基于組合預(yù)測(cè)的電商產(chǎn)品銷(xiāo)量預(yù)測(cè)研究

2摘要重要基礎(chǔ)活動(dòng)。而對(duì)于電商來(lái)說(shuō)，產(chǎn)品銷(xiāo)量預(yù)測(cè)則是企業(yè)營(yíng)銷(xiāo)策劃的基礎(chǔ)環(huán)節(jié)。本文通實(shí)際歷史銷(xiāo)量數(shù)據(jù)，在單一預(yù)測(cè)模型的建模理論基礎(chǔ)上，建立組合預(yù)測(cè)模型，旨在克服單一性較高的缺點(diǎn)，為電商產(chǎn)品銷(xiāo)量預(yù)測(cè)提供可行性方案。本文實(shí)際分析了組合預(yù)測(cè)模型和單一BP絡(luò)模型、ARIMA時(shí)間序列預(yù)測(cè)模型這兩個(gè)單一模型以及基于BP神經(jīng)網(wǎng)絡(luò)和ARIMA時(shí)間序列合均方根誤差、平均相對(duì)百分比誤差和平均絕對(duì)誤差，可以看出組合預(yù)優(yōu)于單一預(yù)測(cè)模型。在實(shí)際預(yù)測(cè)中，BP神經(jīng)網(wǎng)絡(luò)模型和ARIMA時(shí)間序列預(yù)測(cè)模型在預(yù)測(cè)兩個(gè)系3究BP究BP絡(luò)與ARIMA模型的組合預(yù)測(cè)模型ARIMA述建品銷(xiāo)量預(yù)測(cè)案例分析反，它應(yīng)該及時(shí)判斷形勢(shì)，根據(jù)外部環(huán)境的變化和企業(yè)自身的發(fā)展來(lái)調(diào)整產(chǎn)銷(xiāo)計(jì)劃和企BPARIMA組合預(yù)測(cè)模型；銷(xiāo)量預(yù)測(cè)緒論4置置展望容總結(jié)究展望果分析緒論的應(yīng)用越來(lái)越廣泛，互聯(lián)網(wǎng)的快速發(fā)展，使得互聯(lián)網(wǎng)經(jīng)濟(jì)也逐漸成為國(guó)家經(jīng)濟(jì)產(chǎn)業(yè)的重要的成效性和重要性逐漸超過(guò)線下實(shí)體銷(xiāo)售。依托互聯(lián)網(wǎng)大數(shù)據(jù)，電商銷(xiāo)售的各項(xiàng)指標(biāo)也更加更要性。能、物聯(lián)網(wǎng)等新興技術(shù)的不斷創(chuàng)新本轉(zhuǎn)向以數(shù)字為中心。數(shù)字營(yíng)銷(xiāo)是實(shí)時(shí)跟蹤和記錄消費(fèi)者行為的整個(gè)過(guò)程的核心，了解消費(fèi)效的營(yíng)銷(xiāo)戰(zhàn)略決策。雖然負(fù)責(zé)整個(gè)組織的數(shù)據(jù)科學(xué)任務(wù)的分析師通常對(duì)他們支持的特定產(chǎn)品但對(duì)于時(shí)間序列預(yù)測(cè)方法的培訓(xùn)通常缺乏。這不僅是企業(yè)或品牌面臨和解決的問(wèn)題，也是大些方面，國(guó)內(nèi)外科學(xué)家在這方面做行了深入的理論研究，提出了許多方法。對(duì)于真實(shí)數(shù)據(jù)，電子商務(wù)銷(xiāo)售預(yù)測(cè)一般有兩個(gè)方向：一結(jié)論，二是基于基于電子商務(wù)消費(fèi)行為特征的銷(xiāo)售機(jī)制，強(qiáng)調(diào)營(yíng)銷(xiāo)導(dǎo)向，多數(shù)情況下采用基于概確性差但可理解性強(qiáng)；另一種是使用機(jī)器學(xué)習(xí)、深入學(xué)習(xí)、時(shí)間序列等的數(shù)據(jù)驅(qū)動(dòng)方法，它主要大量的歷史數(shù)據(jù)和相關(guān)數(shù)據(jù)中揭示信息，大規(guī)模的計(jì)算變得越來(lái)越容易。隨著數(shù)據(jù)收集的復(fù)雜性減少，使用模型來(lái)解決上述問(wèn)題變得更加多樣化和更加具有便捷性。雖然國(guó)內(nèi)外學(xué)者對(duì)于電商企研究已經(jīng)十分廣泛且富有理論性，但電商銷(xiāo)量的波動(dòng)性大，預(yù)測(cè)往往受到很多因素的影響，傳統(tǒng)適用于電商企業(yè)商品的銷(xiāo)售特征，現(xiàn)有的研究也不能做到面面俱到，所以本研究通過(guò)利用組合預(yù)，它是通過(guò)研究事物和某些規(guī)律的發(fā)展和變化，并運(yùn)用科學(xué)的方法來(lái)分析事物未來(lái)的發(fā)預(yù)測(cè)商品銷(xiāo)售額，必須綜合考慮商品消費(fèi)需求的變化趨勢(shì)和商品銷(xiāo)售額之間的其他關(guān)系，并上的每一次點(diǎn)擊和搜索都會(huì)被企業(yè)收集起來(lái)形成各種數(shù)據(jù)，這些數(shù)據(jù)不僅僅能反慣和關(guān)注變化，也能很好地為企業(yè)提供決策依據(jù)，同樣對(duì)于商品銷(xiāo)售預(yù)測(cè)有很大的幫助。Boone等歌趨勢(shì)所提供的免費(fèi)而又細(xì)致的特定搜索項(xiàng)的用戶(hù)數(shù)據(jù)，來(lái)研究特定搜索項(xiàng)的搜索量是否有助于特定商品的銷(xiāo)量預(yù)測(cè)。