CN103984998A - 基于云服务平台大数据挖掘的销售预测方法 - Google Patents

Abstract

本发明公开了一种基于云服务平台大数据挖掘的销售预测方法，具体为：根据仓库历史配货成功数据做数据挖掘分析，预测预期的销售情况；根据商品销售历史数据预测销售量和增长率。本发明的方法通过对现有的订单销售数据和仓库配货数据进行分析做出预测，简单高效，能够实现实际的要求。

Description

基于云服务平台大数据挖掘的销售预测方法

技术领域

本发明属于电子信息技术，涉及电子商务中的大数据和云计算应用，具体涉及基于云服务平台大数据挖掘的销售预测方法。

背景技术

随着市场经济的发展和经济全球化，企业面临着阅历啊越激烈的市场竞争。企业要想赢得竞争，取得客户，就必须哎最快的时间内，以最低的成本将产品提供给客户，这使得进行正确及时的产品销售预测以及由此产生的可靠的决策成为现代化企业成功的关键因素，由此一些销售预测系统也应运而生。随着计算机技术、网络技术、通讯技术和Internet技术的发展和各个业务操作流程的自动化，企业产生了数以几十或上百GB的销售历史数据，面对这些海量数据，传统的预测系统越来越不适应新的预测要求，主要表现在：大量的历史数据处于脱机状态，变成了“数据坟墓”。预测涉及海量数据的处理，传统的方法无法满足运行效率、计算性能、准确率及存储空间的要求。预测所需的数据含有大量不完整(缺少属性值或仅包含聚集数据)、含噪声(错误或存在偏离期望的孤立点值)、不一致的内容(来源于多个数据源或编码存在差异)，导致预测陷入混乱。传统的数据库技术在预测知识的表达、综合和推理方面能力比较薄弱，难以满足日益提高的预测要求。

发明内容

本发明的目的是为了解决现有技术存在的上述问题，提出了一种基于云服务平台大数据挖掘的销售预测方法。

本发明的技术方案为：一种基于云服务平台大数据挖掘的销售预测方法，具体为：根据仓库历史配货成功数据做数据挖掘分析，预测预期的销售情况；根据商品销售历史数据预测销售量和增长率。

进一步的，上述预测季节性指数平滑法：a.找到描述整个时序总体发展趋势的数学模型即分离趋势的趋势方程；b.找出季节变动对预测对象的影响即分离季节影响；c.将趋势方程与季节影响因素合并，得到能够描述时间序列总体发展规律的预测模型，并用于预测。

改进的季节性指数平滑法：

季节性指数平滑法有三个基本的平滑公式和一个预测公式，三个平滑公式分别对时间数列的三种因素平稳性、趋势性、季节性进行平滑,具体为：

平稳性 $S_t=\mathrm{\α}\frac{Y_t}{I_{t-l}}+(1-\mathrm{\α})(S_{t-l}+B_{t-l});$

趋势性B_t＝γ(S_t-S_t-l)+(1-γ)B_t-l；

季节性 $I_t=\mathrm{\β}\frac{Y_t}{S_t}+(1-\mathrm{\β})I_{t-l};$

预测值 $\widehat{Y_{T+t}}=(S_t+{\mathrm{TB}}_t)I_{T+t-l};$

其中，α、β、γ是平滑参数(取值在0～1之间)，l为季节周期的长度，Y_t为实际观察值，T为外推预测时期数；I_T+t-l为季节性函数在时间(T+t-l)的值，S_t-l为平稳函数在时间(t-l)的值，B_t-l是趋势性函数在时间(t-l)的取值。

式子(1)是对时间数列剔除季节变动后趋势因素的平滑式；式子(2)是对趋势增加值的平滑式，式子(3)是对季节变动因素的平滑式。

利用季节性平滑方法进行预测时，最重要最难的工作是如何确定平滑参数α、β、γ的取值。利用最小值加速算法：

设目标函数为(取最小值min，其中表示预测值在(t-l)的取值)。即寻找使实际值与向前一步预测值(T＝1)离差平方和最小的平滑参数α、β、γ。

任选一个基点B₁(α,β,γ),算出此点的目标函数值F，然后对某个平滑参数按进行试探，即比较B₁,的目标函数值.

