2020年第5期总第162期
福建师大福清分校学报
JOURNAL OF FUQING BRANCH OF FUJIAN NORMAL UNIVERSITY
No.5 2020Sum 162
柯苗，黄华国
(福建水利电力职业技术学院信息工程系，福建永安 366000 )
摘 要：探讨深度学习技术在时间序列预测方面的理论依据.将商品销量预测归纳为多变量时间序列的预测问题，使用某电商网店的历史销售数据，详细介绍在TensorFlow 框架下搭建LSTM 网络模型的方法，对比了使用AR 模型进行预测的运算结果，得到LSTM 网络模型具有数据输入简单方便，在网络的结构、训练方法的效率及有效性和预测的准确性等方面都具有更大的优越性.研究结果对电商企业改善营销决策和合理的库存管理具有重要的指导意义. 神经网络预测关键词：商品销量预测；LSTM；网络模型搭建
中图分类号： F713.3 文献标志码：A 文章编号：1008-3421(2020)05-0083-07
收稿日期：2020-04-14基金项目： 2019年福建省中青年教师教育科研项目(编号JAT191234).
作者简介：柯苗(1983— )，女，福建晋江人，硕士，实验师，研究方向为电子商务发展. 黄华国(1965— )，男，福建莆田人，硕士，副教授，研究方向为电子商务发展.
在电子商务的飞速发展的今天，智能手机以及电子支付也随之兴起，人们消费购物习惯的改变，在很大程度上影响了传统的供应链运行模式，其维度主要体现在资金流，信息流和产品流.如何将三者有效结合，需求预测起到了关键性作用，而需求预测是大多数企业最难解决的应用性问题.
企业大量的线上营销数据在当前主流电商平台通过查询软件均可查看，但大多数电商企业往往无法有效运用后台数据来辅助商业决策，需求预测仍是许多企业面临的重大挑战.电商零售的销量预测，与天气、温度、雨量、股票等相似，都是个时间序列的预测问题.由于数据存在着季节性、动态性和周期性的特征，数据序列往往是非线性的，使得用统计学时间序列模型的传统方法较难解决跨性能的多时间序列问题，而机器学习的方法非常灵活，可以通过预测商品的销量来辅助商业决策，可建立各类特征模型解决问题，但是这些工作需要特定领域的专业人员，人工特征工程费时、费力，限制了这项技术的推广.
深度学习技术，相对于传统技术而言，可
以自动将有效特征从大量的原始数据中抽取出来，因此经过深度学习而建立的模型，其使用性更强[1].LSTM 时间递归神经网络，在预测和处理时间序列的间隔和延迟相对更长的重要事件具有合适性的特征，最近几年，此特征在许多的相关领域的应用中表现突出[2].文章在LSTM 网络的基础上，探讨电商销售预测模型，建立有效简便的LSTM 网络模型.实验中采用TensorFlow 框架下搭建LSTM 网络模型，利用网店的历史数据，进行分析预测，将真实值和预测值进行对比.
1 LSTM 的结构和原理介绍1.1 RNN(循环神经网络)
长短期记忆神经网络也称为循环神经网络[3].RNN 在用于时间序列预测中使用频率高，是一种预测和处理系列数据的专用神经网络[4].RNN 神经网络结构及展开，如图1所示，表示了一个循环的神经元，在图中，右侧展开图是按照时间的先后顺序将循环神经网络的计算图展开，其中X t 所代表的是t 时刻的输入,S t 所代表的是t 时刻的记忆，而O t 所代表的是t 时刻的输出，由此可得出，当下时刻的输出O t 取决
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议