銷售預(yù)測和決策分析對企業(yè)至關(guān)重要,合理的銷售預(yù)測可以影響企業(yè)的生產(chǎn)、采購、配送和庫存等環(huán)節(jié),為企業(yè)優(yōu)化供應(yīng)鏈管理。隨著企業(yè)管理信息化的發(fā)展,銷售數(shù)據(jù)和銷量的影響因素都被保存在企業(yè)內(nèi)部管理系統(tǒng)中,對這些數(shù)據(jù)進(jìn)行充分的利用不僅可以對銷量進(jìn)行預(yù)測,而且可以做出銷售決策。銷售數(shù)據(jù)本質(zhì)上為時間序列數(shù)據(jù),而深度學(xué)習(xí)的中的序列模型可以捕捉到時間的推移。本文對基于雙注意力機(jī)制和趨勢調(diào)整的循環(huán)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn),將銷售預(yù)測問題重新定義,加入了預(yù)測時間點的已知信息,例如該時間點是否為節(jié)假日等等。本文融合了預(yù)測時間點的已知信息,將其與注意力機(jī)制的結(jié)果進(jìn)行拼接得到解碼器階段的輸入。實驗數(shù)據(jù)使用某大型連鎖超市的商品銷售數(shù)據(jù)和某藥企的農(nóng)藥銷售數(shù)據(jù)進(jìn)行預(yù)測,實驗結(jié)果表明,改進(jìn)算法的準(zhǔn)確率與原模型相比有所提高。而且從連鎖超市的預(yù)測結(jié)果來看,隨著解碼階段長度的增加,改進(jìn)的算法與原算法相比的提升值也隨之增加。為了進(jìn)一步方便企業(yè)對銷售數(shù)據(jù)進(jìn)行預(yù)測和分析決策,開發(fā)了FOREUNDERSTANDING銷售數(shù)據(jù)預(yù)測和分析決策系統(tǒng),企業(yè)管理人員可以上傳公司的銷售數(shù)據(jù)從而使用系統(tǒng)。系統(tǒng)分為如下四個功能模塊:數(shù)據(jù)可視化模塊、特征分析... 

【文章來源】：大連理工大學(xué)遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文結(jié)構(gòu)
2 典型銷售數(shù)據(jù)的分析介紹與特征提取
    2.1 連鎖超市數(shù)據(jù)的特征提取與特征分析
        2.1.1 連鎖超市數(shù)據(jù)的描述
        2.1.2 連鎖超市數(shù)據(jù)的數(shù)據(jù)分析
        2.1.3 連鎖超市數(shù)據(jù)的特征提取
    2.2 農(nóng)藥銷售數(shù)據(jù)特征提取與特征分析
        2.2.1 農(nóng)藥銷售數(shù)據(jù)的描述
        2.2.2 農(nóng)藥銷售數(shù)據(jù)的數(shù)據(jù)分析
        2.2.3 農(nóng)藥銷售數(shù)據(jù)的預(yù)處理
    2.3 本章小結(jié)
3 融合未來已知特征的深度學(xué)習(xí)模型的提出與實驗
    3.1 現(xiàn)有的深度學(xué)習(xí)方法
        3.1.1 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）
        3.1.2 門控循環(huán)單元（GRU）
        3.1.3 長短時記憶網(wǎng)絡(luò)（LSTM）
        3.1.4 編碼解碼器結(jié)構(gòu)
        3.1.5 注意力模型
        3.1.6 基于雙注意力機(jī)制和趨勢調(diào)整的循環(huán)神經(jīng)網(wǎng)絡(luò)模型
    3.2 融合未來已知特征的深度學(xué)習(xí)模型
    3.3 實驗
        3.3.1 數(shù)據(jù)集劃分
        3.3.2 評價指標(biāo)
        3.3.3 梯度下降優(yōu)化方法的選取
        3.3.4 實驗結(jié)果及分析
    3.4 本章小結(jié)
4 預(yù)測分析平臺的設(shè)計與實現(xiàn)
    4.1 需求分析
    4.2 系統(tǒng)架構(gòu)設(shè)計
    4.3 數(shù)據(jù)庫設(shè)計
    4.4 前端設(shè)計
    4.5 后端設(shè)計
        4.5.1 Flask框架
        4.5.2 Celery分布式任務(wù)隊列
    4.6 功能演示
    4.7 本章小結(jié)
結(jié)論
參考文獻(xiàn)
附錄 A 附錄內(nèi)容名稱
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于LSTM網(wǎng)絡(luò)模型的菜品銷量預(yù)測[J]. 馬超群,王曉峰.  現(xiàn)代計算機(jī)(專業(yè)版). 2018(23)
[2]基于SSH框架的CRM系統(tǒng)的分析與設(shè)計[J]. 梁肖裕,昝道廣.  數(shù)字通信世界. 2018(08)
[3]基于支持向量回歸的酒店入住情況預(yù)測[J]. 武文斌.  中國新技術(shù)新產(chǎn)品. 2018(03)
[4]大數(shù)據(jù)背景下跨境電子商務(wù)市場時間序列預(yù)測系統(tǒng)開發(fā)[J]. 朱洪濤,陳雁南,李琴.  現(xiàn)代經(jīng)濟(jì)信息. 2017(07)
[5]基于CRM系統(tǒng)的設(shè)計的銀行業(yè)DM/BI[J]. 劉世哲.  中國金融電腦. 2017(01)
[6]基于AR、ARIMA模型的風(fēng)速預(yù)測[J]. 常太華,王璐,馬巍.  華東電力. 2010(01)
[7]基于人工神經(jīng)網(wǎng)絡(luò)的藥物銷售額預(yù)測[J]. 劉勤,朱正紅,陸怡.  計算機(jī)工程. 2001(10)

碩士論文
[1]基于時間序列分析的銷售預(yù)測方法研究[D]. 柳攀.大連理工大學(xué) 2018
[2]基于小波ARIMA模型的風(fēng)電場風(fēng)速短期預(yù)測方法研究[D]. 趙曉麗.華北電力大學(xué)（北京） 2010



本文編號：3018517