利用深度学习对抗竞争性在线外卖平台中的牛鞭效应

易腐物品的浪费导致了严重的健康和经济危机，增加了商业不确定性和客户需求的波动。在线外卖服务加剧了这一问题，频繁且不可预测的订单在供应链管理中造成低效，从而引发牛鞭效应。这种效应导致缺货、库存过剩和效率低下。准确的需求预测有助于稳定库存、优化供应商订单并减少浪费。本文提出了一个涉及餐厅、在线外卖应用和客户的第三方物流（3PL）供应链模型，以及一个使用两阶段长短期记忆（LSTM）网络的基于深度学习的需求预测模型。第一阶段即日内预测，捕捉短期变化；第二阶段即每日预测，预测总体需求。使用了 2023 年 1 月至 2025 年 1 月来自 Swiggy 和 Zomato 的两年数据集，采用离散事件模拟和网格搜索来寻找最优的 LSTM 超参数。所提出的方法使用 RMSE、MAE 和 R-squared 分数进行评估，以 R-squared 作为主要准确度衡量标准。第一阶段在 Zomato 上实现了 0.69 的 R-squared 分数，在 Swiggy 上实现了 0.71，训练时间为 12 分钟；而第二阶段在 Zomato 上提高到 0.88，在 Swiggy 上提高到 0.90，训练时间为 8 分钟。为了缓解需求波动，使用报童模型动态管理餐厅库存，并根据预测需求进行调整。所提出的框架显著减少了牛鞭效应，提高了预测准确性和供应链效率。对于第一阶段，供应链不稳定性从 2.61 降至 0.96，对于第二阶段，从 2.19 降至 0.80。这证明了该模型在减少食物浪费和维持最佳餐厅库存水平方面的有效性。