一种预测商品销量及库存新方法.docVIP

一种预测商品销量及库存的新方法 　　摘要：在纵向时间轴上设定滑动窗口来动态选择商品合适的同期历史记录，并在所选时间序列中巧妙地将滑动窗口与最佳（Pearson Correlation）拟合公式和均值生成函数相结合，提高了算法的灵活性和预测值的精度。该方法的主要优点包括过滤异常数据记录, 避免因其产生负面影响，并能得到清晰的商品销量变化趋势。实验证明，该方法无论从时间复杂度还是预测准确度来说都是可行的。 　　关键词：滑动窗口； Pearson Correlation； 过滤异常； 预测变化趋势； 纵向分析 　　中图法分类号：TP311文献标识码：A 　　文章编号：1001－3695(2007)01－0061－03 　　 　　1引言 　　 　　影响商品销量的因素很多，除了商品自身的生命周期外，还有商品间的互相影响以及许多 　　不可预测的外界因素的影响，而能够较为准确地预测商品的销量对于市场营销无疑是大有裨益的。传统的分析方法如短期自忆模式[7]、滑动平均模型[3]、自回归模型[3]、均值生成函数[4]、MMFA模型[4]等都可以从不同的角度进行预测，而且一般情况下也能收到比较好的效果。但在下面两种情况下的表现却差强人意： 　　①商品销量在某一阶段骤增或骤减时； 　　②商品销量在整体上呈递增或递减变化趋势明显时。为了说明这两种情况，下面给出两个例子。?? 　　例1表1是某商店最近几年口罩的销量记录表。?? 　　表1口罩销售记录表 　　 　　显然，由于2002年 “非典”对口罩销量的影响，导致其当年销量剧增。用现有的预测方法无论是自回归模型、均值生成函数模型，还是MMFA模型都不能给出合适的预测值，尽管它们在没有显著异常的数据集上实验是成功的，因为它们都是直接对历史记录数据进行数学计算，不可能消除异常数据对预测的负影响。例如图1是2005年口罩实际销量和预测销量的对比直接用均值生成函数生成的实际销量和预测销量的拟合情况，这明显不是决策者想要的结果。?? 　　例2表2是某商场前十年来一月份黑白电视机的销售记录。 　　表2黑白电视机销售记录表 　　 　　因此，本文致力于避免显著异常数据对预测值的影响，以及找出商品销量、库存量的变化趋势，用动态的滑动窗口与拟合公式Pearson Correlation 相结合，过滤掉异常记录。对不同的商品需要考虑的时间序列长度也不一样，有些商品需要分析其前十年的销量记录，而有些商品生命周期较短，如时装、保健品脑白金等，分析其前十年的销量记录显然不仅没有意义而且会影响预测的准确性，所以本文通过改变滑动窗口的端点位置来提高算法的灵活性和预测精度。另外由于本算法的时间复杂度小，所以可以在同一时间序列上采用小步长、重叠窗口的方法多做几个滑动窗口，以判断商品正处在其生命周期的哪个阶段，即判断其销量变化趋势，从而提高预测的准确性。 ?? 　　 　　2相关背景及我们的工作?? 　　 　　2．1相关背景?? 　　用于商品销量预测的方法都是以分析时间序列为基础的，目前最常用的方法中，自忆模式[7]和自回归模式[3]都是通过静态分析历史时间序列给出预测值，但只适用于短期预测；滑动平均模式[3]是与滑动窗口相结合，通过均值给出预测值；均值生成函数[4]是基于时间序列的均值派生出来的，提取主成分因子是把握序列因子作用大小的关键，依此建立的模式更能显著反映时间序列的发展趋势和存在的周期性；MMFA模型[4] 是基于时间序列均值生成函数的主成分分析建立的。封国林也在此基础上提出自忆模式与均值生成函数模式相结合的组合预测模式。这些方法都是可行的，但都存在一个共同的弱点，如例1、例2所证明的，遇到以下两种情况时预测结果就会不理想： 　　①商品销量在某一阶段骤增或骤减时； 　　②商品销量在整体上呈递增或递减变化趋势明显时。 　　所以本文巧妙地将滑动窗口、最佳（Pearson Correlation，PC）拟合公式和均值生成函数相结合，很好地解决了上述问题。?? 　　所谓滑动窗口是指在纵向时间序列中，寻找到适合决策者要求的若干年的销量和其同期库存量记录，用从界面上输入的滑动窗口的起点和终点来表示当前的时间序列。由于其搜索范围是随着当前位置的变化而变化的，因而称为滑动窗口。?? 　　原始数据一般会给出以前十年、二十年或更多的历史记录，所以直接用最佳拟合公式进行协调过滤的话，不方便扫描时间序列去掉异常数据；时间序列太长，若超出商品的生命周期，则预测准确性就会受到影响；另外，直接分析整个时间序列，不知道商品处在其生命周期的哪个阶段，也会使预测值出现严重的偏差。?? 　　采用滑动窗口可以很好地解决例1、例2中的问题。采用小步长(最小三个点线距）重叠窗口的方案，在某个特定窗口内实现分析运算，