2023年MathorCup大数据竞赛优秀论文-8.pdfVIP

队伍编号MCB2302632

赛道（B）

基于大数据驱动的电商零售商品需求预测

摘要

本文对电商零售商品需求量问题进行了深入研究，从问题深度来说，将问题分解为

商品分类情况下的需求量预测，新增维度下的商品需求量预测，大型促销货物货量陡增

情况下的商品需求量预测。

问题一：对于商品分类情况下的需求量预测，本质上是一个时间序列预测问题。针

1996166

对不同商家不同商品不同仓库的种组合，利用原始的天销售量数据，基于销

售量的统计特征（最小值，最大值，中位数，上四分位数，下四分位数，平均值，标准

k-19964

差）进行均值聚类，从轮廓系数和轮廓图综合考虑将种组合聚成了类，从模

型的简易性，实用性，与可解释性方面放弃了回归预测，灰色预测与深度学习模型，针

ARIMA15

对每一类选取合适的预测模型进行为期天的销售量预测。以组合

seller_2,product_65,warehouse_11-wmape0.5448

（）为例进行模型求解展示，计算得到为。

问题二：对于新增维度下的商品需求量预测，本质同上题，为一个时间序列预测问

21036

题。相比于问题一特点是组合数量只有种，并且时间维度也不一样，历史数据有

28451

天，天，天等等。本文利用原始的不同维度销售量数据，并基于问题的模型，

21014

计算种组合和问题的个类别中心之间的距离，将组合归为距离最近的类别中心

ARIMA15

对应的类别，然后针对每一类选取合适的预测模型进行为期天的销售量预

测。

问题三：对于大型促销货物货量陡增情况下的商品需求量预测，本质同前两问，仍

195711

是一个时间序列预测问题。该问题组合数量有种，时间维度大多数是天，考虑

2023-05-162023-05-30

到在问题一中，已经预测出到的销售量，但由于预测值本身存

6

在误差，再作为原始数据来预测月的数据就会产生误差叠加的后果。因此本文利用双

11111

期间的天原始销售量数据，并基于问题的方法先进行聚类，再针对每一类选取

ARIMA9

合适的预测模型进行为期天的销售量预测，然后基于预测模型的平均残差对

2022202023-06-012023-06-20

年的天数据进行调整，得到到