他們通過(guò)谷歌趨勢(shì)工具檢索五個(gè)商品的特定搜索詞，分析這五個(gè)SKU(StockkeepingUnit，即庫(kù)存進(jìn)出計(jì)量單位)的搜索量和銷(xiāo)售量的關(guān)系，發(fā)現(xiàn)搜索詞“不喜歡意大利面”等詞匯與銷(xiāo)售量呈負(fù)相關(guān)，而“開(kāi)胃呈正相關(guān)。隨后利用一步預(yù)測(cè)的方法來(lái)得出谷歌趨勢(shì)對(duì)于減少商品預(yù)測(cè)誤差有幫助作用，即利用5[2]基于百度指數(shù)對(duì)大眾汽車(chē)品牌銷(xiāo)量的預(yù)測(cè)研究。他們指出采用歷史數(shù)據(jù)預(yù)測(cè)汽者行為的變化，而網(wǎng)絡(luò)搜索數(shù)據(jù)隨著用戶(hù)的行為產(chǎn)生，對(duì)于消費(fèi)者的關(guān)注點(diǎn)和需求有很好的索數(shù)據(jù)與歷史銷(xiāo)量數(shù)據(jù)結(jié)合的預(yù)測(cè)模型，他們發(fā)現(xiàn)網(wǎng)絡(luò)搜索數(shù)據(jù)有助于大眾汽車(chē)銷(xiāo)量的預(yù)年國(guó)家新政策出臺(tái)的時(shí)期，汽車(chē)的銷(xiāo)售量會(huì)難以預(yù)測(cè)，政策變化也是商品銷(xiāo)量的重要影響因素。而王長(zhǎng)瓊等[3]對(duì)BP神經(jīng)網(wǎng)絡(luò)模型、基于Adaboost(AdaptiveBoosting)的BP神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)SVM模型(Supportvectormachines)與組合預(yù)測(cè)模型進(jìn)行綜合分析比較，發(fā)現(xiàn)組合預(yù)測(cè)模型更加適合動(dòng)態(tài)變化的發(fā)現(xiàn)融合百度指數(shù)的組合預(yù)測(cè)模型準(zhǔn)確度比未融合模型高2.67%，證明了百度指數(shù)作為網(wǎng)購(gòu)訂對(duì)于商品的銷(xiāo)售趨勢(shì)預(yù)測(cè)同樣也有重要的作用。Spiliotis等[4]通過(guò)估計(jì)序列的方法在經(jīng)驗(yàn)上比那些通過(guò)分析計(jì)算預(yù)測(cè)誤差分布的方法表現(xiàn)得更好，然而，對(duì)于平滑和不穩(wěn)是如此。李長(zhǎng)春[5]通過(guò)隨機(jī)森林模型做回歸，對(duì)種類(lèi)數(shù)量特征多且噪音數(shù)據(jù)較大的商品進(jìn)行提供了較為合理的商品銷(xiāo)量預(yù)測(cè)方案。林承操[6]分別基于Auto-ARIMA、傳統(tǒng)機(jī)器學(xué)習(xí)、深度存模型，利用混合算法求解模型，對(duì)商品庫(kù)存和調(diào)撥成本有效地控制。許圣佳和蔣煒[7]則通過(guò)SPP模型(單一階段企業(yè)能獲得最大化利潤(rùn)的訂貨量模型)研究用戶(hù)在網(wǎng)站上產(chǎn)生的點(diǎn)擊量等行為對(duì)于企業(yè)庫(kù)存優(yōu)求預(yù)測(cè)模型和庫(kù)存預(yù)測(cè)模型，提出了模型的適用條件和分析方法，為電商庫(kù)存優(yōu)化和精準(zhǔn)預(yù)AdaBoost思想集合多個(gè)傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，建立AdaBoostBPNN測(cè)模型組合多個(gè)BPNN弱預(yù)測(cè)器形成強(qiáng)預(yù)測(cè)器，提高了預(yù)測(cè)的準(zhǔn)確度，提出了較為科學(xué)合理的商品短測(cè)模型。蔣文武[9]提出了一種基于WaveNet-LSTM網(wǎng)絡(luò)的商品銷(xiāo)量預(yù)測(cè)模型，通過(guò)疊加多層的擴(kuò)張的因果卷積進(jìn)間序列上的特征提取，并通過(guò)跳過(guò)連接將每一層的中間結(jié)果進(jìn)行疊加輸出，實(shí)現(xiàn)了局部和全局特征的組合，從程度上提高了商品銷(xiāo)量時(shí)間序列預(yù)測(cè)的精準(zhǔn)度。陳斯達(dá)[10]利用機(jī)器學(xué)習(xí)的方法構(gòu)建消費(fèi)者需求預(yù)測(cè)模型，挖費(fèi)者的購(gòu)物需求規(guī)律和行為習(xí)慣，再采用集成學(xué)習(xí)的方法建立商品銷(xiāo)量預(yù)測(cè)模型，分析比較得出機(jī)器學(xué)習(xí)預(yù)測(cè)優(yōu)于經(jīng)典預(yù)測(cè)方法，集成學(xué)習(xí)方法預(yù)測(cè)精度高于單個(gè)模型預(yù)測(cè)精度。