“華中杯B題”庫存補(bǔ)單及銷量預(yù)測

1、庫存補(bǔ)單及銷量預(yù)測摘要本文針對(duì)商品銷量預(yù)測及商家補(bǔ)單的運(yùn)營操作，使商家在滿足一定的社會(huì)效益和獲得最大經(jīng)濟(jì)效益的前提下，采用層次聚類和灰色預(yù)測分析，建立了灰色系統(tǒng)模型，從而預(yù)測未來一月的銷量，通過建立基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的時(shí)間序列分析預(yù)測未來5天各種商品的銷量。基于貨物樣本的隨機(jī)分布，采用隨機(jī)變量，給出上新量的置信區(qū)間和理想的補(bǔ)單策略，分別得出：上新量與延期比的范圍分布情況，不同季度商品的上新量與延期比的分布，提供了關(guān)于商家采集購置數(shù)據(jù)的合理化建議和商家進(jìn)行補(bǔ)單的較好策略，并給出模型的改進(jìn)意見。針對(duì)問題一，通過查閱相關(guān)資料并結(jié)合附件一，收集相關(guān)商品不同時(shí)期的銷售量，用Excel處理數(shù)據(jù)，得出相關(guān)矩陣

2、并結(jié)合MATLAB給出輪廓值分布圖，研究商品的分類類別。分別采用層次聚類與動(dòng)態(tài)聚類進(jìn)行相關(guān)研究，得出較適宜的分類情況，確保各指標(biāo)能夠準(zhǔn)確的反映商品的銷售情況；最后確定灰色預(yù)測模型對(duì)未來銷量進(jìn)行預(yù)測。利用處理的數(shù)據(jù)對(duì)動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到較為準(zhǔn)確的各種商品在未來幾天的銷量。針對(duì)問題二，分別研究商品樣本數(shù)與商品上新量之間的關(guān)系和商品樣本數(shù)與商品延期比之間的關(guān)系，并結(jié)合相關(guān)直方圖進(jìn)行分析得出以上關(guān)系滿足正態(tài)分布最后利用統(tǒng)計(jì)學(xué)中的Q-Q圖，建立相關(guān)模型，對(duì)上新量的分布范圍以及置信區(qū)間直接進(jìn)行求解。針對(duì)問題三，做出每個(gè)季度中商品樣本與上新量及延期比之間的關(guān)系，觀察樣本分布直方圖，利用整體分布相關(guān)性質(zhì)，

3、同問題二中方法一樣對(duì)分布范圍以及總體置信區(qū)間進(jìn)行求解。針對(duì)問題四，整合前三問的求解結(jié)果，得出對(duì)未來銷量的趨勢，結(jié)合各個(gè)季度的上新量與延期比的分布范圍與置信區(qū)間，并且根據(jù)商品的使用性質(zhì)以及客戶群體的實(shí)際購買意愿，為商家有效謀劃。最后，寫一篇短文，給出具體的補(bǔ)單政策建議，從而提高商品的轉(zhuǎn)化率以及銷售數(shù)據(jù)。關(guān)鍵字：動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)灰色預(yù)測時(shí)間序列分析K-means均值法問題重述1.1問題背景在電商行業(yè)中經(jīng)常會(huì)出現(xiàn)補(bǔ)單的情況，其原因是買家突然增加了新的需求量有時(shí)也因?yàn)樯唐菲焚|(zhì)異常不能滿足客戶的需求。為了合理的解決補(bǔ)單問題，商家須考慮到以下兩個(gè)方面：第一是補(bǔ)單對(duì)現(xiàn)金流的占用。如果對(duì)補(bǔ)單情況預(yù)測過于樂觀，貨物

4、成本會(huì)對(duì)商家產(chǎn)生不少的壓力，還會(huì)導(dǎo)致的巨大資金流的占用，這對(duì)于許多電商都是一個(gè)頭疼的問題。第二是補(bǔ)單對(duì)庫存的影響，商品最終的銷量是取決于客戶對(duì)于補(bǔ)單的需求量一旦我們對(duì)補(bǔ)單情況估計(jì)過于樂觀，則會(huì)導(dǎo)致大量貨物積壓，貨物滯銷又會(huì)帶來倉儲(chǔ)問題，更重要的是還需要考慮清倉問題，清倉問題即是通過各種營銷手段以更低的成本來銷售商品，這時(shí)不僅會(huì)導(dǎo)致資金流移動(dòng)慢，還會(huì)導(dǎo)致企業(yè)利潤降低、資源浪費(fèi)、拉低品牌溢價(jià)等一系列問題。為了避免這兩種情況的發(fā)生，我們采取科學(xué)合理的補(bǔ)單預(yù)測是十分重要的。1.2問題提出1）請(qǐng)根據(jù)附件一中的銷量數(shù)據(jù)建立一個(gè)銷量預(yù)測的數(shù)學(xué)模型，要求至少能夠比較精確地預(yù)測未來五天的貨物銷量大?。?）請(qǐng)根據(jù)

5、附件二分析貨物的上新量和延期比的分布情況，并給出分布范圍及置信區(qū)間；3）請(qǐng)根據(jù)附件二中的數(shù)據(jù)進(jìn)一步分析各個(gè)季度貨物的上新量和延期比的分布情況，并給出分布范圍及置信區(qū)間；4）請(qǐng)根據(jù)上述分析結(jié)果，制定合理的補(bǔ)單策略，寫出具體操作流程。 二、問題分析買家增加需求量而追加訂單的情況稱之為補(bǔ)單，有時(shí)補(bǔ)單也指商品品質(zhì)不能滿足客戶而導(dǎo)致的追單。此外，商家補(bǔ)單的同時(shí)需考慮對(duì)資金流的影響以及對(duì)庫存的影響。問題一:題目要求通過附件一的數(shù)據(jù)對(duì)未來五天的銷量進(jìn)行預(yù)測，本文采用K-means均值法對(duì)銷量數(shù)據(jù)進(jìn)行聚類分析，由于附件一所給的貨號(hào)以及日期數(shù)據(jù)過于龐大，本文通過Excel表格對(duì)數(shù)據(jù)進(jìn)行矩陣化處理，將其轉(zhuǎn)化為貨物

6、（行）日期（列）的一個(gè)矩陣，并采取手肘法和輪廓系數(shù)法綜合來確定k值，最后再建立GM（1,1）模型對(duì)未來五天數(shù)據(jù)進(jìn)行預(yù)測。針對(duì)未來每天每種商品的銷量預(yù)測，通過建立的矩陣以每種商品的歷史銷量作為訓(xùn)練對(duì)象，建立每種商品的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)，通過網(wǎng)絡(luò)的時(shí)序分析對(duì)每種商品的銷量做出預(yù)測問題二：題目要求通過附件二的數(shù)據(jù)來探尋上新量和延期比與貨物種類的關(guān)系。首先將附件二中延期比和上新量兩類數(shù)據(jù)分別與貨物種類進(jìn)行對(duì)比，建立了兩個(gè)Excel數(shù)據(jù)表格，再把Excel表格導(dǎo)入SPSS來查看其分布情況，根據(jù)得到的直方圖，初步猜測其符合正態(tài)分布。再通過SPSS對(duì)其進(jìn)行正態(tài)性檢驗(yàn)，發(fā)現(xiàn)其顯著性為0.20.05，因而滿足正態(tài)分布