以目标函数最小的点位最小临时点，再由此点对另一参数(注：假如第一次试探的参数为α，则“另一参数”为β，参数γ不变，得到一个最小临时点；然后使参数β不变，对参数γ进行试探，得到一个最小临时点，比较中两个临时点，得到第二个临时点B₂)进行相同的试探，选择最小的目标函数点位最小临时点，如此做完成对所有平滑参数的取值，选择最小的目标函数值为新的临时点为第二个临时点B₂。

由B₁到B₂构成一个矢量(B₁(α,β,γ)中的参数减去B₂中的参数得到一个新的参数矢量(α、β、γ)。下一步就是把第一个矢量加速一倍(乘以2即为一倍)，进行第二轮试探，以此类推，经过若干次试探，可以得到越来越好的目标函数下降点，得到很好的平滑参数。

进一步的，所述预测预期的销售情况的具体过程如下：

根据时间序列的趋势图测定数据，判断是否呈现季节性特征；

根据加和模型或加乘模型的不同处理方式剔除季节性，使得数据值呈现出长期趋势或其他特征；

a.计算不同年份的同月份数据的平均数

b.依据所计算得到的平均值，计算12个月的月均值

c.计算：各月平均数/月均值＝季节指数

d.每个月份的原始数据/对应月份的季节指数＝当月剔除季节性后反映的数值

依据剔除季节性后反应的数据，进一步做时间序列分析(可选择趋势外推模型、移动平均模型、指数平滑模型等作拟合)，得到还原前预测值，再乘回季节指数，获得最终的预测值。(预测预期的销售情况)

进一步的，所述的根据商品销售历史数据预测销售量和增长率具体过程如下：

收集历年(通常至少有三年)各月或各季的统计资料(观察值)。

求出各年同月或同季观察值的平均数(用A表示)。

求出历年间所有月份或季度的平均值(用B表示)。

计算各月或各季度的季节指数，即S＝A/B。

根据未来年度的全年趋势预测值，求出各月或各季度的平均趋势预测值，然后乘以相应季节指数，即得出未来年度内各月和各季度包含季节变动的预测值。(预测销售量和增长率)

本发明的有益效果：本发明的方法通过对现有的订单销售数据和仓库配货数据进行分析做出预测，即根据仓库历史配货成功数据做数据挖掘分析，预测预期的销售情况；根据商品销售历史数据预测销售量和增长率；本发明的方法简单、效率高，能够实现实际的要求。

具体实施方式

本发明实施例提供的一种基于云服务平台大数据挖掘的销售预测方法，具体为：根据仓库历史配货成功数据做数据挖掘分析，预测预期的销售情况；根据商品销售历史数据预测销售量和增长率。

季节性指数平滑法：a.找到描述整个时序总体发展趋势的数学模型即分离趋势的趋势方程；b.找出季节变动对预测对象的影响即分离季节影响；c.将趋势方程与季节影响因素合并，得到能够描述时间序列总体发展规律的预测模型，并用于预测。

改进的季节性指数平滑算法描述：

季节性指数平滑算法有三个基本的平滑公式和一个预测公式，三个平滑公式分别对时间数列的三种因素进行,具体为：

$S_t=\mathrm{\α}\frac{Y_t}{I_{t-l}}+(1-\mathrm{\α})(S_{t-l}+B_{t-l})$    (1平稳性)

B_t＝γ(S_t-S_t-l)+(1-γ)B_t-l   (2趋势性)

$I_t=\mathrm{\β}\frac{Y_t}{S_t}+(1-\mathrm{\β})I_{t-l}$    (3季节性)

预测公式是： $\widehat{Y_{T+t}}=(S_t+{\mathrm{TB}}_t)I_{T+t-l}$    (4预测值)

其中：α、β、γ是平滑参数，l为季节周期的长度，Y_t为实际观察值，T为外推预测时期数。式子(1)是对时间数列剔除季节变动后趋势因素的平滑式；式子(2)是对趋势增加值的平滑式，式子(3)是对季节变动因素的平滑式。

利用季节性平滑方法进行预测时，最重要最难的工作是如何确定平滑参数α、β、γ的取值。利用最小值加速算法：

设目标函数为(取最小值min)。即寻找使实际值与向前一步预测值(T＝1)离差平方和最小的平滑参数α、β、γ。

b.任选一个基点B₁(α,β,γ),算出此点的目标函数值F，然后对某个平滑参数按进行试探，即比较B₁,的目标函数值.

c.以目标函数最小的点位最小临时点，再由此点对另一参数进行相同的试探，选择最小的目标函数点位最小临时点，如此做完成对所有平滑参数的取值，选择最小的目标函数值为新的临时点为第二个临时点B₂。

d.由B₁到B₂构成一个矢量。下一步就是把第一个矢量加速一倍，进行第二轮试探，以此类推，经过多次试探，可以得到越来越好的目标函数下降点，得到很好的平滑参数。

下面结合实例进行具体说明：

使用温特线性和季节性指数平滑算法的关键在于选择一组合理的常数组合α、β、γ，从而使误差带到最小，需要根据时间序列的特点和预测经验确定几对上述常数的组合，经过反复测试，计算各组常数组合的预测误差，最后选择预测误差最小的一组得出的结果。

本发明使用最小值加速算法，逐步筛选出最好的常数组合。表1为一个测试用例：表示一个商店2010到2011年每个月商品的销售量的实际值，预测值以及误差。

1.建立目标函数：约束条件为0<＝α、β、γ<＝1

2.确定初始值：α＝β＝γ＝0.5；

3.第一轮探索： $f\left(\mathrm{0.5,0.5,0.5}\right)=980458231.84;f(0.5-\&dtri;\mathrm{\&lambda;},\mathrm{0.5,0.5})=$ $1015197496.59;f(0.5+\&dtri;\mathrm{\&lambda;},\mathrm{0.5,0.5})=969597459.73;$ 选择临时点f(0.55，0.5,0.5)

