面向男装销售数据的预测技术研究与应用

发布时间：2020-04-21 05:10

【摘要】：随着服装行业的发展,中国男装行业已经成为服装业重要的一部分,也是竞争较为激烈的一部分。要想在竞争中处于有利的地位,必须了解市场需求,把握先机,这就需要对男装未来的销售情况做出准确的预测。传统的基于经验判断和市场调研分析的服装销售预测,缺乏科学根据,考虑的因素也相对简单,无法使预测结果精确化。论文从单一预测模型和组合预测模型两方面,对服装销售预测技术进行了研究。论文从分析服装销售数据的特点入手,在综述数据预测相关理论与技术的基础上,研究了基于单一模型的销售数据预测。针对服装销售数据的线性特征,论文利用ARIMA模型对男装销售数据进行了预测;针对服装销售数据的非线性特征,论文利用神经网络模型对男装销售数据进行了预测。服装销售数据存在有趋势的线性特征,又因其受包括品牌、流行因素、价格、季节等因素的影响,也存在非线性特征。单一预测模型具有一定的局限性,论文进一步研究基于加权组合预测模型的相关预测技术。通过实验分析,确定采用最优权重法作为计算组合预测模型各部分权重的方法。利用实际数据,对不同模型的三种组合,进行了预测分析,结果表明ARIMA-BP-RBF组合模型具有最优的预测准确率。具体来讲,论文包括以下工作。(1)综述了服装销售数据预测的研究现状,通过对某商家实际销售数据的分析,总结了男装销售数据存在的线性和非线性特征。通过数据聚合、有效性筛选、缺失值及异常值处理等方法,获得了高质量的数据,为论文数据预测工作做了准备。(2)研究了基于ARIMA单一模型的服装销售数据预测。结合男装销售数据的特点,分析了ARIMA建模过程,采用差分处理将非平稳状态的数据转换为平稳状态,并通过模式识别及检验确定了模型参数。实验表明ARIMA模型对数据线性部分预测准确,对整体男装销售数据预测还存在不足。(3)研究了基于神经网络单一模型的服装销售数据预测。结合男装销售数据的非线性特征,分析了BP神经网络和RBF神经网络建模过程。通过对各种传递函数特点的分析,确定Sigmoid函数适用于BP神经网络模型,高斯函数适用于RBF神经网络模型。并通过对神经网络模型原理的分析,确定了神经网络各层节点个数,并对样本数据进行训练及测试。实验表明BP神经网络模型和RBF神经网络模型对数据非线性部分预测准确,由于数据存在线性部分,所以对整体男装销售数据预测还存在不足。(4)研究了ARIMA和神经网络组合模型的服装销售数据预测技术。通过对多种加权组合方法实验分析,确定采用最优权重法作为计算组合模型各部分权重的方法。采用最优权重法构建了ARIMA-BP组合模型、ARIAM-RBF组合模型、以及ARIMA-BP-RBF组合模型,并通过实验数据分析,确定ARIMA-BP-RBF组合模型最适用于男装销售预测。
【图文】：

神经网络模型,神经网络

经网络模型经网络最早是由心理学家和神经生物学家提出的。由于神经网络决复杂问题的相对简单的方法，因此近年来受到的关注越来越多种类有很多，在生物神经网络系统中不同的模型可以从不同的角述和模拟。经常用到的神经网络模型有 BP 神经网络、Hopfield 网等。这些神经网络模型能够实现很多功能，在人工智能、自动化析等领域得到广泛的应用。个经典的神经网络可以由输入层、输出层、隐含层三部分组成，一个神经网络包括大量的节点（也称作神经元），每一个神经元出函数，相连的两个神经元都有一个权值，神经网络的输出结果接方式、权值及激励函数[21]。于多层的神经网络，只是隐含层有所不同，它的隐含层可能由多可以包含多个神经元节点。而神经元的主要作用就是通过建立复做非线性变换。因此神经网络模型适用于非线性特征的数据预测

建模流程,平稳性,服装销售

20图 4-1ARIMA 模型的建模流程图型应用及结果分析据平稳性检验服装销售数据建立预测模型，首先需要判断数据的平稳性，如要进行平稳化处理。判断数据平稳性的方法有很多种，例如，列样本数据的折线图观察初步判断它的平稳性，也可以通过观关及偏相关系数的变化进行判断，通过绘制自相关及偏相关函的看出。如果时间序列不是稳定的，，则可以通过一次或者多次差稳的序列。
【学位授予单位】：东华大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F426.86;TP183

【相似文献】