7、，故原猜測正確。問題三:題目要求通過附件二的數(shù)據(jù)來探尋第一、二、三季度的上新量和延期比與貨物種類之間的關(guān)系。首先從附件二中抽取第一、二、三季度的上新量和延期比數(shù)據(jù)并建立Excel表格并對(duì)表格數(shù)據(jù)進(jìn)行升序處理。為了便于觀察上新量和延期比的分布情況，我們將升序后的數(shù)據(jù)劃分為幾個(gè)等區(qū)間長度的區(qū)間。通過觀察發(fā)現(xiàn)，大部分的數(shù)據(jù)集中在前幾個(gè)區(qū)間，于是再對(duì)前幾個(gè)區(qū)間進(jìn)行細(xì)劃分，最終得到的幾個(gè)不等的區(qū)間，再用MATLAB中作出直方圖，根據(jù)直方圖猜測滿足正態(tài)分布。為了驗(yàn)證猜想，對(duì)樣本數(shù)據(jù)進(jìn)行正態(tài)檢驗(yàn)并作出QQ圖，得到的顯著性均大于0.05，故原猜想證實(shí)。問題四:題目要求通過分析前三問的結(jié)果給予商家補(bǔ)單的一些合理

8、建議。首先，對(duì)前三問的結(jié)果進(jìn)行整合，根據(jù)第一問的銷量預(yù)測，很好的預(yù)測出未來五天的銷量，再結(jié)合上新量和延期比的誤差分析以及附件二中各個(gè)季度的銷售數(shù)據(jù)，綜合確定補(bǔ)單的數(shù)量，以期達(dá)到增加商品利潤和轉(zhuǎn)化率的目的三、模型假設(shè)假設(shè)客戶的需求不會(huì)驟減或驟升。假設(shè)客戶的需求不會(huì)發(fā)生過大的變化。假設(shè)題目所給的數(shù)據(jù)準(zhǔn)確無誤。假設(shè)未來時(shí)間無其他因素影響商品銷量。四、符號(hào)說明 五、模型的建立和求解5.1問題一的模型建立與求解問題分析在附件一中，數(shù)據(jù)量冗余，不同種類的貨物可能由于季節(jié)性差異以及商品屬性造成供不應(yīng)求或供過于求的局面，若商家未預(yù)測到市場行情，則或多或少會(huì)造成一定的損失。因此在對(duì)數(shù)據(jù)處理時(shí)，利用不同產(chǎn)品在不同

9、的月份的銷售量，將標(biāo)定的數(shù)據(jù)進(jìn)行相關(guān)離散化處理，根據(jù)不同產(chǎn)品的交易特征做出聚類輪廓圖，進(jìn)行聚類的方法采用，首先采用輪廓值分布，確定最佳分類類別，采用層次聚類與動(dòng)態(tài)聚類，綜合比較兩種聚類的差異性,利用灰色預(yù)測分析選取具有代表性的一類進(jìn)行相關(guān)預(yù)測，將其定量研究，得到連續(xù)幾個(gè)時(shí)間段內(nèi)的商品銷售趨勢。簡化時(shí)序分析難度，同時(shí)提高對(duì)特征統(tǒng)計(jì)量的估計(jì)精度，進(jìn)而預(yù)測未來五天貨物銷量。針對(duì)問題一附件中提供的各種商品在一些時(shí)間段的銷量信息，需要建立較為準(zhǔn)確的模型能夠精準(zhǔn)預(yù)測未來五天的各種商品的銷量。首先，需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理和挖掘，建立各種商品在各個(gè)時(shí)間段內(nèi)的銷量矩陣。其次，從矩陣中抽出各種商品隨時(shí)間變化的銷量向

10、量，以該向量為訓(xùn)練對(duì)象，使用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的NAR（只有因變量，無自變量的時(shí)間序列）模型對(duì)其進(jìn)行訓(xùn)練和測試。最后，使用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)未來五天各種商品的銷量做出預(yù)測。數(shù)據(jù)預(yù)處理根據(jù)附件一提供的各種商品銷量數(shù)據(jù)，使用Excel以商品名為橫軸，時(shí)間為縱軸建立486x333的矩陣，矩陣反應(yīng)各種商品在各個(gè)時(shí)間的銷量信息，具體見附件一處理.xlsx。利用MATLAB中的randperm函數(shù)隨機(jī)抽取3中商品的銷量向量，通過圖形可視化來粗略判斷其銷量趨勢，隨機(jī)抽取的商品銷量趨勢圖如下所示：吋間圖1-1：隨機(jī)抽取的商品銷量趨勢圖從圖中可以看到商品的銷量具有明顯的非線性趨勢，且具有季節(jié)性。利用MATLAB中的t

11、onndata函數(shù)對(duì)矩陣每一列數(shù)據(jù)轉(zhuǎn)換為標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)單元數(shù)組形式。K-means聚類分析與GM（1,1）模型大大1.K一means法聚類（1）做出問題的平均輪廓值與分類數(shù)的關(guān)系圖并考慮K-means聚類先用輪廓值對(duì)KMeans方法得到的聚類結(jié)果進(jìn)行評(píng)價(jià)，并據(jù)此確定最佳的類別數(shù)。此外，對(duì)于聚類的執(zhí)行選擇由KMeans方法來實(shí)現(xiàn)，是因?yàn)樵撍惴ǖ倪m應(yīng)范圍最廣。KMeans算法的一般步驟如下；從n個(gè)數(shù)據(jù)對(duì)象任意選擇k個(gè)對(duì)象作為初始聚類中心循環(huán)到直到每個(gè)聚類不再發(fā)生變化根據(jù)每個(gè)聚類對(duì)象的均值（中心對(duì)象），計(jì)算每個(gè)對(duì)象與這些中心對(duì)象的距離，并根據(jù)最小距離重新對(duì)相應(yīng)對(duì)象進(jìn)行劃分。重新計(jì)算每個(gè)（有變化）聚類的

12、均值（中心對(duì)象），直到聚類中心不再變化。這種劃分使得下式最小E丄工/=1xewij其中計(jì)各類的中心。現(xiàn)在先以商品在每個(gè)月的銷量為研究對(duì)象，生成貨號(hào)月份表，來確定最佳類別。確定最佳分類數(shù)后就可以同時(shí)使用常用的集中聚類方法對(duì)該問題進(jìn)行聚類，然后比較哪種算法對(duì)該問題更合適，同時(shí)還可以比較各算法對(duì)該問題是否具有很好的一致性。運(yùn)行程序，就可以得到該問題的平均輪廓值與分類數(shù)的關(guān)系圖和類別在221類時(shí)每類的輪廓值分布圖。對(duì)于聚類問題，我們一方面希望聚類的數(shù)量比較適中，另一方面也希望每個(gè)樣品的輪廓值盡量高。因此觀察下列輪廓圖可知，類別為1621類時(shí)分級(jí)效果明顯，其余類別圖案分級(jí)較不明顯。所以綜合以上分析，對(duì)于

