基于数据挖掘的服装销售预测

《基于数据挖掘的服装销售预测》由会员分享，可在线阅读，更多相关《基于数据挖掘的服装销售预测（11页珍藏版）》请在装配图网上搜索。

1、外文翻译基于数据挖掘的服装销售预测原文出处：1. Celia Frank,Balaji Vemulapalli,Les M.Sztandera,Amar Raheja.Forecasting Womens Apparel Sales Using Mathematical ModelingJ.National Textile Center Annual Report,2003,11:110. 2. Sebastien Thomassey,Michel Happiette,Jean Marie Castelain.A short and mean-term automatic forecastin

2、g system-application to textile logisticsJ.European Journal of Operational Research,2005,161 :275284.译文1：基于数学建模的女性服装销售预测目标这项工作的目的是为了演示在服装销售预测中，类似人造的神经网络和模糊逻辑模型的一些简单计算方法。1、摘要销售预测是服装供应链锁管理中的主要部分，并且对于收益性来说非常重要。服装管理者需要一个精细的预测工具，像尺寸、价格、颜色、气候数据、价格变动、营销策略等外因和时间这样的内因都必须被考虑进去。尽管用一贯的气象学统计预报工具来建立模型是很常见的，但是它们本质

3、上反应出来的仅仅只是历史数据和一个线性趋势。非常规的人工智能工具例如模糊逻辑和人工神经网络，可以有效地将销售模型的外因和内因考虑进去，并且允许从任意非线性近似函数得出直接的推导。在这个研究中，预测模型是建立在单变量分析和多变量分析的基础上的。建立在多元模糊逻辑分析学上的模型比那些建立在其他基础上的模型要好得多。模型的效力是通过比较拟合优度统计资料、R2中的一个来测试的，也包含不同形态服装的实际销售和预测销售的比较。五个月的销售数据（2001.8-12）当做原始数据用于我们的模型，然后做出一个2002年一个月份的销售预测。模型的效力是通过比较拟合优度统计资料、R2中的一个来测试的，也包含实际销售

4、和预测销售的比较。一个0.93的R2由多变量分析获得（0.75是单变量分析），这明显比由单季性的指数平滑获得的0.90和冬季的三项参数模式得来的0.75要高得多。另一种模型，基于人工神经网络模型的方法，给R2一个0.82的多变量分析平均值和0.92的单变量分析平均值。2、最近的研究在重要的产品变量如颜色、时间和尺寸的基础上，一个多变量模糊模型已经建立起来。该模型正在被扩展到包括其他变数如气候、经济条件等,将用于建设一座综合预测软件。3、数据搜集由于我们目前的研究是基于多变量分析方法,包含多个自变量的销售数据被用于多变量模糊逻辑与神经网络模型。销售数据格式样本见表1。4、资料转换为了建立模型，一

5、个能被熟练用于简单算法的精炼的数字简化形式是必须的。转换后的数据格式见表2。5、方法 会影响到两种产品服装销售的变量：颜色、时间和尺寸，被拿出来做模型。转换后的数据根据不同的尺寸分类组合，提炼，然后利用人工神经网络和模糊逻辑模型为每个组预测销售。分组后的数据格式样本见表3。 日销售量是通过组别的销售估算出来的，利用以下两种方法： a.分数贡献法 b.温特斯三参数模型 预测后的日销售量再通过统计拟合优度、R2来与实际销售量做比较。6、模糊逻辑模型 模糊逻辑学允许算法的形成里有人类决策和评估的陈述，它是人类逻辑的数学表现形式。由从属函数规定的模糊集合的使用构成了模糊逻辑学。（冯 阿尔特洛克，199