劉治[11]通過(guò)數(shù)據(jù)挖掘的思想，構(gòu)筑了隨林、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)三種預(yù)測(cè)模型綜合分析比較，采用CRISP-DM(跨產(chǎn)業(yè)數(shù)據(jù)挖掘標(biāo)準(zhǔn)流程)構(gòu)建預(yù)測(cè)，提出了在大數(shù)據(jù)背景下電商商品銷(xiāo)量預(yù)測(cè)的合理流程，并提出綜合預(yù)測(cè)模型并不一定會(huì)優(yōu)于單一預(yù)測(cè)模型的里電商平臺(tái)的數(shù)據(jù)，選取有效特征建立森林回歸模型，提出了基于特征分析的商品需求預(yù)測(cè)俊和何剛[13]通過(guò)組合預(yù)測(cè)模型對(duì)商品銷(xiāo)量進(jìn)行定量性預(yù)測(cè)，分析對(duì)比得出組合預(yù)測(cè)模型比其度高。敖姝姍[14]綜合考慮了跨境電商商品的歷史數(shù)據(jù)、消費(fèi)者網(wǎng)絡(luò)行為和營(yíng)銷(xiāo)決策等多因素構(gòu)建了影響因子特征體系，并構(gòu)建了基于多因素GBDT(GradientBoostingDecisionTree，即梯度決策樹(shù))預(yù)測(cè)模范圍內(nèi)的銷(xiāo)量預(yù)測(cè)提供方法論證性支持。孟園等[15]運(yùn)用細(xì)粒度情感分析方法，提取了護(hù)膚品于產(chǎn)品評(píng)價(jià)的主客觀情感，建立細(xì)粒度綜合情感指數(shù)，驗(yàn)證了在預(yù)測(cè)中加入情感指數(shù)有利于提等[16]為了突破傳統(tǒng)預(yù)測(cè)方法在樣本數(shù)據(jù)較少的電子商務(wù)商品銷(xiāo)售額預(yù)測(cè)中表現(xiàn)出較低的精度Xgboost測(cè)方法。因素和自身特征的影響，是十分難具體分析和把控的，因此對(duì)商品進(jìn)行準(zhǔn)確的銷(xiāo)我們可以通過(guò)特定的方法和模型模擬出商品在未來(lái)的可能的需求變化，對(duì)商品的銷(xiāo)量進(jìn)行較為的各項(xiàng)決策提供較可行的決策支持，為企業(yè)生產(chǎn)和銷(xiāo)售提供指導(dǎo)。而按照預(yù)測(cè)方法不同的性質(zhì)經(jīng)驗(yàn)和情感，分析和評(píng)價(jià)未來(lái)的發(fā)展趨勢(shì)和現(xiàn)狀。這適用于事物數(shù)據(jù)不足或影(1)領(lǐng)先指標(biāo)法本思想是，假設(shè)一個(gè)經(jīng)濟(jì)變量與另一個(gè)經(jīng)濟(jì)變量之間存在著直接的聯(lián)系，此經(jīng)濟(jì)變量的變個(gè)經(jīng)濟(jì)變量的變化，可以利用此經(jīng)濟(jì)變量的變化來(lái)預(yù)測(cè)直接聯(lián)系經(jīng)濟(jì)變量的變化趨勢(shì)。領(lǐng)先領(lǐng)行指標(biāo)、同步指標(biāo)和滯后指標(biāo)，并分析這三個(gè)指標(biāo)之間的關(guān)系進(jìn)行預(yù)測(cè)。這種方法需要知6影響關(guān)系，結(jié)合時(shí)間序列方法來(lái)預(yù)測(cè)指標(biāo)的變化趨勢(shì)，是一種可靠的方法。趙猛超等[17]基于領(lǐng)先指標(biāo)建立企業(yè)HSE(健康、安全和環(huán)境)管理領(lǐng)先指標(biāo)系統(tǒng)，為企業(yè)預(yù)測(cè)安全事件發(fā)生的可能性提供參考。(2)德?tīng)柗品?專(zhuān)家意見(jiàn)法)是匿名收集相關(guān)專(zhuān)家對(duì)于需要預(yù)測(cè)的問(wèn)題的意見(jiàn)，然后對(duì)專(zhuān)家的意見(jiàn)進(jìn)行收集整理和發(fā)復(fù)多次，直至彼此意見(jiàn)一致，最終做出符合未來(lái)市場(chǎng)發(fā)展趨勢(shì)的預(yù)測(cè)結(jié)論。徐春霞和馬麗濤[18]等將不確定統(tǒng)計(jì)與德?tīng)柗品ńY(jié)合，得到一種預(yù)測(cè)GDP(生產(chǎn)總值)的新方法，并用此法預(yù)測(cè)邯鄲市的GDP。 來(lái)發(fā)展趨勢(shì)的預(yù)測(cè)，以及基于過(guò)去經(jīng)驗(yàn)和先驗(yàn)感情的歷史數(shù)據(jù)概率的預(yù)測(cè)。鑒于事件發(fā)因素大多數(shù)情況下都難以量化分析，人們很難準(zhǔn)確計(jì)算事情發(fā)生的概率，因此很多時(shí)候只能通過(guò)主于人類(lèi)生產(chǎn)活動(dòng)的各個(gè)領(lǐng)域。能以很大的誤差反映將來(lái)發(fā)生同樣事情的可能性，因此很多時(shí)候只作為參考方法。馮春梅[19]采用2)定量預(yù)測(cè)量來(lái)對(duì)事物發(fā)展趨勢(shì)進(jìn)行數(shù)據(jù)上的預(yù)測(cè)分析，定量預(yù)測(cè)的主要方法是利用數(shù)學(xué)(1)時(shí)間序列預(yù)測(cè)法均法、間序列預(yù)測(cè)方法和基于參數(shù)模型的在線時(shí)間序列預(yù)測(cè)方法的不同特異性和應(yīng)用場(chǎng)景，反映了時(shí)(2)因果分析預(yù)測(cè)法，并利用事物之間的關(guān)系建立魚(yú)骨圖，主要采用回歸分析模型。