基于深度学习的销售数据挖掘与预测模型研究

发布时间：2021-02-04 15:13

　　销售预测和决策分析对企业至关重要,合理的销售预测可以影响企业的生产、采购、配送和库存等环节,为企业优化供应链管理。随着企业管理信息化的发展,销售数据和销量的影响因素都被保存在企业内部管理系统中,对这些数据进行充分的利用不仅可以对销量进行预测,而且可以做出销售决策。销售数据本质上为时间序列数据,而深度学习的中的序列模型可以捕捉到时间的推移。本文对基于双注意力机制和趋势调整的循环神经网络模型进行改进,将销售预测问题重新定义,加入了预测时间点的已知信息,例如该时间点是否为节假日等等。本文融合了预测时间点的已知信息,将其与注意力机制的结果进行拼接得到解码器阶段的输入。实验数据使用某大型连锁超市的商品销售数据和某药企的农药销售数据进行预测,实验结果表明,改进算法的准确率与原模型相比有所提高。而且从连锁超市的预测结果来看,随着解码阶段长度的增加,改进的算法与原算法相比的提升值也随之增加。为了进一步方便企业对销售数据进行预测和分析决策,开发了FOREUNDERSTANDING销售数据预测和分析决策系统,企业管理人员可以上传公司的销售数据从而使用系统。系统分为如下四个功能模块:数据可视化模块、特征分析... 

【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景
    1.2 国内外研究现状
    1.3 本文结构
2 典型销售数据的分析介绍与特征提取
    2.1 连锁超市数据的特征提取与特征分析
        2.1.1 连锁超市数据的描述
        2.1.2 连锁超市数据的数据分析
        2.1.3 连锁超市数据的特征提取
    2.2 农药销售数据特征提取与特征分析
        2.2.1 农药销售数据的描述
        2.2.2 农药销售数据的数据分析
        2.2.3 农药销售数据的预处理
    2.3 本章小结
3 融合未来已知特征的深度学习模型的提出与实验
    3.1 现有的深度学习方法
        3.1.1 循环神经网络（RNN）
        3.1.2 门控循环单元（GRU）
        3.1.3 长短时记忆网络（LSTM）
        3.1.4 编码解码器结构
        3.1.5 注意力模型
        3.1.6 基于双注意力机制和趋势调整的循环神经网络模型
    3.2 融合未来已知特征的深度学习模型
    3.3 实验
        3.3.1 数据集划分
        3.3.2 评价指标
        3.3.3 梯度下降优化方法的选取
        3.3.4 实验结果及分析
    3.4 本章小结
4 预测分析平台的设计与实现
    4.1 需求分析
    4.2 系统架构设计
    4.3 数据库设计
    4.4 前端设计
    4.5 后端设计
        4.5.1 Flask框架
        4.5.2 Celery分布式任务队列
    4.6 功能演示
    4.7 本章小结
结论
参考文献
附录 A 附录内容名称
攻读硕士学位期间发表学术论文情况
致谢


【参考文献】：
期刊论文
[1]基于LSTM网络模型的菜品销量预测[J]. 马超群,王晓峰.  现代计算机(专业版). 2018(23)
[2]基于SSH框架的CRM系统的分析与设计[J]. 梁肖裕,昝道广.  数字通信世界. 2018(08)
[3]基于支持向量回归的酒店入住情况预测[J]. 武文斌.  中国新技术新产品. 2018(03)
[4]大数据背景下跨境电子商务市场时间序列预测系统开发[J]. 朱洪涛,陈雁南,李琴.  现代经济信息. 2017(07)
[5]基于CRM系统的设计的银行业DM/BI[J]. 刘世哲.  中国金融电脑. 2017(01)
[6]基于AR、ARIMA模型的风速预测[J]. 常太华,王璐,马巍.  华东电力. 2010(01)
[7]基于人工神经网络的药物销售额预测[J]. 刘勤,朱正红,陆怡.  计算机工程. 2001(10)

硕士论文
[1]基于时间序列分析的销售预测方法研究[D]. 柳攀.大连理工大学 2018
[2]基于小波ARIMA模型的风电场风速短期预测方法研究[D]. 赵晓丽.华北电力大学（北京） 2010



本文编号：3018517