基于LSTM-RELM组合模型的电商GMV预测研究

doi:10.3778/j.issn.1002-8331.2202-0067

摘要/Abstract

摘要： 随着互联网的发展，内容营销逐渐成为电商营销的主流，而该类营销的日商品交易总额（gross merchandise volume，GMV）直接关系到企业的库存优化控制与广告投放策略。为了提高预测精度，基于真实电商订单数据集，根据内容营销的指标，分析用户行为对于GMV的影响，提出了一种长短期记忆网络（long short-term memory network，LSTM）与正则化极限学习机（regularized extreme learning machine，RELM）的组合模型LSTM-RELM。实验结果表明，相比于传统单一模型与双LSTM、LSTM-SVR、GM（1，1）-BP等组合模型，LSTM-RELM模型具有更精确的预测效果与更快的运行速度，能为相关销售企业提供广告投放策略参考与库存优化建议。

关键词: 长短期记忆网络（LSTM）, 极限学习机（ELM）, GMV预测, 组合预测

Abstract: With the development of the Internet, content marketing has gradually become the mainstream of e-commerce marketing, and the daily gross merchandise volume（GMV） is directly related to the inventory optimization control and advertising strategy of enterprises. In order to improve the prediction accuracy, based on the real e-commerce order data set, according to the content marketing index, the influence of user behavior on GMV is analyzed, and a combination model of long short-term memory network（LSTM） and regularized extreme learning machine（RELM） is proposed. The experimental results show more accurate prediction and faster running speed of the LSTM-RELM model proposed in this paper, compared with the traditional machine learning models and combination models, such as LSTM-LSTM, LSTM-SVR, GM（1, 1）-BPNN. The model can provide reference for advertising strategy and inventory optimization suggestions for relevant sales enterprises.

Key words: long short-term memory network（LSTM）, extreme learning machine（ELM）, GMV prediction, combination forecasting

王逸文, 王维莉. 基于LSTM-RELM组合模型的电商GMV预测研究[J]. 计算机工程与应用, 2023, 59(10): 321-327.

WANG Yiwen, WANG Weili. Research on GMV Prediction of E-commerce Based on LSTM-RELM Combination Model[J]. Computer Engineering and Applications, 2023, 59(10): 321-327.