因果分析需要考慮各種主要因素，參考各種因素的可能性，綜合分析判斷，對(duì)預(yù)測(cè)模型適當(dāng)調(diào)整，確定最終的預(yù)測(cè)值，使預(yù)測(cè)結(jié)果更接近實(shí)際。因果分析預(yù)測(cè)最早是由質(zhì)量管理專(zhuān)家在川崎鋼鐵公司使用的，目的是為了找出產(chǎn)生質(zhì)量問(wèn)題的原因，發(fā)動(dòng)大家提出自己的看法，并以此做出分析，把所有人的意見(jiàn)反映在一個(gè)圖上，這就是因果圖。林蒙蒙等[23]提出基于因果分析的套索回歸(Leastabsoluteshrinkageandselectionoperator，LASSO)和極限學(xué)習(xí)機(jī)(ExtremeLearningMachines，ELM)組組合模型對(duì)預(yù)測(cè)精度的提升具有很大幫助，而且引入因果分析后，模型的預(yù)測(cè)精度得到了更進(jìn)(3)數(shù)據(jù)挖掘預(yù)測(cè)法是數(shù)據(jù)庫(kù)知識(shí)發(fā)現(xiàn)(Knowledge-DiscoveryinDatabases,KDD)中的一個(gè)步驟。數(shù)據(jù)挖掘通通過(guò)統(tǒng)計(jì)、在線分析處理、習(xí)、專(zhuān)家系統(tǒng)(取決于過(guò)去的經(jīng)驗(yàn)規(guī)則)和模式識(shí)別來(lái)實(shí)現(xiàn)收集特定信息的目標(biāo)。數(shù)據(jù)挖掘預(yù)測(cè)方統(tǒng)的不斷發(fā)展和擴(kuò)展而產(chǎn)生的一種數(shù)學(xué)預(yù)測(cè)方法，利用機(jī)器學(xué)習(xí)算法對(duì)歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)和模對(duì)數(shù)據(jù)趨勢(shì)進(jìn)行預(yù)測(cè)。常用的預(yù)測(cè)方法包括人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)、決策樹(shù)、隨機(jī)森林預(yù)測(cè)和支持向量機(jī)預(yù)測(cè)、ARIMA(AutoRegressiveIntegratedMovingAverageModel)。張秋菊和朱幫助[25]將自組織數(shù)據(jù)挖失預(yù)測(cè)，提出一種新穎的基于自組織數(shù)據(jù)挖掘的電子商務(wù)客戶(hù)流失預(yù)測(cè)模型，并驗(yàn)證了其可行和闡述，主要大致提出論文的研究背景、研究目的和國(guó)內(nèi)外相關(guān)研究現(xiàn)狀。通過(guò)介紹相關(guān)型建立的方法和理論進(jìn)行系統(tǒng)的把握和闡采用的方法和預(yù)測(cè)模型進(jìn)行介紹，通過(guò)文獻(xiàn)分析法和分析歸納法對(duì)論文所選用的ARIMA模型BP述。最后利用相關(guān)的理論和步驟構(gòu)建基于ARIMA模型與BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)組合模型，確立論。7具體銷(xiāo)量預(yù)測(cè)案例中的實(shí)施方法和應(yīng)用分析，通過(guò)預(yù)測(cè)模型對(duì)某一電商產(chǎn)品的銷(xiāo)量進(jìn)行處對(duì)比單一預(yù)測(cè)模型的預(yù)測(cè)精度指標(biāo)和基于ARIMA模型與BP神經(jīng)網(wǎng)絡(luò)的組合預(yù)測(cè)模型預(yù)測(cè)精度指的總結(jié)，通過(guò)總結(jié)闡述論文的主要成果和目標(biāo)達(dá)成情況，對(duì)自己的研究提出進(jìn)一步的闡測(cè)模型預(yù)測(cè)某電商產(chǎn)品的銷(xiāo)量，時(shí)間跨度確定為四個(gè)月左右。其主要思想是先用單一預(yù)加權(quán)的方法對(duì)單一的模型進(jìn)行組合，將加權(quán)的組合預(yù)測(cè)值作為最終的商品銷(xiāo)量預(yù)測(cè)值。本文BP網(wǎng)絡(luò)與ARIMA模型的組合預(yù)測(cè)模型ARIMA型概述ARIMA時(shí)間序列預(yù)測(cè)模型(AutoregressiveIntegratedMovingAverageModel)是時(shí)間預(yù)測(cè)方法的一種，即差，又稱(chēng)差分移動(dòng)平均自回歸模型或差分滑動(dòng)平均自回歸模型。在ARIMA(p，d，q)中，AR指的p自回歸項(xiàng)數(shù)；而MA為“移動(dòng)平均”過(guò)程，q是移動(dòng)平均項(xiàng)數(shù)，d是使其成為平穩(wěn)序列的差分次ARIMA量的本身的變化規(guī)律而不考慮以經(jīng)濟(jì)理論為基礎(chǔ)的經(jīng)濟(jì)變量影響因理來(lái)描述時(shí)間序列的變化趨勢(shì)。