基于时间序列的服装销售预测系统研究与应用

发布时间：2017-10-27 18:07

  本文关键词：基于时间序列的服装销售预测系统研究与应用

  更多相关文章： 时间序列 自动回归 滑动平均 服装销售预测

【摘要】：服装行业在生产采购、销售、库存三方面具有快销的性质,快速响应短周期的销售需求,提升供应链管理效率是服装企业面临的关键问题。本文以提高短期服装销售预测的合理性为目标,分析服装行业的影响因素,提出基于时间序列的服装销售预测解决方案。主要工作内容如下：本文在研究时间序列和预测理论的基础上,基于当前时间序列值不仅受到过往时间序列值的影响；也受到时间序列过往的随机白噪声和当前随机白噪声影响的思想,确定周销售量为预测目标,采用自动回归预测和滑动平均预测的线性组合来模拟上述过程的技术,令影响当前周销售量的过往销售量期数和过往随机白噪声期数作为影响因子：影响因子所占的影响成分作为权重因子,消除中长期的季节性影响,将销售数据经过差分的平稳化处理,接着求解参数,最后利用预测误差检验模型的有效性,获得销售预测模型。本文设计了一个面向服装行业的销售预测系统,该预测系统包含了销售数据管理、趋势分析和仓储管理等三个模块。技术核心是构建销售预测模型。在销售预测模型的构建中,通过确定表的产品数据结构,库存数据结构,销售日志数据结构后,提取销售数据,生成时间序列数据。根据以服装销售的周销售量为预测目标,先定义影响因子为自动回归预测和滑动平均预测的各阶系数；令权重因子为自动回归和滑动平均的待估参数,建立自动回归滑动平均预测模型。接着利用RStudio的可视化统计特性,对历史销售量进行可视化,生成功能模块各服装款式的时间序列趋势分析图,将销售量分解为季节性因素、基本趋势因素、随机因素,引入消除短周期销售量的季节性因素机制,得到不含长期趋势的时间销售量序列。然后对该序列进行序列协方差与序列方差比值的平稳性检验,称为自相关函数平稳性检验,当序列自相关函数值的检验值大多数落在给定的置信区间外,则对序列进行自阶差分变换处理,将非平稳时间序列差分化变换为平稳性序列。偏相关函数是自相关函数对各个权重因子的偏导,用以减少两个序列值之间的那些序列对当前期销售量的影响。通过序列自相关函数值和偏相关函数值在置信区间内减少至零的阶数,结合最小信息准则,确定相关因子中影响因子的个数；利用训练集的真实销售值与得到的影响因子的个数构成方程组,通过最小二乘法,分别对自回归权重因子和滑动平均权重因子方程组的偏导数,得到最优权重因子,从而确定预测模型的回归方程。最后从模型有效性角度,检验预测模型的预测值与真实值间的预测误差是平稳性的；且预测误差是服从零均值的正态分布曲线,可以对未来销售量进行预测。本文基于核心预测模型,开发了销售预测系统,提供了可视化的趋势分析功能,并在一家大型服装企业试用后,有效改善了销售体系中销售与补货的矛盾,为服装企业的运营决策提供了有效的支撑。
【关键词】：时间序列 自动回归 滑动平均 服装销售预测
【学位授予单位】：广东工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP311.52
【目录】：

• 摘要4-6
• ABSTRACT6-8
• 目录8-11
• CONTENTS11-14
• 第一章 绪论14-19
• 1.1 研究的背景与意义14-15
• 1.2 国内外研究现状15-17
• 1.3 研究内容17
• 1.4 论文的组织结构17-19
• 第二章 相关理论和技术19-31
• 2.1 时间序列模型概念19-20
• 2.2 时间序列分类20-21
• 2.2.1 平稳序列20
• 2.2.2 非平稳序列20-21
• 2.3 自动回归滑动平均模型理论21-22
• 2.3.1 自动回归模型21-22
• 2.3.2 滑动平均模型22
• 2.3.3 自动回归滑动平均模型22
• 2.4 差分自动回归滑动平均模型22-27
• 2.4.1 模型定阶23-25
• 2.4.2 模型参数估计25-26
• 2.4.3 模型检验26-27
• 2.5 服装销售影响因素和产品分类27-28
• 2.5.1 影响因素27
• 2.5.2 产品分类27-28
• 2.6 预测理论28-30
• 2.6.1 定性预测28
• 2.6.2 定量预测28-30
• 2.7 本章小结30-31
• 第三章 系统设计31-41
• 3.1 系统分析31-32
• 3.2 总体架构32-36
• 3.3 系统组成36-40
• 3.4 本章小结40-41
• 第四章 销售预测模型41-59
• 4.1 时间序列预测流程41-42
• 4.2 数据预处理42-46
• 4.2.1 数据提取42-44
• 4.2.2 参数定义44-46
• 4.3 相关性分析46-53
• 4.3.1 影响因素分析47-51
• 4.3.2 平稳性分析51-53
• 4.4 相关因子分析53-57
• 4.4.1 影响因子定阶53-56
• 4.4.2 权重因子估计56-57
• 4.5 预测模型57
• 4.6 本章小结57-59
• 第五章 应用与分析59-67
• 5.1 应用背景59
• 5.2 数据准备59-60
• 5.3 系统应用60-63
• 5.4 预测结果分析63-66
• 5.5 本章小结66-67
• 总结与展望67-69
• 参考文献69-72
• 攻读硕士学位期间发表的论文72-74
• 致谢74

