基于考虑滞后性LSTM模型的电商需求预测

doi:10.3778/j.issn.1002-8331.2106-0259

摘要/Abstract

摘要： 消费者网络购物浏览时间碎片化、对价格更敏感的特征带来滞后性消费。为了掌握顾客消费趋势，通过获取Q企业纸类商品的历史销售数据和消费者购买行为数据，分析消费者行为对销售数据的影响，并利用随机森林分别选取不考虑滞后性和考虑滞后性的特征因子；基于LSTM神经网络建立快消品的需求预测模型；根据Q企业纸类商品的数据进行预测及验证，结果表明考虑滞后性LSTM模型预测相对误差更小，预测精度更高。

关键词: 长短期记忆人工神经网络（LSTM）, 滞后性, 电商需求预测, 随机森林

Abstract: The fragmented browsing time and more price-sensitive features of consumer online shopping bring lagging consumption. In order to grasp customer consumption trends, the impact of consumer behavior on sales data is analyzed by obtaining historical sales data and consumer purchase behavior data of paper products for Q enterprise. And random forest is used to select characteristic factors that do not consider hysteresis and consider hysteresis respectively. The demand forecasting model for fast-moving consumer goods is established based on LSTM neural network. According to the data of paper products of Q enterprise, the prediction and verification are carried out. The results show that the relative error of the LSTM model is smaller and the prediction accuracy is the higher when considering the hysteresis.

Key words: long short-term memory（LSTM）, hysteresis, e-commerce demand forecasting, random forest

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 Jixiang, LI Lin, ZHAO Mengge. E-Commerce Demand Forecasting Based on LSTM Model with Consideration of Hysteresis[J]. Computer Engineering and Applications, 2022, 58(24): 276-283.

参考文献

[1] 侯晓乐.基于灰色预测模型的快消品需求预测[J].内燃机与配件，2016（9）：123-125.
HOU X L.Demand forecasting of fast consuming products based on grey prediction[J].Internal Combustion Engine & Parts，2016（9）：123-125.
[2] 韩纤纤.H公司快消品的线上需求预测与库存控制优化[D].厦门：厦门大学，2019.
HAN X X.Online demand forecasting and inventory control optimization of H company FMCG[D].Xiamen：Xiamen University，2019.
[3] 王姝唯.基于在线评论的Bass情绪模型在生鲜产品销售预测的应用研究[D].上海：华东师范大学，2020.
WANG S W.Research on the application of bass emotion model based on online reviews in sales forecasting of fresh products[D].Shanghai：East China Normal University，2020.
[4] 叶剑锋，郑国英.基于数据挖掘的快消行业销售预测[J].微型电脑应用，2019，35（7）：143-147.
YE J F，ZHENG G Y.Sales forecast in FMCG industry using data mining[J].Microcomputer Applications，2019，35（7）：143-147.
[5] 陈佳，刘冬雪，武大硕.基于特征选取与LSTM模型的股指预测方法研究[J].计算机工程与应用，2019，55（6）：108-112.
CHEN J，LIU D X，WU D H.Stock index forecasting method based on feature selection and LSTM model[J].Computer Engineering and Applications，2019，55（6）：108-112.
[6] 吴文静，景鹏，贾洪飞，等.基于K均值聚类与随机森林算法的居民低碳出行意向数据挖掘[J].华南理工大学学报（自然科学版），2019，47（7）：105-111.
WU W J，JING P，JIA H F，et al.Low carbon travel intention data mining of residents based on K-means clustering and random forest algorithm[J].Journal of South China University of Technology（Natural Science Edition），2019，47（7）：105-111.
[7] 徐少成，李东喜.基于随机森林的加权特征选择算法[J].统计与决策，2018，34（18）：25-28.
XU S C，LI D X.Weighted feature selection algorithm based on random forest[J].Statistics and Decision，2018，34（18）：25-28.
[8] 闫政旭，秦超，宋刚.基于Pearson特征选择的随机森林模型股票价格预测[J].计算机工程与应用，2021，57（15）：286-296.
YAN Z X，QIN C，SONG G.Random forest model stock price prediction based on Pearson feature selection[J].Computer Engineering and Applications，2021，57（15）：286-296.
[9] WANG J Q，DU Y，WANG J.LSTM based long-term energy consumption prediction with periodicity[J].Energy，2020，197（15）：117197.
[10] 周捷，严建峰，杨璐，等.LSTM模型集成方法在客户流失预测中的应用[J].计算机应用与软件，2019，36（11）：39-46.
ZHOU J，YAN J F，YANG L，et al.Application of LSTM ensemble method in customer churn prediction[J].Computer Applications and Software，2019，36（11）：39-46.
[11] 石晓文，蒋洪迅.面向高精度与强鲁棒的空气质量预测LSTM模型研究[J].统计与决策，2019，35（16）：49-53.
SHI X W，JIANG H X.LSTM-based air quality index predicting model for accuracy and robustness[J].Statistics and Decision，2019，35（16）：49-53.
[12] CHEN S，GE L.Exploring the attention mechanism in LSTM-based Hong Kong stock price movement prediction[J].Quantitative Finance，2019，19（9）：1507-1515.
[13] GENUER R，POGGI J M，TULEAU-MALOT C.Variable selection using random forests[J].Pattern Recognition Letters，2010，31（14）：2225-2236.
[14] HOCHREITER S，SCHMIDHUBER J.Long short term memory[J].Neural Computation，1997，9（8）：1735-1780.
[15] HUANG K Z，ZHANG S F，ZHANG R，et al.Novel deep neural network based pattern field classification architectures[J].Neural Networks，2020，127：82-95.
[16] DASH S K，SAFRO I，SRINIVASAMURTHY R S.Spatio-temporal prediction of crimes using network analytic approach[C]//IEEE International Conference on Big Data，2018.
[17] HINTON G E，SRIVASTAVA N，KRIZHEVSKY A，et al.Improving neural networks by preventing co-adaptation of feature detectors[J].Computerence，2012，3（4）：212-223.
[18] 杨观赐，杨静，李少波，等.基于Dopout与ADAM优化器的改进CNN算法[J].华中科技大学学报（自然科学版），2018，46（7）：122-127.
YANG G C，YANG J，LI S B，et al.Modified CNN algorithm based on dropout and ADAM optimizer[J].Journal of Huazhong University of Science and Technology（Natural Science Edition），2018，46（7）：122-127.
[19] 王忠民，王希，宋辉.基于随机Dropout深度信念网络的移动用户行为识别方法[J].计算机应用研究，2017，34（12）：3797-3800.
WANG Z M，WANG X，SONG H.Human activity recognition based on random dropout deep belief network[J].Application Research of Computers，2017，34（12）：3797-3800.
[20] 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.
[21] 李学军，程红.基于LSTM算法的智能节水灌溉预测模型研究[J].农机化研究，2022，44（3）：22-27.
LI X J，CHENG H.Based on the interent of things precision farmland irrigation system key technology research[J].Journal of Agricultural Mechanization Research，2022，44（3）：22-27.
[22] 赵梦鸽.基于数据挖掘的电商需求分析[D].上海：上海理工大学，2020.
ZHAO M G.E-commerce demand analysis based on data mining[D].Shanghai：University of Shanghai for Science and Technology，2020.