通過(guò)時(shí)間序列建立模型的前提是時(shí)間序列必須穩(wěn)定，如果是非平那么在建立模型之前應(yīng)該將其轉(zhuǎn)換為平穩(wěn)的序列，并要求保持原始時(shí)間序列具有的隨機(jī)性。自回動(dòng)平均模型是時(shí)間序列模型的三種基本模型，國(guó)內(nèi)外學(xué)者在這三個(gè)模型的基個(gè)隨機(jī)過(guò)程包含有d個(gè)單位根，經(jīng)過(guò)d次差分后可以轉(zhuǎn)化為平穩(wěn)的自回歸移動(dòng)平均過(guò)程，那么ARP期的觀測(cè)一個(gè)過(guò)程的當(dāng)前值與觀測(cè)值之間都存在線性函數(shù)關(guān)系，則稱(chēng)為P階自回歸過(guò)程，稱(chēng)為AR(P)。表達(dá)式如下式(2.1)所(2.1)只取決于歷史白噪聲的線性組合的時(shí)候，就得到MA模型，公式如式(2.2)所示：8(2.2)ARIMAp,d,q)，實(shí)際上是對(duì)用差分法進(jìn)行處理，d表示需要對(duì)數(shù)據(jù)進(jìn)行差(1)對(duì)序列進(jìn)行繪圖，并進(jìn)行ADF檢驗(yàn)測(cè)試，通過(guò)ADF判斷時(shí)間序列是否平穩(wěn)；而對(duì)于非平穩(wěn)的時(shí)間序列，應(yīng)該(2)經(jīng)過(guò)第一步處理后，得到了一個(gè)平穩(wěn)的時(shí)間序列，接下來(lái)分別求出平穩(wěn)時(shí)間序列的自相關(guān)系數(shù)(ACF)和偏PACF自相關(guān)圖和偏自相關(guān)圖，通過(guò)分析自相關(guān)圖和偏自相關(guān)圖的截尾等可以得到最佳階數(shù)p和qqdpARIMA行性。PBP模型是機(jī)器學(xué)習(xí)中最常用、應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型。其本質(zhì)是通過(guò)研究歷史數(shù)據(jù)，找出數(shù)據(jù)與期望值之間的誤差，為了使得整個(gè)網(wǎng)絡(luò)的誤差最小，需要依據(jù)誤差不斷BP構(gòu)如下圖2.1所示：最為常用的BP神經(jīng)網(wǎng)絡(luò)模型為單隱含層BP神經(jīng)網(wǎng)絡(luò)模型(即BPNN神經(jīng)網(wǎng)絡(luò))，即輸入層、隱含層和輸出層都只BPNN神界網(wǎng)絡(luò)模型的輸入層和隱藏層均包含多個(gè)神經(jīng)元，但輸出層只有一個(gè)神經(jīng)元。隱含層分有一個(gè)閾值，權(quán)值和閾值是模型輸出它們的值一般在[-1，1]的范圍內(nèi)。隱含層的神經(jīng)元的個(gè)數(shù)對(duì)模型的預(yù)測(cè)性能有所影響，但隱層在運(yùn)用單隱含層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)預(yù)測(cè)時(shí)，數(shù)據(jù)樣本集一般分為訓(xùn)練集(train)和測(cè)試集(test)。訓(xùn)練集試所建立模型的預(yù)測(cè)性能。當(dāng)訓(xùn)練模型的輸入層為時(shí)，隱含層神經(jīng)元的輸入和輸出分別用和來(lái)表示，輸出層神經(jīng)元的輸入和輸出分別用和y來(lái)表示，其運(yùn)算公式分如式(2.3)至(2.6)所示：(2.3)9和和含層與輸出層神經(jīng)元的閾值，隱含層與輸出層神經(jīng)元的傳遞函數(shù)分別為和。隱含層神經(jīng)元的轉(zhuǎn)移函數(shù)一般情況下均選取函數(shù)或函數(shù)，輸出層轉(zhuǎn)移函數(shù)一般選取函步驟2：設(shè)定訓(xùn)練數(shù)據(jù)(train)和預(yù)測(cè)數(shù)據(jù)(test)；)；構(gòu)建組合預(yù)測(cè)的關(guān)鍵在于如何確定各個(gè)單一模型的權(quán)重，且模型間的權(quán)重()，滿(mǎn)足歸一化約束條件于所使用的數(shù)據(jù)不同以及它們自身的預(yù)測(cè)特性而具有不同的預(yù)測(cè)精單一的預(yù)測(cè)模型，減少模型的預(yù)測(cè)誤差，提高預(yù)測(cè)精度都是相對(duì)有限的。大量研究表明，盡管模但兩個(gè)模型的結(jié)合基本上是由于模型的優(yōu)越性。組合預(yù)測(cè)的預(yù)測(cè)方法是對(duì)同一目標(biāo)使用兩種或多預(yù)測(cè)，可以采用某些定量方法的組合，或采用某些定性方法的組合，但在大多數(shù)情況下更多采用量方法的結(jié)合運(yùn)用的預(yù)測(cè)組合。這種組合的主要目的是綜合利用通過(guò)各種方法獲取分析信息，盡形式：等權(quán)加權(quán)組合和不等權(quán)加權(quán)組合。