【相似文献】

中国期刊全文数据库 前10条

1 李霞;;基于神经网络的销售预测研究[J];中国高新技术企业;2010年34期

2 刘德玲;;大区域内药品销售预测方法研究与仿真[J];计算机仿真;2012年07期

3 邰丽君;胡如夫;赵韩;陈曹维;;改进遗传神经网络算法在销售预测中的应用研究[J];现代图书情报技术;2012年01期

4 朱卫华,唐向宏,张福洪;小波分析在短期销售预测中的应用[J];杭州电子科技大学学报;2005年01期

5 王平,明哲,王艳红;汽车行业销售预测系统的分析、设计与实施[J];情报科学;2001年02期

6 凤德伟,张忠能,凌君逸;基于神经网络的短期销售预测[J];计算机工程;2004年S1期

7 闫博;李国和;黎旭;;基于ARMA的销售预测方法与系统实现[J];计算机与现代化;2014年05期

8 盛魁;;RBF神经网络在药品销售预测中的应用[J];长江大学学报(自科版);2013年19期

9 徐曦;遭遇无“沸点”的CRM市场[J];电子商务世界;2003年07期

10 赵玉欣;商秀娟;陈美娜;;基于Excel的季节性销售预测——以某小型海鲜酒楼为例[J];财会通讯;2010年04期

中国重要会议论文全文数据库 前1条

1 李弘;娄青;;销售预测审计量表开发和应用研究[A];中国市场学会2006年年会暨第四次全国会员代表大会论文集[C];2006年

中国重要报纸全文数据库 前9条

1 谢天武 编译;英国出版商尝试开发销售预测系统[N];中国图书商报;2006年

2 锦红;零售规划系统显威[N];中国商报;2001年

3 ;零售规划系统显威[N];中华工商时报;2000年

4 通讯员 胡芳;东航河北分公司各单位降本增效在行动[N];中国民航报;2009年

5 傅安国;新产品短命6个原因[N];市场报;2001年

6 本报记者 赵曦;“双11”临近 传统企业“触电”渠道融合[N];消费日报;2012年

7 本报记者 屈丽丽;乐淘网：困惑的鞋子品牌“全卖场”[N];中国经营报;2010年

8 记者 王昕;全力营造假日旅游良好氛围[N];河北日报;2000年

9 Drew Armstrong 编译 王迪;辉瑞笃定重启并购模式[N];医药经济报;2014年

中国硕士学位论文全文数据库 前10条

1 娄青;销售预测审计量表开发和应用研究[D];大连理工大学;2006年

2 奚伟;电磁阀及天然气控制系统的销售预测[D];上海交通大学;2013年

3 王刚;支持向量回归机在药品销售预测中的分析及应用[D];云南财经大学;2010年

4 宋英超;基于数据挖掘的销售预测决策支持系统研究[D];中国海洋大学;2005年

5 胡立磊;基于供应链的销售预测研究[D];江苏大学;2008年

6 孔志周;基于小波网络的数据挖掘技术及其在销售预测中的应用[D];湖南大学;2004年

7 张婧;基于数据挖掘的零售业商品销售预测研究[D];四川师范大学;2008年

8 肖一君;销售预测及分析在企业物流管理中的作用研究[D];武汉理工大学;2003年

9 陈冲;南方煤矿销售预测与调配系统的设计与实现[D];厦门大学;2014年

10 吴慧俐;无限极公司产品销售预测及营销策略研究[D];华南理工大学;2010年

，

本文编号：1104587