4.同第5步，接着探索β、γ，得到第一轮节点(0.55,0.45,0.45)

5.重复5.6步骤，得到最后的误差最小的常数组合(0.08,0.001，0.34)

6.利用最小常数组合进行预测，即可得到最好的预测结果。

表1

Claims (5)

1.一种基于云服务平台大数据挖掘的销售预测方法，其特征在于，具体为：根据仓库历史配货成功数据做数据挖掘分析，预测预期的销售情况；根据商品销售历史数据预测销售量和增长率。

2.根据权利要求1所述的基于云服务平台大数据挖掘的销售预测方法，其特征在于，所述预测具体采用季节性指数平滑法的具体过程为：

a.找到描述整个时序总体发展趋势的数学模型即分离趋势的趋势方程；

b.找出季节变动对预测对象的影响即分离季节影响；

c.将趋势方程与季节影响因素合并，得到能够描述时间序列总体发展规律的预测模型，并用于预测。

3.根据权利要求2所述的基于云服务平台大数据挖掘的销售预测方法，其特征在于，所述季节性指数平滑法的具体过程如下：

季节性指数平滑法包括三个基本的平滑公式和一个预测公式，三个平滑公式分别对时间数列的三种因素平稳性、趋势性、季节性进行平滑,具体为：

平稳性 $S_t=\mathrm{\&alpha;}\frac{Y_t}{I_{t-l}}+(1-\mathrm{\&alpha;})(S_{t-l}+B_{t-l});---\left(1\right)$

趋势性B_t＝γ(S_t-S_t-l)+(1-γ)B_t-l；   (2)

季节性 $I_t=\mathrm{\&beta;}\frac{Y_t}{S_t}+(1-\mathrm{\&beta;})I_{t-l};---\left(3\right)$

预测值 $\widehat{Y_{T+t}}=(S_t+{\mathrm{TB}}_t)I_{T+t-l};$

其中，α、β、γ是平滑参数，取值在0～1之间，l为季节周期的长度，Y_t为实际观察值，T为外推预测时期数；I_T+t-l为季节性函数在时间(T+t-l)的值，S_t-l为平稳函数在时间(t-l)的值，B_t-l是趋势性函数在时间(t-l)的取值；

式子(1)是对时间数列剔除季节变动后趋势因素的平滑式；式子(2)是对趋势增加值的平滑式，式子(3)是对季节变动因素的平滑式；

利用最小值加速算法确定平滑参数α、β、γ的取值：

设目标函数为取其最小值min，其中，表示预测值在(t-l)的取值，即寻找使实际值与向前一步预测值(T＝1)离差平方和最小的平滑参数α、β、γ；

任选一个基点B₁(α,β,γ),算出此点的目标函数值F，然后对某个平滑参数按进行试探，即比较B₁,的目标函数值；

以目标函数最小的点位最小临时点，再由此点对另一参数进行相同的试探，选择最小的目标函数点位最小临时点，如此做完成对所有平滑参数的取值，选择最小的目标函数值为新的临时点为第二个临时点B₂(α,β,γ)；

由基点B₁(α,β,γ)中的参数减去B₂(α,β,γ)中的参数得到一个新的参数矢量(α、β、γ)，把新的参数矢量(α、β、γ)加速一倍(乘以2即为一倍)，进行第二轮试探，以此类推，经过若干次试探，即得到平滑参数。

4.根据权利要求3所述的基于云服务平台大数据挖掘的销售预测方法，其特征在于，所述预测预期的销售情况的具体过程如下：

根据时间序列的趋势图测定数据，判断是否呈现季节性特征；

根据加和模型或加乘模型的不同处理方式剔除季节性，使得数据值呈现出长期趋势或其他特征；

计算不同年份的同月份数据的平均数；

依据所计算得到的平均值，计算12个月的月均值；

计算季节指数：各月平均数/月均值＝季节指数；

计算当月剔除季节性后反映的数值：即每个月份的原始数据/对应月份的季节指数；

依据剔除季节性后反应的数据，做时间序列分析，得到还原前预测值，再乘以季节指数，获得最终的预测值，即预期的销售情况。

5.根据权利要求3所述的基于云服务平台大数据挖掘的销售预测方法，其特征在于，所述的根据商品销售历史数据预测销售量和增长率具体过程如下：

收集历年各月或各季的统计资料；

求出各年同月或同季观察值的平均数，用A表示；

求出历年间所有月份或季度的平均值，用B表示；

计算各月或各季度的季节指数，即S＝A/B；

根据未来年度的全年趋势预测值，求出各月或各季度的平均趋势预测值，然后乘以相应季节指数，即得出未来年度内各月和各季度包含季节变动的预测值。