13、這個(gè)問題，最佳的類別數(shù)選為20比較合適。聚類方法都有一定的隨機(jī)性，所以每次執(zhí)行的程序會(huì)有一些差異，但總體趨勢是一致的。圖1-2輪廓值與聚類類別數(shù)的關(guān)系Sli-fS2處III曲錚Sisfn-43.5DO.514II輪耶tn初1O.5OO.5&親I寸整川住憫（丸23L_.-O.5圖1-3類別為25時(shí)每類的輪廓值分布圖申犬I寸空“件擁代J.518浚I才帕他曲依-3豐&概鍛y社I吋帕宜応斷三fiiO0.5-I圖1-4類別為6-9類時(shí)每類的輪廓值分布圖4昌021111O壯寸1*1勺車応卩忡存112址寸白句松恂仃P(guān)OO.S11址nJ打引車口再忙恒壯n打叼楝碎!u恒珮耶（電圖1-5類別為10-13類時(shí)每類的

14、輪廓值分布圖斗半HF|勺輪臚NtHA.3QS0UHXS811InC1.5從sntaJfeSBiS甘邈FHT由守沖帝那伯:UW.523,n;可11O.5松那仃51圖1-6類別為14-17類時(shí)每類的輪廓值分布圖1JVT二二日米H寸期它那值Q-O.SNO夬I時(shí)郎M奄憐f丸也占OO.S-I輪噸ok43sa1輪snfs：OO_S-I輪嘟dl圖1-7類別為18-21類時(shí)每類的輪廓值分布圖綜合上圖輪廓圖，選為20類時(shí)，每類包含的樣本個(gè)數(shù)如下表所示表1-1不同類別對(duì)應(yīng)的樣本數(shù)類12345678910111213141516171819208411911221911718127218169311.聚類分析距離：

15、對(duì)樣品進(jìn)行聚類時(shí)，“靠近”往往由某種距離來刻畫。若每個(gè)樣品有p個(gè)指標(biāo)，故每個(gè)樣品可以看成p維空間中的一個(gè)點(diǎn)，n個(gè)樣品就組成p維空間中的n個(gè)點(diǎn)，樣品與指標(biāo)構(gòu)成一個(gè)矩陣，此時(shí)就可以用距離來度量樣品之間的接近程度。令x表示第i個(gè)樣品的第j個(gè)指標(biāo)，d表示第i個(gè)樣品與第j個(gè)樣品之間的ijij距離，最常見最直觀的計(jì)算距離的方法是：明考斯基距離(Minkowski)jkij1/q當(dāng)q=1時(shí),d(13ijk=1x一xikjk即為絕對(duì)距離當(dāng)q=2時(shí),dij-x)jk1/2即為歐氏距離d(g)=maxIx-xI稱為切比雪夫距離。ij1kpikjk當(dāng)各變量的測量值相差懸殊時(shí),為了計(jì)算的準(zhǔn)確性,需先將數(shù)據(jù)標(biāo)準(zhǔn)化,然后

16、用標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行計(jì)算。系統(tǒng)聚類，將n個(gè)樣品各自看成一類，然后規(guī)定樣品之間的距離和類與類之間的距離。開始,因每個(gè)樣品自成一類,類與類之間的距離與樣品之間的距離是相等的，選擇距離最小的一對(duì)并成一個(gè)新類，計(jì)算新類與其他類的距離，再將距離最近的兩類合并，這樣每次少一類，直值所有的樣品都成一類為止，最終完成養(yǎng)分的分類。計(jì)算類與類之間的距離主要有：a.最短距離法：設(shè)GGG分別為一類，則最短距離的計(jì)算公式為：qprD(p,q)=mindkjl此時(shí)將類G與類G合并為類G，則任意的類G和G的距離公式為pqrkrD2kr=mindXieGk,XjeGrij=minminXieGk,XjeGp依次下去，最終完成

17、對(duì)樣品的分類。d,mind=minD,DijXeG,XeGijkpkqikjqb.最長距離法:D(p,q)=maxdkjl將類G與類G合并為類G，則任意的類G和G的距離公式為pqrkrD2=maxkrX.eG,XeGikjrd-maxijmaxd,maxd=maxD,DXeG,XeGijXeG,XeGijkpkqikjpikjqc類平均法:Gg(p,q)二LKdj將類G與類G合并為類G，則任意的類G和G的距離公式為pqrkrD2=-工工d2=-(工工d2+工工d2)=npD2+2qD2krnnijnnijijnkpnkqkrXieGkXjeGrkrXieGkXjeGpXieGkXjeGprrd

18、.重心法:D(p,q)=d_-cXXqq將類G與類G合并為類G，則任意的類G和G的距離公式為pqrkrnnnnD2二pD2+qD2-D2,krnkpnkqn2pqrrr采用系統(tǒng)聚類中的離差平均和法，得出如下聚類圖表通過進(jìn)行分析對(duì)比得知所進(jìn)行的分類較為雜亂，無法顯著的進(jìn)行相關(guān)分類,因此在完善相關(guān)程序之后，嘗試將相關(guān)類別分為K類圖1-9完善的層次聚類分析圖從圖中可以明顯得知，通過ward法將附件一中的商品樣本分為20類，在上圖基礎(chǔ)上將分類進(jìn)一步細(xì)化完善，并且得知每一類的數(shù)據(jù)，因此在模型一主要采用動(dòng)態(tài)聚類的來對(duì)未來5天銷量進(jìn)行相關(guān)預(yù)測。聚類個(gè)數(shù)比較表1-2聚類個(gè)數(shù)KMeans類類1類1162類63類

19、54類15類76類237類188類49類1310類711類1612類2813類114類4515類416類217類2518類119類120類102.灰色預(yù)測模型1）.灰色預(yù)測分析的基本理論GM（1,1）模型的建立設(shè)時(shí)間序列X（。）有n個(gè)觀察值，X（。）=(n),通，X(i)(n),則GM(1,1)過累加生成新序列X（i）=模型相應(yīng)的微分方程為：dX(i)dt+aX(1)=卩式中，a稱為發(fā)展灰數(shù)，卩稱為內(nèi)生控制灰數(shù)。設(shè)&為待估參數(shù)向量,八一、&=，利用最小二乘法求解，可得:2&=(BtBI1BTY其中：-2X（1）（1）+X（1）（2）2X（i）（2）+X（1）（3）Y=nX(0)(2)_X(o)

20、(3)X(o)(n)求解微分方程,即可得預(yù)測模型(k=0丄2，n)X（i）（k+1）=X（0）（1）-巴（2）模型一的求解在模型一主要利用動(dòng)態(tài)聚類的結(jié)果來對(duì)未來5天銷量進(jìn)行相關(guān)預(yù)測。針對(duì)每個(gè)類別進(jìn)行灰色預(yù)測之后，選取第1類中的116個(gè)樣本進(jìn)行灰色預(yù)測時(shí)模型精度最好。經(jīng)過灰色預(yù)測殘差檢驗(yàn)以及對(duì)未來一個(gè)月銷量，結(jié)果為表1-32018年GM（1,1）灰色系統(tǒng)預(yù)測值與實(shí)際值比較類/20180179179100201802222901321.47201803217282650.23201804212290770.272018052071051030.98201806203128750.592018071

