基于跨境电商可控关联性大数据的出口产品销量动态预测模型

目前流行的外贸产品销量预测方法单纯地分别从第三方平台或大数据角度研究预测问题,对互联网平台、跨境电商、大数据融合应用于产品销量动态演化预测的考虑不足。为提高出口产品销量预测效果,实现预测系统的伸缩性和动态演化性,基于研究"互联网+外贸"环境下跨境电商出口产品销量可控关联性大数据挖掘、个性化预测机制、智慧预测算法,改进分布式定量、集中式定性计算等相应算法,提出一个"互联网+外贸"驱动下基于跨境电商可控关联性大数据的出口产品销量动态预测模型,并进行了应用实验,对各种模型的实验结果进行对比分析。实验结果表明,该模型充分融合了"互联网+"的开放性、可延伸性和大数据动态预测优势,实现了"互联网+外贸"环境下基于跨境电商可控关联性大数据的出口产品销量动态、智慧、定量定性预测。该模型综合预测效果明显优于传统模型,具有较强的动态演化性和较高的实用价值。     

基于机器学习组合模型的电商商品销量预测

如何准确高效地预测销量是企业一直以来关注的重要问题.传统的时间序列预测方法虽然在研究和实践中占主导地位,但是存在一定的局限性.随着大数据的发展,电商企业能获取前所未有的数据量和数据特征,仅利用过去的行为和趋势很难准确地对销量进行预测.本文提出一种基于随机森林、GBDT、XGBoost算法的成本厌恶偏向性组合预测模型,并利用每个商品的成本数据实现对样本的精细化赋权,进而输出预测结果.结果表明,组合预测模型能更精确预测销量,对电商企业降低商品管理成本有重要意义.     

小样本下多维指标融合的电商产品销量预测

为突破传统预测方法在小样本数据下电商产品销量预测中精度较低的局限，开展基于集成学习Xgboost的预测模型研究。综合考虑影响电商产品销量的多维指标，包括：在线搜索、在线评论、页面访问、库存与订购量、情绪指数等并利用熵值法融合同类指标。应用Logistic函数和正则修正项，结合贪心算法划分子树，构建基于集成学习Xgboost的电商产品销量预测模型。针对京东商城的联想zuk z2手机产品进行模型检验，并与BP神经网络、SVM支持向量机、BP-SVM组合预测三个模型进行对比，发现融合多维指标的Xgboost预测模型的精度显著提高，为小样本数据下电商产品销量预测提供方法和思路。     

基于商品聚类的电商销量预测

随着我国大力推进电商行业的发展,越来越多的电商企业加入到线上的竞争之中.随着销量的增大,第三方电商企业所掌握的销售数据也越来越多,这些分类上零散的销售数据给数据处理预测带来了一定的难度,常常导致在预测过程中数据不完备或者预测结果存在非常大的偏差.为了改善这一问题,这里提出了一种基于销售数据的产品重分类预测模型,利用产品销售共性提取产品聚类簇,再使用时间序列模型得出预测结果并通过隐马尔科夫预测模型给出预测结果的概率分布.通过实验分析,利用以上模型的预测获得较好的预测结果,对电商企业制定营销策略具有一定的参考价值.     

基于BP神经网络的包装产品销量预测研究

在研究农副产品包装产品历史销售数据和影响农副产品包装销量主要因素的基础上,建立了一个基于BP神经网络的包装产品销量预测模型,并利用该模型预测主要包装产品的销量,根据预测值对产供销管理系统中原材料采购和生产计划制定进行指导。     

基于卷积神经网络的汽车销量预测模型

传统使用网络搜索数据进行销量预测时多通过人工选取关键词,难以充分考虑所有关键词的搜索量信息.通过使用卷积神经网络提取数据特征,能够解决传统预测方法存在的关键词合成问题.文章首次将深度学习理念引入汽车销量预测领域,首先通过网络爬虫方式获取汽车相关的关键词与网络搜索量,然后根据网络搜索量数据和销量数据的特点设计一种基于卷积神经网络的汽车销量预测模型,并对2019年上半年大众汽车销量做出预测.实验结果显示,与RBF模型、ARIMA模型、ARIMA+RBF混合模型对比,卷积神经网络的预测精度更高,大众品牌的预测精度达到89.51％.由于春节以及新政策出台的影响,2月份为预测误差最大的月份;随着市场的回暖,3月份为预测精度最高的月份.该预测方法为销量预测领域的研究提供了一种新思路.     

