重庆工业职业技术学院课程报告

1. 引言

1.1 课题概述

1.1.1 课题背景

随着我国消费市场的不断发展，人们对于新零售产品的需求不再单一化。
新零售行业如何根据历史销售数据预测出人们对于新零售产品的精准需求显得尤为重要。

1.1.2 课题目标

构建随机森林回归预测、线性回归、LSTM神经网络销售预测模型。
分析不同节假日内各种相关因素对目标skc的销售量的影响。
预测给定区域内目标小类在特定时间内的销售量，并给出预测值的MAPE。
提出模型优化方向，并向企业提出建议。

1.2 模型假设

实际销量与实际价格波动相关。
缺失值会影响模型的预测结果。
随机森林回归能很好地针对小数据预测。
LSMT神经网络预测中，输入变量作为第一层有效。

1.3 符号说明

S：销量
Skc：小类标签
Ie：库存
MAPE：平均绝对百分比误差

1.4 问题分析

分析不同节假日内各种相关因素对目标skc的销售量的影响。
预测给定区域内目标小类在特定时间内的销售量，并给出预测值的MAPE。
建立相关数学模型，预测目标小类内所有skc在特定时间内的周销量，并给出预测值的MAPE。
向企业提出建议信，介绍模型以及模型优化方向。

2. 模型的建立与求解

2.1 问题一模型的建立与求解

2.1.1 数据预处理与分析

基于对附件给出的数据进行处理和合并，发现数据存在缺失值。
采用均值去补充缺失值，整合完数据后进行简单数据对比图来观察各个因素对商品的影响。
筛选出目标skc的信息，同时剔除异常数据。

2.1.2 问题一模型的结果

分析国庆节、双十一、元旦节，双十二这四个节假日内各种相关因素对目标skc的销售量的影响。
得出影响销量的六个因素，并按照颜色深浅划分不同因素对S库存影响程度。

2.2 问题二模型的建立与求解

2.2.1 模型的建立：聚类分析

聚类分析是一种无监督学习方法，它将一组数据点分组为由相似特征组成的多个类或簇。
通过聚类分析查看每个小类在销售量的占比，通过随机森林回归预测模型去预测销售量。

2.2.2 问题二模型的结果

计算每个聚类的协方差矩阵，并查看ie、real_cost和tag_price特征之间的协方差。
随机森林预测模型预测10月、11月和12月的销量，并给出每月销量预测值的MAPE。

2.3 问题三模型的建立与求解

2.3.1 模型的建立

LSTM神经网络的销量预测模型。
线性回归模型预测模型。

2.3.2 问题三模型的结果

通过LSTM神经网络和线性回归模型预测目标小类内所有skc在特定时间内的周销量，并给出预测值的MAPE。
LSTM模型和线性回归模型进行对比，最后采取线性回归预测模型去预测销售量。

3. 模型的评价及推广

3.1 随机森林回归预测模型

3.1.1 优点

随机森林回归模型是一种基于决策树的集成学习方法，用于回归任务。
它通过构建多个决策树来进行预测，并将这些决策树的预测结果进行平均以得到最终的回归预测结果。

3.1.2 缺点

模型预测的销量与实际销量之间的差异，即均方误差(MSE)。

3.2 线性回归预测模型

3.2.1 优点

线性回归是一种简单的回归模型，用于预测数值型的目标变量。
它假设目标变量与特征之间存在线性关系。

3.2.2 缺点

线性回归模型在处理非线性关系时可能不够准确。

3.3 LSTM神经网络的销售预测模型

3.3.1 优点

LSTM模型避免了长期依赖问题，采用特殊隐式单元，在继承了大部分RNN模型特性的同时解决了梯度反传过程中由于逐步缩减而产生的VanishingGradient问题。
适用于非线性回归变量，可以解决多个输入变量的问题，模型准确度高，训练速度快，并行处理能力强。

3.3.2 缺点

LSTM模型在处理大规模数据时可能需要更长的训练时间。

3.4 模型的推广

模型的优点和缺点进行了客观评价。
模型进行了横向和纵向的推广。

总结

本课题针对预测新零售目标产品的精准需求的问题，运用了聚类分析，随机森林回归预测，线性回归，LSTM神经网络基本理论等理论和方法，构建了随机森林回归预测，线性回归，LSTM神经网络销售预测模型。通过数据预处理、模型建立与求解、模型评价及推广等步骤，综合运用了pycharm、EXCEL、SPSS等软件编程求解，得出各个因素对目标产品销售量影响的程度，且预测出了目标产品的月销量以及周销量。针对问题一，要求分析不同节假日内各种相关因素对目标skc的销售量的影响。首先，运用了EXCEL以及SPSS对原始数据进行处理，筛选出目标skc的信息，同时剔除异常数据。针对问题二，要求预测给定区域内目标小类在2019年10月1日后3个月中每个月的销售量，给出每个月预测值的MAPE，运用聚类分析查看每个小类在销售量的占比，通过随机森林回归预测模型去预测销售量。针对问题三，预测目标小类内所有skc在2019年10月1日后12周内每周的周销量，并给出每周预测值的MAPE，运用了LSTM神经网络销售预测模型和线性回归预测模型对比，针对小类和要预测的时间长短，最后采取线性回归预测模型去预测销售量。针对问题四，给企业写一封建议信，介绍自己的模型以及模型优化方向。首先，向企业介绍了本文所采用的模型以及思想，同时也介绍了模型最终得到的结果，最后提出模型优化的关键在于样本数据的预处理，对异常数据的剔除十分必要。本文最后对模型的优点和缺点进行了客观评价。最后还将模型进行了横向和纵向的推广。