21、99287880.31201808195294990.342018091904712810.60201810186120660.55201811182671151.72201812178571212.13a=0.0219491,b=2.4186143x(o)=15.1O83e-o.o2i9t(t+1)C=0.31Y174表1-4后驗(yàn)差檢驗(yàn)判別參照表C0.35類0.500.65該模型預(yù)測結(jié)果顯示為優(yōu)，未來一個(gè)月的銷量為174件在進(jìn)行一定數(shù)據(jù)優(yōu)化的基礎(chǔ)上，得出下面2018年預(yù)測擬合圖圖1-102018年全年GM（1，1）灰色系統(tǒng)預(yù)測值與實(shí)際值比較建立動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型(1)隱藏層神經(jīng)元數(shù)目的確定為提

22、高網(wǎng)絡(luò)的訓(xùn)練精度，隱含層的神經(jīng)元個(gè)數(shù)不能過多，也不能過少，通常通過經(jīng)驗(yàn)公式初步確定隱含層神經(jīng)元的個(gè)數(shù)范圍，常用的經(jīng)驗(yàn)公有：y=Vn+m+b式中y為隱含層神經(jīng)元數(shù)，n為輸入層神經(jīng)元數(shù)，m為輸出層神經(jīng)元數(shù)，b為1-10之間的常數(shù)。在本題中n=1,m=1,故隱含神經(jīng)元數(shù)為2-12之間，但最終發(fā)現(xiàn)14個(gè)隱藏層節(jié)點(diǎn)的效果比12個(gè)隱藏層節(jié)點(diǎn)數(shù)好，所以選擇隱藏層節(jié)點(diǎn)個(gè)數(shù)為14。學(xué)習(xí)樣本的選擇我們選取前483組數(shù)據(jù)作為學(xué)習(xí)驗(yàn)證及測試的樣本，后5組數(shù)據(jù)即2019年3月8日至3月12日的數(shù)據(jù)作為預(yù)測樣本。其中經(jīng)過反復(fù)訓(xùn)練我們發(fā)現(xiàn)將483組樣本中的85%作為訓(xùn)練數(shù)據(jù)，10%作為驗(yàn)證數(shù)據(jù)，5%作為測試數(shù)據(jù)得到的效果較

23、好。網(wǎng)絡(luò)延遲個(gè)數(shù)的選擇在對(duì)網(wǎng)絡(luò)進(jìn)行多次訓(xùn)練并比較每次的訓(xùn)練誤差后將延遲個(gè)數(shù)確定為4個(gè)。即t時(shí)刻的輸出有如下規(guī)律。y(t)=a.y(t-1)+b.y(t-2)+c.y(t-3)+d.y(t-4)訓(xùn)練算法的選擇神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的目的是尋找能有效逼近該組樣本的函數(shù)f,使誤差函數(shù)最小化，而通常神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差函數(shù)采用均方誤差函數(shù)：i=i式中-為期望輸出，勺為網(wǎng)絡(luò)實(shí)際輸出，n為樣本數(shù)。但是符合該誤差函數(shù)最小時(shí)從樣本中恢復(fù)一個(gè)函數(shù)的解實(shí)際有很多，而正則化的算法將網(wǎng)絡(luò)性能函數(shù)改進(jìn)為：F=aE+BEDw式中化,=丄為網(wǎng)絡(luò)權(quán)重的平方和，是神經(jīng)網(wǎng)絡(luò)連接權(quán)值，M為神W/1=1II經(jīng)網(wǎng)絡(luò)連接權(quán)個(gè)數(shù)，a，B是目標(biāo)函數(shù)的參

24、數(shù)，參數(shù)的大小決定著神經(jīng)網(wǎng)絡(luò)訓(xùn)練目標(biāo)。常規(guī)的正則化方法很難推導(dǎo)出a，B的值，而優(yōu)化的正則化方法即貝葉斯正則化算法可推導(dǎo)出a,B的值，MATLAB中通過trainbr函數(shù)來實(shí)現(xiàn)貝葉斯正則化算法。神經(jīng)網(wǎng)絡(luò)的建立由上述分析建立如下圖所示的網(wǎng)絡(luò)結(jié)構(gòu)圖：Neural忖etworkHiddenOutput141圖1-11：網(wǎng)絡(luò)結(jié)構(gòu)圖2.神經(jīng)網(wǎng)絡(luò)模型求解step(I)對(duì)預(yù)處理后的數(shù)據(jù)分為333組分別進(jìn)行學(xué)習(xí)訓(xùn)練，通過多次調(diào)整隱藏層節(jié)點(diǎn)數(shù)和延遲數(shù)發(fā)現(xiàn)當(dāng)隱藏層節(jié)點(diǎn)數(shù)為14，延遲數(shù)為4時(shí)訓(xùn)練的效果較好，我們使用誤差自相關(guān)圖來判斷網(wǎng)絡(luò)的好壞，每一種商品訓(xùn)練后的誤差自相關(guān)圖如圖1-2所示：10Autocorrelal

25、iniofError1CorrolatlartsZe；reCdmeldlionCanfJdlgihce-Uimlt20-15JO-505W1520圖1-12:誤差自相關(guān)圖從圖中可以看出每種商品在一個(gè)時(shí)間的銷量網(wǎng)絡(luò)輸出誤差與另一個(gè)時(shí)間的銷量網(wǎng)絡(luò)輸出誤差在給定區(qū)間內(nèi)無關(guān)，說明訓(xùn)練的網(wǎng)絡(luò)較好。step(II)下面進(jìn)行網(wǎng)絡(luò)預(yù)測性能測試，通過對(duì)測試樣本與訓(xùn)練樣本占比調(diào)整，發(fā)現(xiàn)當(dāng)訓(xùn)練樣本占85%，測試樣本占10%時(shí)，網(wǎng)絡(luò)的預(yù)測誤差較小，其中的一種商品的預(yù)測誤差如下圖所示2510Targds-Culpuls4H1Ui.hF勺呻:叫屛桿|，.*-_,_-_14n*iinipRponseofOutputElem

26、ent1forTime-Series1TralniigTarget+TrainingOjtfiulE&rcfsRde)xeih圖1-13：預(yù)測誤差圖step(III)從以上的誤差圖可以看出建立的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)在時(shí)間序列預(yù)測方面具有較為良好的容錯(cuò)性，下面對(duì)2019年3月8日至3月12日各種商品的銷量進(jìn)行預(yù)測，首先對(duì)期望輸出標(biāo)準(zhǔn)化到神經(jīng)網(wǎng)絡(luò)單元數(shù)組形式，然后消除網(wǎng)絡(luò)延遲，最后建立閉環(huán)網(wǎng)絡(luò)進(jìn)行預(yù)測，預(yù)測得到5天的期望輸出與網(wǎng)絡(luò)輸出圖如下所示：1501CQg501M龍前商品種類曲利期蚩圖1-14：2019-3-8預(yù)測與期望曲線圖圖1-15：2019-3-9預(yù)測與期望曲線圖500030001000-100

