2023年MathorCup大数据竞赛优秀论文-6.pdfVIP

队伍编号MCB2302926

赛道B

基于ARIMA与LSTM时间序列的电商产品需求量预测

摘要

可靠的用户需求量预测，对电商平台各商家对仓库、商品的管理和决策非常重要。

本文对于商家、仓库、产品在时间序列上的需求量进行分析及预测，针对不同情况得

到不同情况下的需求量预测情况。

针对问题一，本文首先对于数据进行预处理，对于附件1中的商家、仓库、产品

的编号进行组合合并成1996种，如29-1-915为一个组合并在后文统称组合，通过可

视化图表发现“双12”购物节和春节时间段各商品的需求量出现明显与平时期间异常

的波动，因此对于这部分时间进行剔除，预测所采用的需求量数据从2023年2月1

日开始到2023年5月15日。针对预处理之后的数据，本文采用ARIMA时间序列和

LSTM两种方法对组合2023年5月16日到5月30日的需求量进行预测，其中ARIMA

时间序列本文通过python语言设置循环语句用AIC准则选取最小的AIC得到所需的

p、d、q值进行预测，LSTM采用MATLAB编程实现LSTM时间序列预测，两个方

法算出来的平均1-wmape分别为：0.7628、0.8344。通过1-wmape的值对两种方法进

行赋权相加得到最终结果。对于聚类本文使用K--means聚类按照不同的聚类标准，

将1996个组合分别聚成4类和5类，并运用主成分分析法（PCA）降维实现可视化

效果。

针对问题二，本文同样对于附件5中提供的新维度的数据进行组合，附件5中的

新组合共有210个，再将附件5中的新组合按照出现的时间分为5类，其中4月1日

到4月5日出现的组合为一类，以此类推，其中每组分别含有66、29、57、42、16

个组合，再分别对每组的组合与附件1中的组合计算Spearman相关系数，找到相关

性最高的组合且P值小于0.05，如附件5中的组合14-21-239对应附件1中的组合

35-53-1423，其Spearman相关系数为0.8685且P值为3.83E-13远小于0.05，每个附

件5中的组合都在附件1中找到与之对应的相关性最强的组合，再将附件5中每个组

合的数据带入问题一中已经训练完的LSTM和ARIMA时间序列方程中得到附件5中

新组合在2023年5月15日到2023年5月30的需求量预测值，预测结果详见附录。

针对问题三，本文对于附件6数据进行组合共有1957个组合，再通过对于数据

的可视化处理发现用户在11月1日到11月11日的需求量出现先上升后下降在上升

的整体趋势，结合各店商在“双11”的促销安排，可以大致将“双11”购物节分为三个

阶段：开门红、品类日主题日、高峰期狂欢日。本文对于“618”期间的个组合预测

分为两步，即正常预测与引入购物节因子（品类因子、地区因子），因此首先对于“618”

期间各组合的需求量通过ARIMA时间序列与LSTM赋权相加进行如平时期间相同的

预测，第二步再计算各一级分类商品在“双11”期间的品类因子，如宠物生活在“双11”

中每天的品类因子即为1.0482，1.4386，1.8240，1.4737等等，再计算各地区在“双11”

期间的地区因子，如东北地区在“双11”中每天的地区因子为2.3006，2.0367，1.6779，

1.6252等等，通过“双11”购物节的购物节因子按照分成的三个阶段进行线性插值得到

“618”期间的品类因子和地区因子。通过ARIMA时间序列和LSTM赋权相加的预测

结果结合两种因子的约束条件，得到“618”期间需求量预测值，预测结果详见附录。

关键词：ARIMA时间序列LSTM购物节因子Spearman相关系数K-means聚类

1

目录

基于ARIMA与LSTM时间序列的电商产品需求量预测1

摘要1

一、问题重述4

1.1问题背景4

1.2问题提出4

二、问题分析4

2