基于多层混合深度神经网络的电商商品短期需求量预测方法研究

发布时间：2020-09-22 13:04

　　 在电商供应链管理中,商品的短期需求量预测是电商供应链中一项关键的任务,准确的商品需求量预测不仅可以帮助企业制定合理的补货计划和库存决策以降低企业的库存成本,同时也能提升供应链运行效率、满足消费者体验。然而,由于电商环境下商品交易具有动态性、间歇性以及影响因素复杂等特点,故电商商品的短期需求量预测问题成为该领域的难点和重点。在此背景下,本文首先对国内外学者在商品需求量预测方面的研究进行了学习,系统分析了电商商品需求量预测模型及内容方面有待解决的问题。其次,对电商商品短期需求量相关概念、特征等内容进行界定与说明,并对电商商品短期需求量预测相关内容及预测方法理论进行了研究,为后续预测建模做基础支撑;另外,通过对预测方法的对比研究,结合电商商品短期需求量相关特征及影响因素,基于前人的研究成果,构建了能够同时对特征集进行学习与抽取、模拟时间序列趋势以及需求概率分布的多层混合深度神经网络(AR-MDN)模型;再者,利用探索性数据分析以及特征工程方法理论对收集到的电商商品历史交易数据进行了预处理,构造了预测模型所需的原始特征集群;最后,利用构造的电商商品特征集群数据对多层混合深度神经网络模型的预测效果进行验证,并与ARIMA模型和MLP-LSTM模型的预测结果进行了对比分析。通过对电商商品短期需求量进行预测,结果表明基于AR-MDN模型的电商商品短期需求量预测值与真实值拟合效果良好,预测误差稳定,模型具有一定的有效性;因本文的特征集考虑了衍生特征,故比较了有无衍生特征对AR-MDN模型预测效果的影响,发现衍生特征在提升模型的准确性方面有一定的作用。其次,与两个对比模型的预测结果相比,AR-MDN模型在电商商品短期需求量预测方面具有更低的均方根误差(RMSE)和平均绝对百分比误差(MAPE),且AR-MDN模型在区域分仓中的预测结果优于其他两个模型,说明AR-MDN模型在电商商品短期需求量预测方面具有更好的精确性和鲁棒性。
【学位单位】：长安大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：F713.36;F274
【部分图文】：

MLP神经网络结构示意图

RNN神经网络结构图

LSTM模型隐含层结构

【参考文献】

相关期刊论文 前6条

1 孙永波;刘晓敏;;电商新趋势下影响网络消费者购买行为因素研究[J];北京工商大学学报(社会科学版);2014年04期

2 徐琪;刘峥;;基于SVM的短生命周期产品供应链双渠道需求预测模型[J];系统管理学报;2014年02期

3 倪冬梅;赵秋红;李海滨;;需求预测综合模型及其与库存决策的集成研究[J];管理科学学报;2013年09期

4 陈涛;;基于AGA-SVM的非线性组合预测模型[J];数学的实践与认识;2010年04期

5 姜成玉;孙德山;;基于ARIMA模型的饮品销售预测[J];现代商业;2009年30期

6 王新宇;张静;孙自愿;;基于混合密度网络模型拟合收益统计分布与计算Expected Shortfall[J];数理统计与管理;2007年01期

相关硕士学位论文 前10条

1 丁敬安;特征选择下的集成学习模型商品需求预测及分仓研究[D];安徽工业大学;2018年

2 李国凤;电商平台移动端网络购买预测研究[D];暨南大学;2018年

3 王苗苗;基于机器学习的短时交通流预测方法研究[D];长安大学;2017年

4 钊魁;基于卷积神经网络的电商数据深度挖掘[D];浙江大学;2017年

5 李俊涛;基于需求预测的电商供应网络库房选址和库存策略[D];北京工业大学;2016年

6 叶倩怡;基于Xgboost方法的实体零售业销售额预测研究[D];南昌大学;2016年

7 孙利辉;基于灰色理论的服装销售预测及库存优化研究[D];浙江理工大学;2016年

8 张卉;数据挖掘技术在B2B电子商务商品销售中的应用研究[D];北方工业大学;2013年

9 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

10 孙丽君;探索性数据分析方法及应用[D];东北财经大学;2005年

本文编号：2824426