27、001W200圖1-17：2019-3-11預(yù)測與期望曲線圖1000卍”冊(cè)&-3000&D005015025fl商品種類圖1-18：2019-3-12預(yù)測與期望曲線圖得到的具體數(shù)據(jù)見附件1。 5.2問題二的模型建立與求解將上新量和延期比數(shù)據(jù)從附件二中抽取出來，分別建立對(duì)應(yīng)的Excel表格，再運(yùn)用SPSS軟件對(duì)兩個(gè)表格作圖進(jìn)行分析。根據(jù)上新量和延期比所得到的直方圖，再將區(qū)間拆分，我們初步猜測其符合正態(tài)分布，再利用SPSS對(duì)其進(jìn)行正態(tài)性檢驗(yàn)，發(fā)現(xiàn)顯著性為0.20.05，因而滿足正態(tài)分布，即證實(shí)了原猜測。(1)對(duì)附件二進(jìn)行處理，選定樣本數(shù)據(jù)，對(duì)于延期比與貨物種數(shù)，將貨物種數(shù)作為樣本數(shù)據(jù)，將延期比劃分

28、為各個(gè)區(qū)間。通過查看數(shù)據(jù)可知，延期比最小為0最大為98.6。故可以將其放入以0.1為區(qū)間長度的十個(gè)區(qū)間里。表2-1：延期比分布表延期比0,0.1)0.1,0.2)0.2,0.3)0.3,0.4)0.4,0.5)0.5,0.6)0.6,0.7)0.7,0.8)0.8,0.9)0.9,1樣本數(shù)2044526191795602通過觀察表中延期表分布數(shù)據(jù)可以看出絕大部分樣本分布于0,0.5區(qū)間內(nèi)，且此區(qū)間內(nèi)樣本數(shù)隨延期比相差較大，為了更好地體現(xiàn)延期比的分布情況，決定對(duì)樣本數(shù)多的區(qū)間再進(jìn)行劃分，最終劃分得到的六個(gè)區(qū)間為0,0.02,(0.02,0.1,(0.1，0.2,(0.2,0.35,(0.35,0

29、.5,(0.5,1，對(duì)應(yīng)的延期比分布表如下。表2-2：改進(jìn)后的延期比分布表0(0,0.02(0.02,0.1(0.1,0.2(0.2,.035(0.35,0.5(0.5,1527082453824220.1560.2100.2460.1350.1140.0720.066利用Matlab軟件作出相應(yīng)的直方圖:90圖2-1：延期比分布圖通過觀察直方圖所得到的圖形，初步猜測延期比滿足正態(tài)分布。我們借助SPSS軟件對(duì)其進(jìn)行正態(tài)分布檢驗(yàn)，并作出QQ圖。表2-3:延期比正態(tài)性檢驗(yàn)正態(tài)性檢驗(yàn)柯爾莫戈洛夫-斯米諾夫a夏皮洛-威爾克統(tǒng)計(jì)自由度顯著性統(tǒng)計(jì)自由度顯著性VI0.13970.200*0.94270.65

30、7經(jīng)分析得顯著性0.2000.05,故延期比符合正態(tài)分布通過Q-Q圖進(jìn)一步確認(rèn)，由圖可見基本在直線附近，可以認(rèn)為服從正態(tài)分布。VI的正態(tài)CPQ廚4-j圖2-2:延期比QQ圖運(yùn)用SPSS對(duì)延期比數(shù)據(jù)進(jìn)行正態(tài)性分析得延期比置信區(qū)間為0.1195,0.1601表2-4延期比正態(tài)性分析描述：貂r標(biāo)準(zhǔn)課芒延期比-均值.1398.01030平均值flJ05%S信區(qū)間1：限D(zhuǎn)I：限.16015%四陳后平均值.1167中位數(shù).0524方差.035標(biāo)準(zhǔn)差.18804最小值.00最大值.99全陀.99四分位距.20偏度1763.134峰度2.905.266 (2)首先對(duì)附件二進(jìn)行處理，選定樣本數(shù)據(jù)，對(duì)于上新量與貨

31、物種數(shù)，將貨物種數(shù)作為樣本數(shù)據(jù)，將上新量劃分為各個(gè)區(qū)間。通過查看數(shù)據(jù)可知，上新量最小為294，最大為25930,通過觀察樣本數(shù)我們將其細(xì)劃為5個(gè)區(qū)間【294,806),(806,1832,(1832,2857，(2857,5421,(5421,25930，根據(jù)得到的分布直方圖,初步推測其滿足正態(tài)分布。70co501bi1832.2E50.05，故上新量滿足正態(tài)分布。通過QQ圖進(jìn)一步確認(rèn)，由圖可見基本在直線附近，可以認(rèn)為服從正態(tài)分布布。上新量的正態(tài)Q-Q圖IIIIII20406080100120實(shí)測値圖2.5上新量QQ圖將上新量數(shù)據(jù)導(dǎo)入到SPSS中,對(duì)其進(jìn)行正態(tài)性分析，得到上新量置信區(qū)間為：32

32、56.2466,3976.6003表2-6上新量正態(tài)性分析航汁I林準(zhǔn)傑差 5.3問題三的模型建立與求解:首先對(duì)附件二的數(shù)據(jù)進(jìn)行處理，分別提取出第一、二、三季度的延期比和上新量數(shù)據(jù)，并建立Excel表格進(jìn)行分析。根據(jù)Excel中的數(shù)據(jù)，在Matlab中建立矩陣，并作出分布直方圖，通過觀察直方圖發(fā)現(xiàn)，當(dāng)把延期比和上新量數(shù)據(jù)細(xì)分為幾個(gè)區(qū)間時(shí)，其分布情況是滿足正態(tài)分布的。為了驗(yàn)證猜想，利用SPSS對(duì)其進(jìn)行正態(tài)性檢驗(yàn)，并作出Q-Q圖，最終證實(shí)猜想，并算出其置信區(qū)間。第一季度：(1)首先從附件二中將第一季度上新量數(shù)據(jù)抽取出來，再建立Excel表格，對(duì)樣本數(shù)據(jù)進(jìn)行升序處理。再將上新量數(shù)據(jù)劃分為幾個(gè)等分區(qū)間，

33、通過觀察發(fā)現(xiàn)，數(shù)據(jù)大多集中在前幾個(gè)區(qū)間，于是再對(duì)前幾個(gè)區(qū)間進(jìn)行不等劃分，最終確定的五個(gè)區(qū)間294,732,(732,2049,(2049,3219,(3219,4682,(4682,22235，并利用Matlab作出分布直方圖:L.W(733-20*9)I2D49.32191)0213喝目2|附衛(wèi)左竝涌圖3-1第一季度上新量分布直方圖通過觀察直方圖初步猜測上新量滿足正態(tài)分布，于是運(yùn)用SPSS對(duì)其進(jìn)行正態(tài)性檢驗(yàn)，并作出Q-Q圖：表3-1第一季度上新量正態(tài)性檢驗(yàn)正態(tài)性檢驗(yàn)顯繭性柯爾與丸寤夫-斷米諾夭.統(tǒng)計(jì)熨皮洛-戚審克門由度統(tǒng)計(jì)自曰度顯菩性1二新量.3075.140.B445.176乩里利氐顯苦性

