论文部分内容阅读
随着电商行业近些年的飞速发展,电商企业的运营也不断精细化。运营考虑很重要的一个指标就是商品的未来销量。对于电商企业来说,商品的种类繁多,使用传统预测方法不一定能够达到精细化运营的精度。为多种类SKU提供准确的需求数据预测成了电商精细化运营很重要的一个需求。本文以电商行业的历史销售数据为研究对象,探究使用LSTM神经网络预测其SKU未来销量的可能性与方法。为了达到这一目的,本文构建了 LSTM神经网络,使用S公司的历史销售数据作为训练数据,预测了未来的销量并对准确度进行评价,并提出了新的训练方法来优化神经网络的准确度。主要研究内容如下:(1)对于LSTM神经网络能否用于电商企业未来销量的预测,本文构建了 LSTM神经网络,设计了数据输入形式,选取了激活函数,讨论了避免过度拟合的方法,最后确定了使用随机梯度下降作为监督学习的训练方法。(2)将构建好的LSTM神经网络使用S公司12种SKU历史数据进行训练和测试,其中12种SKU包括季节性和常规性商品,用来测试LSTM神经网络对不同特点的SKU的效果。结论为实验过程中手动调整神经网络的参数包括LSTM层数、LSTM单元中隐藏神经元的个数和训练的迭代数,探究不同参数设定下对神经网络的影响。同时,实验增加了使用BP神经网络预测的对照,比较BP和LSTM神经网络在该场景中的表现。(3)由于手动调整参数的不可靠性,本文提出一种LSTM神经网络的训练优化方法,使其具有自适应性,能动态调整LSTM单元中的隐藏神经元个数。并针对此训练方法使用之前提到的数据进行重新训练,验证其对神经网络准确性的改进。本文构建了 LSTM神经网络对S公司的商品进行未来销量的预测,神经网络在测试集中取得了很好的结果,平均预测误差在10%以下,大幅度低于BP神经网络。针对LSTM神经网络的自适应训练方法与手工调整参数相比也是有效的,大部分SKU都取得了更低的误差。实验说明了 LSTM神经网络更适合用作电商行业的销量预测。