基于深度学习的线上农产品销量预测模型研究

本文基于线上农产品销售存在的信息不对称问题,提出一种应用深度学习算法优势结合涉农电商销售数据特点的销量预测模型-皇冠模型（Imperial Crown Model,简称ICM）。首先建立因素评价指标,将销量分为四个类别。其次,采用两层自编码网络从无标签数据集中学习得到能够表征数据特征的参数,并生成新的特征向量。然后利用训练后的有标签样本集和无标签样本集训练分类器并分类。最后,利用反向传播算法微调整个网络参数得到使损失函数值达到最小的最优参数,从而实现线上农产品的销量分类预测。经仿真分析,验证了ICM模型的分类准确率高达88%,明显高于其它未将数据进行特征学习的浅层分类器,证明了ICM具有较好的增量自学习能力和层次认知能力。     

基于级联网络的短期电力负荷预测研究

电力系统负荷预测通过对历史数据分析,预测未来需求,利用经典的Kohonen网络、Elman神经网络和粒子群优化算法建立级联网络预测模型,为了对电力系统短期精确预测,提出了处理非线性问题和解决负荷预测问题.对级联网络预测模型不但能够综合各种单一预测模型的优点,而且能够随时间的推移使结构不断变化,可以减少负荷预测的工作量.用三种神经网络模型进行短期电力负荷预测的仿真结果比较,验证了级联网络预测算法的有效性和良好的应用前景.     

多种算法融合的产品销售预测模型应用

销量预测一直是一个热点研究的课题,对于各个企业有着重要的意义.近年来,随着深度学习的崛起,用于销量预测的模型越来越多,而单一模型的预测性能往往不够理想,所以出现了越来越多的组合模型.本文利用Stacking策略将XGBoost、支持向量回归（Support Vector Regression,SVR）、GRU神经网络作为基础模型,然后将LightGBM作为最终的预测模型,并且融合了新的特征.集中了几种模型的优势,大大提高了模型的预测性能,更加接近真实的销量数据,为回归预测提供一种新的预测方法.     

基于大数据分析技术的电力市场短期电价预测

为了提升电力市场短期电价预测精度，提出大数据分析的电力市场短期电价预测模型。首先收集电力市场短期电价历史数据，然后采用大数据分析中的最小二乘支持向量机算法对电力市场短期电价变化趋势进行拟合和分析，建立最优的电力市场短期电价预测模型，最后采用具体实例分析了设计的电力市场短期电价预测模型的性能，结果表明，所提模型能够准确描述指标与电力市场短期电价之间的变化关系，获得较高精度的理想电力市场短期电价预测结果，电力市场短期电价预测效率高，具有一定的实际应用价值。     

卷烟产销衔接模型

为了＂按客户订单组织生产＂,优化和提升企业的内部业务流程,合理配置资源,提高效率和效益,实现对市场的快速响应,提出产销衔接模型。模型结合当前中烟公司的实际需求,设计出一套算法,并利用一元线性回归模型实现短期的滚动预测,在滚动预测的基础上,确定日均销量和期末库存,最终确定投放量,根据每日投放量编排滚动生产计划,确保产品工业存货不断档,最大限度保证商业企业的需求。     

神经网络在卷烟销售量预测的应用研究

研究卷烟销售预测准确问题,卷烟销售量具有季节性和周期性动态变化规律,并受经济、人口等因素的影响,使系统存在明显的非线性特征,波动范围比较大,传统线性预测模型难以准确预测。为了提高卷销售预测精度,提出一种能够反映卷烟销售量变化规律的Elman神经网络的卷烟销售预测模型。首先采用逐步拓阶方法确定卷烟销售量的最佳滞后阶数,然后利用最佳滞后阶数最对卷烟销售数据进行重组,并输入Elman神经网络学习,利用Elman神经网络的动态和反馈特点对卷烟销售量进行预测。将建立的模型应用于云南某烟草公司某种卷烟销售的预测,结果表明,Elman神经网络模型有效提高了卷烟销售预测精度,降低了预测误差,为烟草行业销售管理预测提供科学依据。     