参考文献

[1] 2020年中国内容营销策略研究报告[R/OL].[2022-01-15].http：//report.iresearch.cn/report_pdf.aspx?id=3197.https：//report.iresearch.cn/report_pdf.aspx?id=3619.
2020 Chinese content marketing strategy research report[R/OL].[2022-01-15].http：//report.iresearch.cn/report_pdf.aspx?id=3197.https：//report.iresearch.cn/report_pdf.aspx?id=3619.
[2] 葛娜，孙连英，赵平，等.基于ARIMA时间序列模型的销售量预测分析[J].北京联合大学学报，2018，32（4）：27-33.
GE N，SUN L Y，ZHAO P，et al.Forecast and analysis of sales volume based on ARIMA time series model[J].Journal of Beijing Union University，2018，32（4）：27-33.
[3] 张轶兰，卢益清，孙屹飞.基于灰色系统理论的我国跨境电商增长规模预测[J].商业经济研究，2019（3）：136-139.
ZHANG Y L，LU Y Q，SUN Y F.Forecasting the growth scale of China’s cross-border E-commerce based on grey system theory[J].Commercial Economics Research，2019（3）：136-139.
[4] BANERJEE N，MORTON A，AKARTUNAL K.Passenger demand forecasting in scheduled transportation[J].European Journal of Operational Research，2020，286（3）：797-810.
[5] 王渊明.基于LSTM神经网络的电商需求预测的研究[D].济南：山东大学，2018.
WANG Y M.Research on e-commerce demand forecasting based on LSTM neural network[D].Jinan：Shandong University，2018.
[6] 包吉祥，李林，赵梦鸽.基于考虑滞后性LSTM模型的电商需求预测[J].计算机工程与应用，2022，58（24）：276-283.
BAO J X，LI L，ZHAO M G.E-commerce demand forecasting based on LSTM model with consideration of hysteresis[J].Computer Engineering and Applications，2022，58（24）：276-283.
[7] 王予涵.基于LightGBM的用户购买行为预测研究[D].兰州：兰州大学，2021.
WANG Y H.Research on user purchase behavior prediction based on LightGBM[D].Lanzhou：Lanzhou University，2021.
[8] 刘吉华，张梦迪，彭红霞，等.基于卷积神经网络的汽车销量预测模型[J].计算机科学，2021，48（S1）：178-183.
LIU J H，ZHANG M D，PENG H X，et al.Automobile sales forecasting model based on convolutional neural network[J].Computer Science，2021，48（S1）：178-183.
[9] 凌立文，张大斌.组合预测模型构建方法及其应用研究综述[J].统计与决策，2019，35（1）：18-23.
LING L W，ZHANG D B.A review of combinatorial forecasting model construction and its application[J].Statistics and Decision，2019，35（1）：18-23.
[10] CLEMEN R T.Combining forecasts：a review and annotated bibliography[J].International Journal of Forecasting，1989，5（4）：559-583.
[11] GREER M R.Combination forecasting for directional accuracy：an application to survey interest rate forecasts[J].Journal of Applied Statistics，2005，32（6）：607-615.
[12] HALL S G，MITCHELL J.Combining density forecasts[J].International Journal of Forecasting，2007，23（1）：1-13.
[13] 王长琼，曹乜蜻，王艳丽，等.基于融合百度指数的电商订单量组合预测研究[J].计算机工程与应用，2018，54（12）：219-225.
WANG C Q，CAO N Q，WANG Y L，et al.Combination forecasting of e-commerce orders based on integration of Baidu index[J].Computer Engineering and Applications，2018，54（12）：219-225.
[14] 施佳.基于ARIMA-BP组合模型的某餐饮O2O企业订单预测研究[D].北京：北京交通大学，2018.
SHI J.Research on order prediction of a catering O2O enterprise based on ARIMA-BP combined model[D].Beijing：Beijing Jiaotong University，2018.
[15] 李由之，胡志华，陈春，等.基于双长短期记忆网络组合的网络货运平台成交定价预测模型[J].计算机应用，2022，42（5）：1616-1623.
LI Y Z，HU Z H，CHEN C，et al.Prediction model of transaction pricing in Internet freight transport platform based on combination of dual long short-term memory networks[J].Journal of Computer Application，2022，42（5）：1616-1623.
[16] 徐睿，梁循，齐金山，等.极限学习机前沿进展与趋势[J].计算机学报，2019，42（7）：1640-1670.
XU R，LIANG X，QI J S，et al.Advance and trend of extreme learning machine[J].Chinese Journal of Computers，2019，42（7）：1640-1670.
[17] 李济瀚，李晓理，王康，等.基于PCA-OS-ELM的大气PM_（2.5）浓度预测[J].北京理工大学学报，2021，41（12）：1262-1268.
LI J H，LI X L，WANG K，et al.Prediction of atmos-
pheric PM_（2.5） concentration based on PCA-OS-ELM[J].Transactions of Beijing Institute of Technology，2021，41（12）：1262-1268.
[18] 樊宇星，任妮，田港陆，等.基于DeepAR-RELM的池塘溶解氧时空预测方法研究[J].农业机械学报，2020，51（S1）：405-412.
FAN Y X，REN N，TIAN G L，et al.Study on spatial-temporal prediction method of dissolved oxygen in pond based on DeepAR-RELM[J].Transactions of the Chinese Society for Agricultural Machinery，2020，51（S1）：405-412.
[19] 张蕾，孙尚红，王月.基于深度学习LSTM模型的汇率预测[J].统计与决策，2021，37（13）：158-162.
ZHANG L，SUN S H，WANG Y.Exchange rate prediction based on deep learning LSTM model[J].Statistics and Decision，2021，37（13）：158-162.
[20] 熊红林，冀和，樊重俊，等.基于LSTM-SVR模型的航空旅客出行指数预测[J].系统管理学报，2020，29（6）：1169-1176.
XIONG H L，JI H，FAN C J，et al.Forecast of travel index of air passengers based on LSTM-SVR model[J].Journal of Systems & Management，2020，29（6）：1169-1176.
[21] 屈拓.组合模型在机场旅客吞吐量预测中的应用[J].计算机仿真，2012，29（4）：108-111.
QU T.Application of combination model in airport passenger throughput prediction[J].Computer Simulation，2012，29（4）：108-111.