34、修正朝擊口I由上表可知顯著性0.1400.05，故滿足正態(tài)分布。查看Q-Q圖進(jìn)一步確認(rèn)，由圖可見基本在直線附近，可以認(rèn)為服從正態(tài)分布。的正態(tài)Q-Q圖1-2-U510152025實(shí)測值圖3-2第一季度上新量QQ圖運(yùn)用SPSS對(duì)樣本數(shù)據(jù)正態(tài)性分析，求得第一季度上新量置信區(qū)間為3363.3060,4879.7588表3-2第一季度上新量正態(tài)性分析紙汀VAR00009咐旳伯4163.9266546.7022085%卡Mi/nut-im3000.31291.ik5279.54433625.51192760.5000方荒16737464.474091.14464區(qū)片、佰522.0023559.002303

35、7.003584.002.710.3199.20B.528(2)首先從附件二中將第一季度延期比數(shù)據(jù)抽取出來，建立Excel表格對(duì)數(shù)據(jù)進(jìn)行升序處理。再將升序得到的延期比數(shù)據(jù)劃分為幾個(gè)等區(qū)間長度的區(qū)間，通過觀察數(shù)據(jù)分布發(fā)現(xiàn)，大部分?jǐn)?shù)據(jù)集中在前幾個(gè)區(qū)間內(nèi)，于是對(duì)前幾個(gè)區(qū)間再進(jìn)行細(xì)劃分，最終得到的七個(gè)區(qū)間為：0,0.002，(0.002,0.05,(0.05,0.1,(0.1,0.2,(0.2,0.4,(0.4,0.6,(0.6,1。利用Matlab建立分布直方圖：圖3-3第一季度延期比分布圖通過觀察得到的分布直方圖猜測第一季度延期比滿足正態(tài)分布，接下來運(yùn)用SPSS進(jìn)行正態(tài)檢驗(yàn)，并作出Q-Q圖表3-3

36、第一季度延期比正態(tài)性檢驗(yàn)正態(tài)性檢騙抑貳莫戈洛光-斯米諾光日冊(cè)夏皮潛-威爾克自曰度統(tǒng)汁門門度顯著性.1997.200.9227.486*.覽是其顯著性的下限I乩里和氏顯著性修止誌通過觀察上表發(fā)現(xiàn)顯著性0.2000.05，故滿足正態(tài)分布，即原猜想證實(shí)。查看Q-Q圖進(jìn)一步確認(rèn)，由圖可見基本在直線附近，可以認(rèn)為服從正態(tài)分布。圖3-4第一季度延期比QQ圖將樣本數(shù)據(jù)導(dǎo)入到SPSS中，對(duì)其進(jìn)行正態(tài)性分析，得到其第一季度延期比置信區(qū)間為0.1847,0.2778表3-4第一季度延期比正態(tài)性分析描述統(tǒng)計(jì)標(biāo)準(zhǔn)俁差I(lǐng)延期忙均值2313.02330平均值95%置信區(qū)間下限.1S47丨：限.277B5%聞除后平均值.2

37、1B3.1650方差.044標(biāo)準(zhǔn)差.20909最小值最丸值.71全距.71四分位陀.34倔度.S11.269峰度-.379.532第二季度：(1)首先從附件二中抽出第二季度上新量的數(shù)據(jù)建立Excel表格，再對(duì)表格數(shù)據(jù)進(jìn)行升序處理。將升序得到的數(shù)據(jù)等區(qū)間長度劃分為幾個(gè)區(qū)間，通過觀察發(fā)現(xiàn)，大部分?jǐn)?shù)據(jù)聚集在前幾個(gè)區(qū)間內(nèi)，于是對(duì)前幾個(gè)區(qū)間進(jìn)行細(xì)劃分，最終得到7個(gè)區(qū)間為522,1030,(1030,1538,(1538,2046(2046,3909,(3909,5630,(5630,8144(8144,25930。利用Matlab建立分布直方圖得:圖3-5第二季度上新量分布直方圖通過觀察分布直方圖，初步

38、猜測第二季度上新量數(shù)據(jù)滿足正態(tài)分布，為了驗(yàn)證猜想，運(yùn)用SPSS做正態(tài)檢驗(yàn)，并作出QQ圖。表3-5第二季度上新量正態(tài)性檢驗(yàn)正態(tài)性檢驗(yàn)抓爾蔓戈洛責(zé)-斯米諾刃目夏虎洛-威爾豆統(tǒng)訃門由度顯苦性蜿計(jì)自由度顯苦性1:新最.2687.139.7477.012玄里利天金著性幅正觀察上表得，顯著性0.1390.05，因而滿足正態(tài)分布。查看Q-Q圖進(jìn)一步確認(rèn)，由圖可見基本在直線附近，可以認(rèn)為服從正態(tài)分布。上新量的正態(tài)Q-Q圖3-i40I|102030實(shí)測值圖3-6第二季度上新量QQ圖再將第二季度上新量數(shù)據(jù)導(dǎo)入到SPSS中，對(duì)其進(jìn)行正態(tài)性分析，求出置信區(qū)間為:3470.6084,4982.3105表3-6第二季度上

39、新量正態(tài)性檢驗(yàn)統(tǒng)計(jì)捋矗誤差均值422645Q53S14D2QD均值的95%負(fù)信聞司卜詫3470.60844982.31056%剪除后平均值3675.0043中2迪29SR.OOOO16146966.944018.32S87最小值522.00最士值25930.00亠跖2540S.00四苛位鹿34512.992.22911.S67.455(1)首先，從附件二中抽取第二季度的延期比數(shù)據(jù)到一個(gè)新建的Excel表格中，再對(duì)其進(jìn)行升序處理。通過將數(shù)據(jù)等分為幾個(gè)區(qū)間后觀察到，大部分?jǐn)?shù)據(jù)集中在前幾個(gè)區(qū)間，于是對(duì)前幾個(gè)區(qū)間再進(jìn)行細(xì)劃分，得到了8個(gè)不等區(qū)間0,0.001,(0.001,0.005,(0.005,0

