基于数据挖掘的服装销售预测.doc

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 Women’s Apparel Sales Using Mathematical Modeling[J].National Textile Center Annual Report,2003,11:1~10. 2. Sebastien Thomassey,Michel Happiette,Jean Marie Castelain.A short and mean-term automatic forecasting system-application to textile logistics[J].European Journal of Operational Research,2005,161 :275~284. 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，1995） 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