等權(quán)加權(quán)組合是指將各預(yù)測(cè)方法的預(yù)測(cè)值以等權(quán)加權(quán)組合不同，每個(gè)預(yù)測(cè)方法都按照一種或多種限制條件進(jìn)行權(quán)重分原理和適用方法相同，但在在預(yù)測(cè)方案的權(quán)重分配中有所不同。鑒于本論文采用的兩種預(yù)測(cè)模型本中預(yù)測(cè)的優(yōu)劣，該方案確定采用等權(quán)組合的方法構(gòu)造等權(quán)組合預(yù)測(cè)模型，然后對(duì)兩個(gè)系列的電行預(yù)測(cè)，以減少模型預(yù)測(cè)誤差，提高電子商務(wù)產(chǎn)品銷(xiāo)售的預(yù)測(cè)精度，從而為電子商務(wù)銷(xiāo)售提供科學(xué)合理的預(yù)測(cè)方案，保證產(chǎn)品的科學(xué)購(gòu)銷(xiāo)。組合預(yù)測(cè)加權(quán)公式如(2.7)所示。(2.7)產(chǎn)品銷(xiāo)量預(yù)測(cè)案例分析臺(tái)收集到其2019年8月15日至2020年1月20日兩個(gè)系列產(chǎn)品跨度為五個(gè)多月的實(shí)際歷史日測(cè)模型預(yù)測(cè)這兩個(gè)系列產(chǎn)品的銷(xiāo)售數(shù)據(jù)，并通過(guò)預(yù)測(cè)數(shù)據(jù)和實(shí)際數(shù)據(jù)的比較分析，檢驗(yàn)?zāi)Ｐ蛢蓚€(gè)產(chǎn)品2019年8月15日至2020年1月20日的四個(gè)月歷史日銷(xiāo)售數(shù)據(jù)，為更加直觀地表現(xiàn)銷(xiāo)量變化，分別用折線圖3.1和圖3.2表現(xiàn)如下(詳細(xì)數(shù)據(jù)見(jiàn)附件原始數(shù)據(jù)一欄)：個(gè)系列的產(chǎn)品在11月11日后三天的值均異于常值，集合實(shí)際判斷，是受到“雙11”購(gòu)的影響，為減少模型的噪音誤差，將11月11至11月13日不合理的銷(xiāo)售數(shù)據(jù)去除，分析其平均：銷(xiāo)量數(shù)據(jù)統(tǒng)計(jì)結(jié)果的產(chǎn)品的變異系數(shù)皆在15%以上，說(shuō)明這兩個(gè)系列的產(chǎn)品的銷(xiāo)量波動(dòng)較為頻繁；而產(chǎn)品比較小，但考慮到數(shù)據(jù)的量較多，且峰度值和偏度值都大于0，說(shuō)明兩個(gè)系列的產(chǎn)品銷(xiāo)量雖然起歷史數(shù)據(jù)或狀態(tài)對(duì)未來(lái)其可能發(fā)生的變化的估算，因此預(yù)測(cè)值與實(shí)際值之間總會(huì)存在著，這種預(yù)測(cè)值與實(shí)際值之間的差異，我們稱(chēng)之為預(yù)測(cè)誤差。對(duì)預(yù)測(cè)誤差進(jìn)行分析是模型預(yù)測(cè)的預(yù)測(cè)誤差一般可通過(guò)特定的運(yùn)算方式得出來(lái)，預(yù)測(cè)誤差的分析可以判斷出模型的預(yù)測(cè)精度并測(cè)預(yù)測(cè)誤差越小，那么模型的預(yù)測(cè)效果越好。本論文擬采用預(yù)測(cè)誤差的分析模型精度分析指標(biāo)如eanSquareErrorRMSE比的平方根，表示樣本的離散程度，其計(jì)算公式如式(3.1)所示：(3.1)(2)平均相對(duì)百分比誤差(MeanAbsolutePercentageError，MAPE)，其計(jì)算公式如式(3.2)所示：(3.2)值越大，其計(jì)算公式如式(3.3)所示：(3.3)E的MAPE衡量模型預(yù)測(cè)能力情況MAPE)MAPE0%PEMAPE0%測(cè)結(jié)果分析ARIMA型、BP神經(jīng)網(wǎng)絡(luò)模型和組合預(yù)測(cè)模型的預(yù)測(cè)結(jié)果，在分析各自模型預(yù)測(cè)精度的基礎(chǔ)型的可行性和優(yōu)勢(shì)。設(shè)置BPNN，將BP網(wǎng)絡(luò)輸入層的神經(jīng)元數(shù)目設(shè)置為7，輸出層的神經(jīng)元數(shù)目設(shè)置為1，通過(guò)實(shí)驗(yàn)選為15。此外，根據(jù)實(shí)驗(yàn)對(duì)比分析，最后選擇logsig函數(shù)作為激勵(lì)函數(shù)，選擇trainlm函數(shù)作為數(shù)為3000次，訓(xùn)練目標(biāo)為0.003，學(xué)習(xí)速率為0.03，BP神經(jīng)網(wǎng)絡(luò)各層及訓(xùn)練流程如圖3.3所ACFPACF上得到的d、q、p確定ARIMA時(shí)間序列預(yù)測(cè)模型，其中“p”由偏自相關(guān)圖PACF確qACF，由MATLAB數(shù)據(jù)處理與建模軟件得出的ARIMA時(shí)間序列預(yù)測(cè)模型的自相關(guān)圖ACF、偏PACF規(guī)則如表3.3所示。