Microsoft时序算法在电子商城中应用研究.docVIP

Microsoft时序算法在电子商城中应用研究 　　摘要：采用Microsoft时序算法来创建数据挖掘模型，并浏览验证了数据挖掘模型的有效性，可应用该模型预测电子商城中的销售情况，包括：每个商店、每类商品、每个商品的销售额、销售量及销售成本等，可为电子商城中的商家的商业活动提供决策支持。 　　关键词：数据挖掘；时序算法；销售预测；电子商城 　　中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2016）04-0243-02 　　1 概述 　　目前，在电子商城中各个商家和企业的商业活动在很大程度上存在着盲目性，对大家都有利的许多信息得不到共享，也没有商业活动可依据的可靠的决策支持。可以通过数据挖掘来对电子商城的s未来销售情况进行预测，使企业和商家对未来的发展有一定的认识，也有利于合理的安排各项商业活动。 　　对未来销售情况预测包括：通过商城中各类商品的历史销售记录，预测各类商品的发展前景进行；通过各个企业和商家的商品的历史销售记录，预测企业和商家的发展前景；通过各个产品的历史销售记录，预测产品将来的发展前景等等。 　　本文的销售预测采用Microsoft时序算法对电子商城中的销售数据进行数据挖掘。 　　2 Microsoft时序算法简介 　　时间序列包含一系列的随时间或者其他变量的增加而得到的数据。在现实世界中，许多变量的值随着时间的改变而改变，变量值的序列也就组成了一个时间序列。在时间序列中，给定时间点的值由该时间点之前的值决定。通过收集时间序列数据对将来的值进行预测。[1] 　　Microsoft时序算法是一个结合了自动回归技术和决策树技术的新预测算法，所以也把该算法称作自动回归树（Auto Regression Tree，ART）。[2] 　　1）自动回归：自动回归是一种用来处理时间序列问题的常见的技术。在自动回归过程中，x在f（xt）的值是t时间之前x的一系列值的一个函数，例如：[xt=f（xt-1，xt-2，xt-3，…，xt-n）+εt]，其中，xt是待研究的时间序列，n是自动回归的阶，通常远小于该序列的长度，最后一项[εt]代表噪声。使用时间序列算法的目标就是找到这个函数f。 　　2）使用多个时间序列：一个挖掘模型可能包含多个时间序列，这些序列可能不是相互独立的。这一算法的特征之一就是当这些序列存在着依赖关系的时候，可以被识别出是交叉序列。 　　3）自动回归树：使用该算法创建的模型是自动回归树，一颗回归树就对应着函数f。 　　4）季节性：大多数时间序列都有季节性的模式。ART算法可以使用季节性参数Periodicity_Hint来增加历史数据点。 　　5）预测历史：当处理完一个时序模型后，就可以用该模型对未来进行预测、对历史进行预测。如果该模型对过去的预测比较准确，则该模型对未来预测的结果也比较准确。 　　3 使用Microsoft时序算法挖掘数据 　　3.1 创建模型 　　在本例中，采用Microsoft时序算法创建2个挖掘模型，其中：模型Stores_Model的目标是对每个商店每个月的销售额、销售量、销售成本进行预测；模型Product_Category_Model的目标是对每类商品每个月的销售额、销售量、销售成本进行预测。 　　利用DMX 语言创建时序模型Stores_Model和Product_Category_Model的代码如下： 　　CREATE MINING MODEL Stores_Model （ 　　年月 LONG KEY TIME， 　　商店名称 TEXT KEY， 　　销售额 LONG CONTINUOUS PREDICT， 　　销售成本 LONG CONTINUOUS PREDICT， 　　销售量 LONG CONTINUOUS PREDICT） 　　Using Microsoft_Time_Series （HISTORIC_MODEL_COUNT = 12， HISTORIC_MODEL_GAP = 2， MISSING_VALUE_SUBSTITUTION = Previous， PERIODICITY_HINT = {12}） 　　CREATE MINING MODEL Product_Category_Model （ 　　年月 LONG KEY TIME， 　　商品分类名称 TEXT KEY， 　　销售金额 LONG CONTINUOUS PREDICT， 　　销售成本 LONG CONTINUOUS PREDICT， 　　销售数量 LONG CONTINUOUS PREDICT） 　　Using Microsoft_Time_Series （HISTORIC_MODEL_COUNT = 12