6、5） 模糊集合：是一个在0, 1区间上的分等级的组。 从属函数：是变量属于模糊集合的函数。 销售模糊逻辑控制器的组成： 模糊性：语言上被定义为所有的输入变量（颜色和尺寸） 模糊推论：规章由数据库制定，在此基础上，言语输出变量的价值也就确定了。模糊推论由两个部分组成： 集合体：规则的条件部分。 构成：规则的THEN部分。 去模糊化：把由前阶段获得的输出变量（销售）的语言值（s）转换成一个真实的输出值。这可以通过处理基值来完成，新结果要在平衡所有结果后找出来。 模糊逻辑模型应用于分组数据模型，销售价值计算每个尺寸类的组合。这整段时间的总销售额是通过总结所有分组项目的销售额来计算的。 n趋向于一系列

7、尺寸颜色组合的点。 为了计算日常销售，要用到两种不同的方法：6.1 分数贡献法根据观察，每个工作日的分数贡献对于整个周销售来说是恒定不变的。表格4和图形2描述了一个工作日对于周销售的分数贡献，从预测的周销售能预测日常销售。 利用以上数据，我们可以按照如下过程来估算日常销售： 日常销售=分数（%）*总销售表格5给出了模型的R2值和2002年10月实际日销售与预测日销售之间的相关系数。图表3体现了2002年10月的实际销售与预测销售。6.2 温特斯三参数光滑模型 温特斯光滑模型提出：Yt+m=(St+bt)It-L+m 这里：St t时期末的一系列平滑非季节性标准 Bt t时期内的平滑走向 m Y

8、t+m的预测长度范围 It-L+m t+m时段的光滑季节性指数 即，实际级数值Yt+m等于一个平滑的标准值St加上一个趋势估计bt再乘以一个季节指数It-L+m。这三个需求变量都是在时间段t最后有效的指数形式光滑值。用来估计这些光滑值的等式有： St= (Yt/It-L)+(1-)(St-1+bt-1) (4) bt=(St-St-1)+(1-)bt-1 (5) It= (Yt/St)+(1-)It-L+m (6) Yt+m=(St+btm)It-1+m (7)这里：Yt t时间末的实际需求值 St的光滑常量 St 季节性调整后的时间末光滑值 用于计算趋势bt的光滑常量 It-L L时段前的光

9、滑季节指数 L 季节周期长度（如5个月） 光滑常量，用来计算周期t内的季节指数 It 时段t末的光滑季节指数 m Yt+m的预测范围长度 等式4是用来计算级数的总体值的，等式5中的St是调整后的趋势，用来延长时段t末的销售。在等式7中St是用来进行预测的。等式5通过使St和St-1的不同光滑值的变光滑来估算趋势。这样就估算了级数Yt的周期到周期的变化趋势。等式6阐述了光滑季节指数的计算。这个季节性的因素用来估算下一个周期的预测，它常常用于一个或者多个向前的季节循环预测值。 ，和这三个值是根据标准挑选出来用作最小化均方误差的。利用一个根据五个月的销售数据建立的预测模型，完成了2002年10月的每

10、日销售比例。见图表4，它体现了2002年的实际销售值与预测销售值。7、神经网络模型 一个神经网络，一个信息自动处理中心，有着像人脑一样的操作处理能力。神经网络可以成功的作为一个预测工具，因为它能够识别非线性关系，这在实现销售预测上尤为重要。在这次研究中，用到了具有反向传播功能的正向传播神经网络。图表5为它的一个简单结构体系。 在我们的模型中，神经网络构架由具有十个神经原的输出层，30个神经原的隐藏层和1个神经原的输出层来实施。用到了不少于十个月的分组化销售数据，其中前32行用作训练集，接下来的34行用于测试集，最后234行用于生产集。7.1 分数贡献法 基于模糊逻辑学的分数贡献法用来实施神经网