確定規(guī)則ARIMA(p,d,0)P零ARIMA(0,d,q)ARIMA(p,d,q)ARIMA函數(shù)均在1階截尾，且自相據(jù)變化數(shù)列的自相關(guān)函數(shù)及偏自相關(guān)函數(shù)的特點(diǎn)，并通過(guò)反復(fù)的測(cè)試，得出ARIMA時(shí)間序(1)單一預(yù)測(cè)模型預(yù)測(cè)結(jié)果分析處理分析得出的各單一預(yù)測(cè)模型的預(yù)測(cè)值和預(yù)測(cè)精度指標(biāo)均方根誤差RMSE、平均相對(duì)百分BPNN模型的MAPE預(yù)測(cè)精度為0.27要大于ARIMA時(shí)間序列預(yù)測(cè)模型的MAPE預(yù)測(cè)精度值0.19，說(shuō)明ARIMA時(shí)間序型預(yù)測(cè)系列一產(chǎn)品的預(yù)測(cè)精度要高。但在預(yù)測(cè)系列二產(chǎn)品的時(shí)候，BPNN神經(jīng)網(wǎng)絡(luò)模型的MAPE預(yù)測(cè)精度0.35ARIMA序列預(yù)測(cè)模型預(yù)測(cè)精度0.37要小，說(shuō)明預(yù)測(cè)系列二產(chǎn)品的時(shí)候BPNN神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度反而要更大一預(yù)測(cè)模型預(yù)測(cè)兩個(gè)系列產(chǎn)品的預(yù)測(cè)精度都在10%~50%以?xún)?nèi)，說(shuō)明這兩個(gè)模型的預(yù)測(cè)都是合理的，可接受測(cè)產(chǎn)品一的時(shí)候，BPNN神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)最高誤差為1.32，ARIMA時(shí)間序列預(yù)測(cè)模型的預(yù)測(cè)最；預(yù)測(cè)系列二產(chǎn)品的時(shí)候BPNN神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)最高誤差為0.82，ARIMA時(shí)間序列預(yù)測(cè)模型的最高誤差為然單一預(yù)測(cè)模型的預(yù)測(cè)精度是合理的，可接受的，但在局部范圍內(nèi)，其預(yù)測(cè)仍有較大的誤差。因此通預(yù)測(cè)電商產(chǎn)品的未來(lái)銷(xiāo)量，會(huì)有較大的差異，需要多次地驗(yàn)證其預(yù)測(cè)結(jié)果。其中，誤差=預(yù)測(cè)差異一預(yù)測(cè)值與相關(guān)分析數(shù)據(jù)時(shí)間實(shí)際值BP預(yù)測(cè)值A(chǔ)RIMA預(yù)測(cè)值BP預(yù)測(cè)差異ARIMA預(yù)測(cè)差異BP誤差A(yù)RIMA誤差08-3日日日日-186-1307-186-13070.31.03-11.65日值與相關(guān)分析數(shù)據(jù)BPARIMA值BP異ARIMA差異PARIMA8-1070.3680.30-7350.21-0.1454-0.17-5.01日-1246.29.06日-145-150.30.03日-183-156.29.25日-10530.30日日日.25日-1050.37EPE預(yù)測(cè)值與相關(guān)預(yù)測(cè)數(shù)據(jù)BPARIMA值BP異ARIMA差異PARIMA日日日-1050.54日日日9-1.01日日390.31日8-01728日日-740.38.24值與相關(guān)預(yù)測(cè)數(shù)據(jù)時(shí)間實(shí)際值BP預(yù)測(cè)值A(chǔ)RIMA預(yù)測(cè)值BP預(yù)測(cè)差異ARIMA預(yù)測(cè)差異BP誤差A(yù)RIMA誤差-17-0.13-78-78-1068133581-12135-79650-70-10751.20EPE(2)組合預(yù)測(cè)模型預(yù)測(cè)結(jié)果分析加權(quán)系數(shù)分配，結(jié)合單一預(yù)測(cè)模型的預(yù)測(cè)值，得出組合預(yù)測(cè)精度指標(biāo)如表3.6和表3.7所示。通過(guò)計(jì)算出組合預(yù)測(cè)模型的預(yù)測(cè)精度指標(biāo)系數(shù)及模型預(yù)測(cè)誤差可單一預(yù)測(cè)模型分配下，基于BP神經(jīng)網(wǎng)絡(luò)與ARIMA預(yù)測(cè)模型的組合預(yù)測(cè)模型在兩個(gè)系列的產(chǎn)品預(yù)一組合預(yù)測(cè)值與相關(guān)預(yù)測(cè)數(shù)據(jù)-61.75.98.01日日日日日日日5.07-0.18-80.19-80.196.23-0.17日日日日日日EPE二組合預(yù)測(cè)值與相關(guān)預(yù)測(cè)數(shù)據(jù)實(shí)際值組合預(yù)測(cè)值組合預(yù)測(cè)差異誤差日日日日日日4日日日3823日日0.31-2.01.050-0.122-0.140.39-0.1860520.3134.20-7.04-101EMAPE0.30值對(duì)比圖如圖3.6和圖3.7所示。