 李成熙, 殷悦, 张荣, 鲍劲松, 王柏村, 谢海波, 王力翚. 增强现实辅助的互认知人机安全交互系统[J]. 机械工程学报, 2023, 59(6): 173-184.
[9]	娄山河, 冯毅雄, 郑浩, 胡炳涛, 洪兆溪, 谭建荣. 模拟人脑工作机制的机械产品概念设计行为原理启发求解方法[J]. 机械工程学报, 2023, 59(24): 344-358.
[10]	马丽莹, 魏云冰. 基于DDPG算法的发电企业报价策略研究[J]. 电气工程学报, 2023, 18(2): 192-200.
[11]	林歆悠, 叶卓明, 周斌豪. 基于DQN强化学习的自动驾驶转向控制策略[J]. 机械工程学报, 2023, 59(16): 315-324.
[12]	钟沛成, 骆德渊, 庞明君. 基于深度强化学习的四足机器人跟随策略研究及系统实现[J]. 机械工程学报, 2023, 59(13): 79-88.
[13]	顾文斌, 李育鑫, 刘斯麒, 苑明海, 裴凤雀. 数据驱动的智慧车间实时调度方法研究[J]. 机械工程学报, 2023, 59(12): 47-61.
[14]	陈睿奇, 黎雯馨, 王传洋, 杨宏兵. 基于深度强化学习的工序交互式智能体Job shop调度方法[J]. 机械工程学报, 2023, 59(12): 78-88.
[15]	唐小林, 陈佳信, 高博麟, 杨凯, 胡晓松, 李克强. 基于云控系统高精度地图驱动的深度强化学习型混合动力汽车集成控制[J]. 机械工程学报, 2022, 58(24): 163-177.