11、络模型。 表格7给出了模型的R2值，和2002年10月实际日销售和预测日销售之间的相关系数。图表6给出了实际销售值和预测销售值。 7.2 温特斯三参数模型 基于模糊逻辑学的温特斯三参数模型可以用来实现神经网络模型。 表格8给出了模型的，和R2值，以及实际日销售和预测日销售之间的相关系数。图表7给出了实际销售值和预测销售值。 8、单变量预测模型 预测模型以单变量分析为基础，且运用到传统的统计学模型和非传统的例如人工神经网络的微计算模型。在所有的模型中，人工神经网络是效果最好的，它本质上是非线性的。然而，任何一个模型都不能精准的进行预测，因为它们是用一个单一变量时段建立的。图表8,9,和10体现了

12、用单变量分析完成的几种模型的实际销售和预测销售。 10、模型比较 11、总结 经过我们的结果证明，多变量的模糊逻辑模型能够成为一个有效的销售预测工具。从中获得的0.93的相关系数，比用神经网络模型获得的0.82的相关系数要好得多。在神经网络模型下获得的贫乏的相关系数可以归结为销售数据的杂乱。模糊模型效果最好归功于它能识别输入的数据间的非线性关系的能力。然而，这个相关系数用于短期预测效果较好，不适合于长期预测。无论如何，与那些基于单变量分析的模型相比，多元模糊逻辑模型是执行力最优的。这也证明了多变量分析比单变量分析更好。要建立一个更加综合的模型，可以通过考虑其他因素来完成，如：天气，折扣，营销策

13、略等，这将成为我们提交这篇论文后的延伸工作。译文2：短中期预测系统现代纺织物流应用摘要 为了降低他们的库存量和限制库存中断，纺织公司需要一个特质而且精确的销售预测系统。尤其是，纺织分配牵涉到不同交付期的预测:中期（一年）和短期（平均为一周）。这篇论文提出两个新补充出来的预测模型，适用于纺织市场的需求。第一个模型（AHFCCX）允许通过模糊技术量化解释变量的影响来获得中期预测。第二个模型AMANFIS),基于神经模糊方法,通过加载真实销售来调整中期预测模型，再执行短期预测。为确保预测的精确度，我们将自己的经典模型与一位重要成品经销商手下的322种真实商品销售系列进行了比较。1、引言 为了建立生产

14、和处理产品时需要的所有运筹程序，纺织品经营者们必须使用预测系统。供应链效率的最优化依赖于已销售产品的预测的准确性。 纺织工业的销售预测是非常复杂的。确实，一个大范围的纺织项目参照存在（大约15000每年），他们的历史销售数据往往是很缺乏的（104个周期，2年以52周算）并且会被很多既不能严格控制也不能鉴定的因素扰乱。这些因素可能取决于物料项目（颜色，价格），经销商（店员，推销），客户（时尚）或者外在因素（天气，节假日）。这些数据并不总是有用，而且对销售有不同的影响。 不同阶段纺织项目发展的持续意味着预测的需求，直到所有原材料都安排好的那一年。生产经理也需要物品的数量来制造，特别是在早期从遥远的

15、国家进口物品的情况下。 根据当地制成品的重新进货来看，这对于在预期使用期限内的纺织品的预测也是必不可少的。因此纺织工业涉及到中期（一年）和短期（一周）的预测。 一些预测模型已经被熟练的运用于不同的应用程序中。包括复原模型，时间序列模型，神经网络或者模糊系统。一般来说，这些模型提供的是不同的结果。事实上，它们的性能本质上取决于各自的应用领域、预测目标、用户体验和预测范围。当使用不完善的、被解释变量严重扰乱的历史数据时，传统的模型通常是不适合的。 为了处理好这些被纺织品问题影响的约束条件（两个不同的范围、为数众多的参考、被大量的解释变量扰乱的简化历史数据），用于这篇论文的方法是以下建立在模糊推论系统和神经网络的基础上的微计算方法。AHFCCX模型，以HFCCX模型为基础，能自动执行中期预测;这将会在章节2.1中提到。这个模型利用模糊推论系统的功能来处理非线性的关系和量化解释变量的影响。章节2.2描述了短期的自动预测模型，它运用的是神经网络的学术和适应能力以及解释模糊推理系统的设施。附原文1.附原文2.