從折線圖可以看出，雖然組合預(yù)測(cè)模型和兩個(gè)單一模型的著差異，但總體起伏與數(shù)值的差異并不是很大。結(jié)合組合預(yù)測(cè)模型的預(yù)測(cè)精度和單一預(yù)測(cè)模的競(jìng)爭(zhēng)越來(lái)越激烈。如果企業(yè)想在激烈的競(jìng)爭(zhēng)中處于有利的競(jìng)爭(zhēng)出準(zhǔn)確而科學(xué)的銷(xiāo)售決策。因此，在未來(lái)對(duì)產(chǎn)品銷(xiāo)售預(yù)測(cè)的需求將繼續(xù)增長(zhǎng)。在這樣的背景下，如額是企業(yè)在市場(chǎng)競(jìng)爭(zhēng)中獲得競(jìng)爭(zhēng)地位的關(guān)鍵。預(yù)測(cè)方法及其使用方式的選擇是銷(xiāo)售預(yù)測(cè)中最重要的方法可以帶來(lái)更準(zhǔn)確的預(yù)測(cè)結(jié)果，從各個(gè)方面有效地結(jié)合不同的預(yù)測(cè)方法是改善預(yù)測(cè)效果的重要手預(yù)測(cè)研究仍在不斷發(fā)展，今后，在預(yù)測(cè)工具快速發(fā)展的基礎(chǔ)上，將找到更好、更合理的組合預(yù)測(cè)模的時(shí)間變化，改善預(yù)測(cè)效果。焦點(diǎn)。0年經(jīng)歷了懸崖勒馬的濟(jì)仍然呈現(xiàn)正向增長(zhǎng)，但在總體上社會(huì)經(jīng)濟(jì)依然不太明朗。在這種經(jīng)濟(jì)狀態(tài)下，企業(yè)內(nèi)外部，企業(yè)銷(xiāo)量預(yù)測(cè)對(duì)于企業(yè)來(lái)說(shuō)更為重要也更為艱難。運(yùn)用組合預(yù)測(cè)能更加綜合地考慮企業(yè)內(nèi)外件下能為企業(yè)提供具有可行性的產(chǎn)品營(yíng)銷(xiāo)計(jì)劃參考。產(chǎn)品是企業(yè)的核心，也是企業(yè)成本、利影響對(duì)象，對(duì)于電商企業(yè)企業(yè)來(lái)說(shuō)，產(chǎn)品營(yíng)銷(xiāo)更是重中之重。電商企業(yè)運(yùn)用組合預(yù)測(cè)模型預(yù)測(cè)把控庫(kù)存及營(yíng)銷(xiāo)計(jì)劃，減少企業(yè)不必要的成本，從源頭上提升企業(yè)的資本運(yùn)作效率，為企業(yè)的與展望內(nèi)容總結(jié)生產(chǎn)計(jì)劃的核心任務(wù)。產(chǎn)品銷(xiāo)售預(yù)測(cè)會(huì)影響一系列問(wèn)題，例如計(jì)劃、預(yù)算、銷(xiāo)售量、生做好銷(xiāo)售預(yù)測(cè)是公司營(yíng)銷(xiāo)非常重要的一步。本文重點(diǎn)研究基于組合預(yù)測(cè)方法的產(chǎn)品銷(xiāo)售預(yù)測(cè)模合預(yù)測(cè)模型相對(duì)于其他單一預(yù)測(cè)模型在產(chǎn)品銷(xiāo)售預(yù)測(cè)過(guò)程中的準(zhǔn)確性。本文建立的基于組合預(yù)測(cè)BP、ARIMA預(yù)測(cè)模型以及基于BP神經(jīng)網(wǎng)絡(luò)和ARIMA時(shí)間序列預(yù)測(cè)的組合預(yù)測(cè)模型的分析比較RMSEMAPEMAE出：組合預(yù)測(cè)模型的預(yù)測(cè)往往比單一預(yù)測(cè)模型的預(yù)測(cè)效果更優(yōu)。在實(shí)際預(yù)測(cè)中BP神經(jīng)網(wǎng)絡(luò)模型與ARIMA時(shí)間序列預(yù)測(cè)模型品進(jìn)行預(yù)測(cè)時(shí)呈現(xiàn)不同的預(yù)測(cè)狀態(tài)，說(shuō)明了在預(yù)測(cè)中預(yù)測(cè)模型對(duì)不同數(shù)據(jù)的處理存在或大或小的品進(jìn)行預(yù)測(cè)時(shí)切不可過(guò)度信賴(lài)預(yù)測(cè)出的數(shù)據(jù)，而是審時(shí)度勢(shì)，依據(jù)外部環(huán)境的變化和企業(yè)自身的研究展望究了基于BP神經(jīng)網(wǎng)絡(luò)與ARIMA時(shí)間序列預(yù)測(cè)模型的電商產(chǎn)品銷(xiāo)量預(yù)測(cè)，在實(shí)際研究中僅僅考慮趨勢(shì)，沒(méi)有考慮其他因素的影響，為企業(yè)研究在特定狀態(tài)下的產(chǎn)品可能的變化情況提供參考測(cè)中，企業(yè)的銷(xiāo)量還受到多種因素的影響，比如國(guó)際國(guó)內(nèi)經(jīng)濟(jì)形勢(shì)，企業(yè)的發(fā)展?fàn)顟B(tài)，企業(yè)素的影響，在未來(lái)的研究中，將更加綜合地將這些因素納入到研究?jī)?nèi)容中，或考慮更加多樣。RHicksRLetalCanGoogletrendsimproveyoursalesforecastJProductionandOperationsManagement2018,27(10):1770-1774.華,張夢(mèng)迪.基于百度指數(shù)的大眾汽車(chē)銷(xiāo)