在電商供應(yīng)鏈管理中,商品的短期需求量預(yù)測是電商供應(yīng)鏈中一項關(guān)鍵的任務(wù),準(zhǔn)確的商品需求量預(yù)測不僅可以幫助企業(yè)制定合理的補貨計劃和庫存決策以降低企業(yè)的庫存成本,同時也能提升供應(yīng)鏈運行效率、滿足消費者體驗。然而,由于電商環(huán)境下商品交易具有動態(tài)性、間歇性以及影響因素復(fù)雜等特點,故電商商品的短期需求量預(yù)測問題成為該領(lǐng)域的難點和重點。在此背景下,本文首先對國內(nèi)外學(xué)者在商品需求量預(yù)測方面的研究進(jìn)行了學(xué)習(xí),系統(tǒng)分析了電商商品需求量預(yù)測模型及內(nèi)容方面有待解決的問題。其次,對電商商品短期需求量相關(guān)概念、特征等內(nèi)容進(jìn)行界定與說明,并對電商商品短期需求量預(yù)測相關(guān)內(nèi)容及預(yù)測方法理論進(jìn)行了研究,為后續(xù)預(yù)測建模做基礎(chǔ)支撐;另外,通過對預(yù)測方法的對比研究,結(jié)合電商商品短期需求量相關(guān)特征及影響因素,基于前人的研究成果,構(gòu)建了能夠同時對特征集進(jìn)行學(xué)習(xí)與抽取、模擬時間序列趨勢以及需求概率分布的多層混合深度神經(jīng)網(wǎng)絡(luò)(AR-MDN)模型;再者,利用探索性數(shù)據(jù)分析以及特征工程方法理論對收集到的電商商品歷史交易數(shù)據(jù)進(jìn)行了預(yù)處理,構(gòu)造了預(yù)測模型所需的原始特征集群;最后,利用構(gòu)造的電商商品特征集群數(shù)據(jù)對多層混合深度神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果進(jìn)行驗證,并與ARIMA模型和MLP-LSTM模型的預(yù)測結(jié)果進(jìn)行了對比分析。通過對電商商品短期需求量進(jìn)行預(yù)測,結(jié)果表明基于AR-MDN模型的電商商品短期需求量預(yù)測值與真實值擬合效果良好,預(yù)測誤差穩(wěn)定,模型具有一定的有效性;因本文的特征集考慮了衍生特征,故比較了有無衍生特征對AR-MDN模型預(yù)測效果的影響,發(fā)現(xiàn)衍生特征在提升模型的準(zhǔn)確性方面有一定的作用。其次,與兩個對比模型的預(yù)測結(jié)果相比,AR-MDN模型在電商商品短期需求量預(yù)測方面具有更低的均方根誤差(RMSE)和平均絕對百分比誤差(MAPE),且AR-MDN模型在區(qū)域分倉中的預(yù)測結(jié)果優(yōu)于其他兩個模型,說明AR-MDN模型在電商商品短期需求量預(yù)測方面具有更好的精確性和魯棒性。
【學(xué)位單位】：長安大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：F713.36;F274
【部分圖文】：

MLP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

RNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

LSTM模型隱含層結(jié)構(gòu)

【參考文獻(xiàn)】

相關(guān)期刊論文 前6條

1 孫永波;劉曉敏;;電商新趨勢下影響網(wǎng)絡(luò)消費者購買行為因素研究[J];北京工商大學(xué)學(xué)報(社會科學(xué)版);2014年04期

2 徐琪;劉崢;;基于SVM的短生命周期產(chǎn)品供應(yīng)鏈雙渠道需求預(yù)測模型[J];系統(tǒng)管理學(xué)報;2014年02期

3 倪冬梅;趙秋紅;李海濱;;需求預(yù)測綜合模型及其與庫存決策的集成研究[J];管理科學(xué)學(xué)報;2013年09期

4 陳濤;;基于AGA-SVM的非線性組合預(yù)測模型[J];數(shù)學(xué)的實踐與認(rèn)識;2010年04期

5 姜成玉;孫德山;;基于ARIMA模型的飲品銷售預(yù)測[J];現(xiàn)代商業(yè);2009年30期

6 王新宇;張靜;孫自愿;;基于混合密度網(wǎng)絡(luò)模型擬合收益統(tǒng)計分布與計算Expected Shortfall[J];數(shù)理統(tǒng)計與管理;2007年01期

相關(guān)碩士學(xué)位論文 前10條

1 丁敬安;特征選擇下的集成學(xué)習(xí)模型商品需求預(yù)測及分倉研究[D];安徽工業(yè)大學(xué);2018年

2 李國鳳;電商平臺移動端網(wǎng)絡(luò)購買預(yù)測研究[D];暨南大學(xué);2018年

3 王苗苗;基于機器學(xué)習(xí)的短時交通流預(yù)測方法研究[D];長安大學(xué);2017年

4 釗魁;基于卷積神經(jīng)網(wǎng)絡(luò)的電商數(shù)據(jù)深度挖掘[D];浙江大學(xué);2017年

5 李俊濤;基于需求預(yù)測的電商供應(yīng)網(wǎng)絡(luò)庫房選址和庫存策略[D];北京工業(yè)大學(xué);2016年

6 葉倩怡;基于Xgboost方法的實體零售業(yè)銷售額預(yù)測研究[D];南昌大學(xué);2016年

7 孫利輝;基于灰色理論的服裝銷售預(yù)測及庫存優(yōu)化研究[D];浙江理工大學(xué);2016年

8 張卉;數(shù)據(jù)挖掘技術(shù)在B2B電子商務(wù)商品銷售中的應(yīng)用研究[D];北方工業(yè)大學(xué);2013年

9 張婧;基于數(shù)據(jù)挖掘的零售業(yè)商品銷售預(yù)測研究[D];四川師范大學(xué);2008年

10 孫麗君;探索性數(shù)據(jù)分析方法及應(yīng)用[D];東北財經(jīng)大學(xué);2005年

本文編號：2824426