40、.02,(0.02,0.05,(0.05,0.1,(0.1,0.2,(0.2,0.4,(0.4,1再運(yùn)用Matlab作出分布直方圖：圖3-7第二季度延期比分布直方圖觀察直方圖初步猜測第二季度延期比滿足正態(tài)分布，為了驗(yàn)證猜測，將樣本數(shù)據(jù)導(dǎo)入到SPSS中，對(duì)其進(jìn)行正態(tài)性檢驗(yàn)，并作出QQ圖。表3-7第二季度延期比正態(tài)性檢驗(yàn)正態(tài)性檢驗(yàn)14爪莫戈洛夭-斷米諾卻統(tǒng)計(jì)自由度丘著件皮洛-威樂盤自口度區(qū)著性述期比.2208.200孤?lián)粢跃然?.378“城是真顯著性的下限口豈里利氐區(qū)若性修正根據(jù)正態(tài)性檢驗(yàn)表中顯著性0.2000.05，因而滿足正態(tài)分布。查看QQ圖進(jìn)一步確認(rèn)，由圖可見基本在直線附近，可以認(rèn)為服從正態(tài)

41、分布布。延皿I比的ITQ-Q圖-2-I2010實(shí)測值圖3-8第二季度延期比QQ圖再將第二季度延期比數(shù)據(jù)導(dǎo)入到SPSS中，對(duì)其進(jìn)行正態(tài)性分析，求得置信區(qū)間為:0.0577,0.1042表3-8第二季度延期比正態(tài)性分析描述統(tǒng)計(jì)標(biāo)準(zhǔn)遙笙VAR00007半均值.0810.01173T均值的95%代信區(qū)問1：限.0577上呪10425%剪除后半闕他.0632.0300方差.015標(biāo)準(zhǔn)差.12360最小值.00.71仝砸.71四計(jì)位應(yīng).102.523.2297.619.455第三季度：(1)首先將第三季度上新量數(shù)據(jù)從附件二中抽取出來并建立一個(gè)新的Excel表格，再對(duì)其進(jìn)行升序處理。為了更好地顯示數(shù)據(jù)的分布

42、特性，我們對(duì)數(shù)據(jù)進(jìn)行了等區(qū)間劃分。通過觀察區(qū)間數(shù)據(jù)，我們發(fā)現(xiàn)大部分的第三季度上新量數(shù)據(jù)集中在前幾個(gè)區(qū)間，于是對(duì)前幾個(gè)區(qū)間再進(jìn)行細(xì)劃分，最終得到6個(gè)不等的區(qū)間:388,670,(670,1234,(1234,2269,(2269,3774,(3774,7444,(7444,14500利用Matlab作出分布直方圖：|10風(fēng)翻|舊理i：l4.22QB|莊卻呂“口叫13774,7444|Tq44t!4aC0圖3-9第三季度上新量分布直方圖通過觀察直方圖，初步猜測第三季度上新量滿足正態(tài)分布，為了驗(yàn)證猜想，運(yùn)用SPSS進(jìn)行正態(tài)性檢驗(yàn)，并作出QQ圖。表3-9第三季度上新量正態(tài)性檢驗(yàn)正態(tài)性:檢驗(yàn)制樂莫戈咯黃

43、-斯來諾況日夏度濟(jì)-咸懇-!統(tǒng)計(jì)自由度顯苔性統(tǒng)計(jì)自由度顯善性VAROOOOe.1876.200.933S.601巴裟是真顯著性的下限口a.里利氏顯著性修正正態(tài)性檢驗(yàn)表中顯著性0.2000.05，因而滿足正態(tài)分布，即猜想得到證實(shí)。查看Q-Q圖進(jìn)一步確認(rèn)，由圖可見基本在直線附近，可以認(rèn)為服從正態(tài)分布。VAR00008的正態(tài)Q-Q圖2-I10III2030實(shí)測值I40I50圖3-10第二季度上新量QQ圖最后將第三季度上新量數(shù)據(jù)導(dǎo)入到Exce1表格中，進(jìn)行正態(tài)性分析，求出置信區(qū)間2489.4203,3342.9740表3-10第三季度上新量正態(tài)性分析描述(2)首先將第三季度延期比數(shù)據(jù)從附件二中抽取出來

44、并建立一個(gè)新的Excel表格，再對(duì)表格數(shù)據(jù)進(jìn)行升序處理。為了更好地體現(xiàn)數(shù)據(jù)分布的特性，將表格數(shù)據(jù)等分為幾個(gè)區(qū)間，然后觀察發(fā)現(xiàn)大部分?jǐn)?shù)據(jù)集中分布在前幾個(gè)區(qū)間里，于是再對(duì)前幾個(gè)區(qū)間進(jìn)行細(xì)劃分，最終得到的七個(gè)區(qū)間為：0,0.005,(0.005,0.02,(0.02,0.1,(0.1,0.2,(0.2,0.4,(0.4,0.8,(0.8,1再運(yùn)用Matlab作出分布直方圖：圖3-11第三季度延期比分布直方圖通過觀察直方圖，我們初步猜測第三季度延期比滿足正態(tài)分布，為了驗(yàn)證猜想，對(duì)其進(jìn)行正態(tài)檢驗(yàn)，并作出QQ圖。表3-11第三季度延期比正態(tài)性檢驗(yàn)正態(tài)性檢強(qiáng)M爾莫戈倍肩-所米諾持夏戌洛-臨爾ait顯著性自1

45、丁度肚著性報(bào)擊以VAR00009.154.20Qt.9891.991*圾是真顯垂性的不眼.a里利氏顯著性幅正根據(jù)正態(tài)性檢驗(yàn)顯著性0.2000.05，因而第三季度延期比滿足正態(tài)分布，及原猜想證實(shí)。查看Q-Q圖進(jìn)一步確認(rèn)，由圖可見基本在直線附近，可以認(rèn)為服從正態(tài)分布。實(shí)側(cè)値圖3-12第三季度延期比QQ圖最后將第三季度延期比表格數(shù)據(jù)導(dǎo)入到SPSS中，對(duì)其進(jìn)行正態(tài)性分析，求得置信區(qū)間:0.1016,0.1576表3-12第三季度延期比正態(tài)性分析統(tǒng)計(jì)VAR00009廣均Fl.129S.0142095%宜f.iLSZPbl-life.1!61：限.15765%剪除方均僅.1043.4QQ方差.037標(biāo)準(zhǔn)繪

46、.1911a最犬（5.09全距.99.1a2.04U.181斗349.359問題四的求解：1.補(bǔ)單的依據(jù)通過對(duì)附件一、二的分析，得知商品的下單主要集中于上新日及其之前，而補(bǔ)單直接與銷量掛鉤，因而前提就是商品未來的銷量預(yù)測。所以首先決定必須對(duì)影響商品銷量的因素做一個(gè)分析。2.補(bǔ)單的步驟第一步分析好商品的銷量來源和真實(shí)銷量。商品的交易平臺(tái)，無非就是各大電商APP,例如淘寶、天貓、京東等。對(duì)于這些而言，可將銷量分為日常銷量與活動(dòng)銷量。分析附件一可知，這兩個(gè)銷量相差較大。商品上架前的活動(dòng)宣傳與新穎度，對(duì)于商品的銷量是至關(guān)重要的?？蛻粲捎诨顒?dòng)表現(xiàn)、節(jié)假日因素、季節(jié)因素，從眾心理等各種原因，在商品上新前以