基于3D展示技术和NIRS的红木家具展销系统的设计

摘　要:把目前流行的基于图像的3D展示技术和NIRS引入到红木家具行业的产品销售模式中,通过把传统展示技术与3D展示技术进行对比,说明了三维展示技术在红木家具行业电商平台的实用性,设计了红木家具展销平台。重点研究了红木家具产品3D展示平台的搭建方法,主要包括平台搭建的核心技术以及利用jQuery技术实现产品的3D展示的流程,同时结合3D展示技术和NIRS实现了红木家具产品的在线鉴别。红木家具产品的3D展示为网站增添了不少特色,而且也更凸显出家具产品独有的特点,为客户提供全方位的产品信息,红木家具的在线鉴别,确保了红木家具产品的真实性,从而可以提高产品的销售率,这种新型的销售模式对红木家具行业电子商务的发展有着重要的意义,前景是非常可观的。     

Prediction of retail sales of footwear using feedforward and recurrent neural networks

Fluctuation of sales over time is one of the major problems faced by most of the industries. To alleviate this problem management tries to base their plans on forecast of sales pattern, which are mostly adhoc and rarely provides solid foundation for the plans. This study makes an attempt to solve this problem by taking a neural network approach, at the process of sales of footwear, and arriving at an optimum neural network model. The algorithms used for developing such model through neural network are both feedforward and recurrent Elman network. The data used in this work are the weekly sales of footwear and the information about the seasonality of sales process. While solving the problem, the focus is on forecasting of weekly retail sales as per the requirement of management. This work would reduce the uncertainty existing in the short-term/middle term planning of sales and distribution logistics of footwear over different time horizons across the entire supply chain of footwear business.     

一种基于LSTM模型的日销售额预测方法

精准的销售额预测对于商业运营有非常大的指导意义,可以指导运营后台提前进行合理的资源配置,帮助管理者制定合理的目标。零售商店日销售额预测指从商店已有日销售额的数据资料中总结出商品销售额的变化规律,并根据该规律动态预测未来一段时间内的日销售额。预测目的是通过增加企业销量,从而完善生产模式,使企业获利。目前,现有的关于商品销售额预测方法的精度大都不高,低于85%。因此,提出了一种基于TensorFlow的LSTM模型的零售商店日销售额预测方法,能够提高预测未来一周的日销售额精度。实验结果显示,预测精度达到90%;同时得到LSTM模型的MAPE为0.031932,MAE为168.3207,明显高于现有模型的预测结果。     

特殊事件对月售电量及其预测的影响分析

特殊事件会使月售电量发生很大变化,导致实际售电量曲线明显偏离典型售电量曲线。然而由不考虑特殊事件的传统预测模型得到的月售电量预测曲线却更接近于典型售电量曲线,这将不可避免地导致月售电量预测精度降低。为解决该问题,本文以异常高温,政治事件和超强台风为例,分析研究了特殊事件对月售电量及其预测的影响。首先,介绍了“互联网+”背景下基于大数据的月售电量预测模型,并对其预测精度进行了评估;其次,针对异常高温、政治事件及超强台风三种特殊事件,描述了各事件的特殊情况,以实际月售电量数据说明了特殊事件对月售电量的影响,然后利用月售电量预测模型研究了特殊事件对月售电量预测的影响,并详细分析了产生这种影响的原因,在此基础上,针对不同的特殊事件提出了相应的初步改善对策。     

引入虚拟变量的时间序列分解法在卷烟销量预测中的应用

时间序列分解法依据时间序列的长期特征和季节性特征对未来进行合理预测,但处理季节因素时,在我国会受到传统节日的影响．以时间序列分解法为基础,将中国传统节日设定为虚拟变量,构建基于时间序列分解法和虚拟变量的改进模型．通过虚拟变量估测传统节日对序列的影响,对传统方法进行适用性改进．在对某省卷烟90个月总销量预测的算例中,改进后的预测方法能够提高预测精度,有利于企业据此合理安排生产销售计划．     

不同竞争环境下损失厌恶与网络销售效率对双渠道供应链的影响

考虑由电商平台和制造商组成的双渠道供应链,制造商存在网络销售效率问题,消费者存在损失厌恶心理,在不同竞争环境下,分析网络销售效率、损失厌恶对企业定价和收益的影响.结果表明,在Nash均衡博弈、制造商主导Stackelberg博弈和电商平台主导Stackelberg博弈下,网络销售效率的下降导致网络销售价格和电商平台收益上升,制造商收益和供应链收益下降,网络销售价格在电商平台主导Stackelberg博弈下最大,在制造商主导Stackelberg博弈下最小;损失厌恶的增大导致网络销售价格、企业和供应链收益均下滑,企业收益在自身企业主导Stackelberg博弈下最大,在对方企业主导Stackelberg博弈下最小;供应链收益在供应链集中下最大,在电商平台主导Stackelberg博弈下最小.