商品銷量預測的準確性關乎著所有利益相關者的利潤。但是缺貨和庫存積壓的現(xiàn)象普遍存在,這使零售商面臨兩難境地:他們需要平衡缺貨帶來的損失和安全庫存所需的成本。在這種情況下,非常有必要對商品銷量預測進行深入的研究。研究人員可以使用數(shù)據(jù)挖掘技術來開發(fā)預測商品銷量的模型,幫助零售商從大量的商品銷量數(shù)據(jù)中挖掘出潛藏的商業(yè)價值。其中,不同于傳統(tǒng)的監(jiān)督學習方法,神經(jīng)網(wǎng)絡無需大量的人工特征,就可以從數(shù)據(jù)中發(fā)現(xiàn)隱含的內(nèi)部規(guī)律,從而進行有效的特征學習,在解決短期商品銷量預測問題上具有天然的優(yōu)勢。LSTM(Long Short-Term Memory)模型在每一個時間步的輸入如果能包含更豐富的歷史信息,模型的預測性能也將得到提升,所以在LSTM模塊前加一個特征提取器顯得尤為重要。以兩層的LSTM模型為例,第一個LSTM模塊就相當于一個特征提取器,但隱藏層中細胞狀態(tài)的不穩(wěn)定性會在一定程度上影響輸出特征的質量�；诖�,本文提出了一種基于WaveNet-LSTM網(wǎng)絡的商品銷量預測模型,模型利用WaveNet網(wǎng)絡提取時間序列上的特征,然后輸入到LSTM模塊進行預測輸出。具體的,模型通過疊加多層擴張的因果卷積來提取時間...

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題研究的背景
    1.2 課題研究的意義
    1.3 國內(nèi)外研究現(xiàn)狀
    1.4 研究內(nèi)容和章節(jié)安排
第二章 相關理論基礎
    2.1 數(shù)據(jù)挖掘相關概述
        2.1.1 數(shù)據(jù)挖掘的任務
        2.1.2 數(shù)據(jù)挖掘的流程
        2.1.3 數(shù)據(jù)挖掘的工具
    2.2 商品銷量預測方法
        2.2.1 定性預測方法
        2.2.2 定量預測方法
    2.3 神經(jīng)網(wǎng)絡基礎
        2.3.1 循環(huán)神經(jīng)網(wǎng)絡
        2.3.2 卷積神經(jīng)網(wǎng)絡
    2.4 本章小結
第三章 基于WaveNet-LSTM網(wǎng)絡的商品銷量預測
    3.1 LSTM基本理論
    3.2 WaveNet基本理論
        3.2.1 因果卷積
        3.2.2 擴張卷積
        3.2.3 殘差學習
    3.3 模型設計
    3.4 模型訓練與評估方法
        3.4.1 模型訓練方法
        3.4.2 模型預測方法
        3.4.3 模型評價指標
    3.5 本章小結
第四章 商品銷量預測應用實例
    4.1 實驗環(huán)境及數(shù)據(jù)簡介
        4.1.1 實驗環(huán)境
        4.1.2 數(shù)據(jù)集
    4.2 數(shù)據(jù)分析和處理
        4.2.1 可視化分析
        4.2.2 數(shù)據(jù)預處理
        4.2.3 特征工程
        4.2.4 劃分數(shù)據(jù)集
    4.3 實驗設定
        4.3.1 對比方法
        4.3.2 參數(shù)設定
    4.4 實驗結果分析
        4.4.1 實驗結果
        4.4.2 預測效果分析
    4.5 本章小結
總結與展望
參考文獻
攻讀碩士學位期間發(fā)表的論文
致謝



本文編號：3739712