47、及上新的一兩天內(nèi)，會(huì)大力加大購買力度，因此商家需要在商品的前期做好補(bǔ)單操作。第二步，分析真實(shí)銷量。根據(jù)附件二得知，在4、5、6、7、8月商品的退貨退款率居高，而9月，僅退款率基本上都為0，僅退款在買家沒有收到貨物的時(shí)候就改變主意不再需要商品，因此此類商品可以及時(shí)的回到庫存，退貨退款則會(huì)有時(shí)間的延遲，不過最終也會(huì)回到庫存當(dāng)中。而補(bǔ)單考慮的是真實(shí)的銷量，需要將這一類商品剔除在外。第三步，分析好商品的種類。真實(shí)銷量僅僅只能告訴我們當(dāng)前市場情況，若商品種類與季節(jié)性相關(guān)，例如服裝，則必須要時(shí)刻考慮好庫存的問題，否則季末清倉會(huì)造成較大的損失。因此，預(yù)測未來銷量時(shí)必須要考慮季節(jié)對(duì)銷量的影響。第四步，做好未來

48、活動(dòng)的安排。有了季節(jié)的權(quán)值之后，日銷結(jié)合權(quán)值基本就可以預(yù)測未來30天的日常銷量，接下來要做的就是提高活動(dòng)銷量，細(xì)分好接下來一個(gè)月的活動(dòng)排期。因此，結(jié)合歷史的活動(dòng)銷量和季節(jié)權(quán)值就可以預(yù)測好未來一個(gè)月的活動(dòng)銷量，進(jìn)而得到總銷量。第五步，對(duì)商品庫存、供應(yīng)鏈進(jìn)行分析。有了未來的銷量預(yù)期，再統(tǒng)計(jì)好現(xiàn)有庫存數(shù)和在途商品數(shù)，從而得到商品的可銷天數(shù)，進(jìn)而考慮商鋪的供應(yīng)鏈所給予的補(bǔ)單情況，以便在庫存售空時(shí)能夠得到及時(shí)的補(bǔ)充。六、模型檢驗(yàn)6.1問題一模型檢驗(yàn)GM(1,1)模型誤差分析：在灰色預(yù)測模型中，結(jié)合后驗(yàn)差檢驗(yàn)判別表，模型精度是處于優(yōu)秀的狀態(tài)。主要在問題一中，相關(guān)商品樣本按月劃分，預(yù)測值與實(shí)際值吻合。在利用

49、正態(tài)分布求解貨物的上新量與延期比的分布范圍與置信區(qū)間時(shí)，選取了分布較為集中的商品樣本作為一個(gè)區(qū)間進(jìn)行研究，并用樣本所占頻率代替概率，雖然具有一定的誤差，但是能夠體現(xiàn)了相關(guān)商品特征。6.1.2神經(jīng)網(wǎng)絡(luò)模型的誤差分析：通過MATLAB的圖形可視化將預(yù)測得到的銷量與期望銷量之間的誤差用圖形表示如下；154104501AO1SO商品種類圖119：201938各商品銷量預(yù)測誤差200仙1015C20025030435fl圖120:201939各商品銷量預(yù)測誤差1COM1502QQ犧品種菟圖121：2019310各商品銷量預(yù)測誤差圖122：2019311各商品銷量預(yù)測誤差圖123：2019312各商品銷量

50、預(yù)測誤差七、模型的優(yōu)缺點(diǎn)及推廣灰色預(yù)測模型的推廣由灰色理論提出的灰關(guān)聯(lián)度分析方法，是基于行為因子序列的微觀或宏觀幾何接近，以分析和確定因子間的影響程度或因子對(duì)甚主行為的貢獻(xiàn)測度而進(jìn)行的一種分析方法?；谊P(guān)聯(lián)是指事物之間的不確定性關(guān)聯(lián)，或系統(tǒng)因子與主行為因子之間的不確定性關(guān)聯(lián)。它根據(jù)因素之間發(fā)展態(tài)勢的相似或相異程度來衡量因素間的關(guān)聯(lián)程度。由于關(guān)聯(lián)度分析是按發(fā)展趨勢作分析，因而對(duì)樣本量的大小沒有太高的要求，分析時(shí)也不需要典型的分布規(guī)律，而且分析的結(jié)果一般與定性分析相吻合，具有廣泛的實(shí)用價(jià)值。模型的改進(jìn)在問題一中，灰色系統(tǒng)做未來5天銷量預(yù)測時(shí)，可以利用已預(yù)測出來的未來一個(gè)月的數(shù)據(jù)，計(jì)算每個(gè)月5天的銷量

51、數(shù)據(jù)在樣品中的頻率，從而進(jìn)行更加精準(zhǔn)的預(yù)測。可以利用改進(jìn)的灰色系統(tǒng)模型“新陳代謝灰色系統(tǒng)”進(jìn)行預(yù)測。并且用已知序列建GM(1.1)模型進(jìn)行預(yù)測時(shí)，不用這個(gè)模型一直預(yù)測下去，而是只預(yù)測一個(gè)值，并將這個(gè)灰數(shù)補(bǔ)充在已知數(shù)列之后。為不增加序列長度去掉第一個(gè)已知數(shù)據(jù)，保持?jǐn)?shù)據(jù)列的等維，再建立GM(1,1)模型。這樣新陳代謝，逐個(gè)預(yù)測依次替補(bǔ)，不斷補(bǔ)充新的信息，使灰度逐步降低，直到完成預(yù)測目標(biāo)或達(dá)到一定的精度要求為止。八、參考文獻(xiàn)VultureEye,K-means聚類最優(yōu)k值的選取， HYPERLINK /qq_15738501/article/details/79036255 /qq_15738501

52、/article/details/79036255,2019/7/11。不要再見，聚類分析的Matlab程序一系統(tǒng)聚類(附有案例分析) HYPERLINK /henulll/article/details/81512314 /henulll/article/details/815123142019/7/11。李杰、王玉霞、趙旭東.電商企業(yè)商品銷量的預(yù)測方法.統(tǒng)計(jì)與決策2018年第22期.殷春武.GM(1,1)在商品銷量預(yù)測上的運(yùn)用.中國商貿(mào)1005-5800(2010)12(b)-246-02何喜軍,馬珊,武玉英,蔣國瑞.小樣本下多維指標(biāo)融合的電商產(chǎn)品銷量預(yù)測J.計(jì)算機(jī)工程與應(yīng)用，：1-12.羅妤.聚類數(shù)據(jù)挖掘在商場中的應(yīng)用及K-means聚類算法改進(jìn)研究D.重慶大學(xué),2005.王小平，孫彩賢基于網(wǎng)上商品銷售預(yù)測的灰色模型理論J.四川兵工學(xué)報(bào),2010,31(06):149-150.九、附錄pro2.mT1prol.m%隨機(jī)抽取3中商品畫出銷量趙勢0A=dsreadC第次模擬/附件1處理.kW,B3:LV48S5);prarutfcenn(333,3):plot(Y,linewidthJ,2);slabel(時(shí)間);1寵第一種商品,第二種商品,?第三種商品J:rawdata=xlsread(D:/Matlab/bin/練習(xí)函數(shù)/附件1處理.xlsx，B