基于WaveNet-LSTM网络的商品销量预测研究

发布时间：2023-02-10 18:42

　　商品销量预测的准确性关乎着所有利益相关者的利润。但是缺货和库存积压的现象普遍存在,这使零售商面临两难境地:他们需要平衡缺货带来的损失和安全库存所需的成本。在这种情况下,非常有必要对商品销量预测进行深入的研究。研究人员可以使用数据挖掘技术来开发预测商品销量的模型,帮助零售商从大量的商品销量数据中挖掘出潜藏的商业价值。其中,不同于传统的监督学习方法,神经网络无需大量的人工特征,就可以从数据中发现隐含的内部规律,从而进行有效的特征学习,在解决短期商品销量预测问题上具有天然的优势。LSTM(Long Short-Term Memory)模型在每一个时间步的输入如果能包含更丰富的历史信息,模型的预测性能也将得到提升,所以在LSTM模块前加一个特征提取器显得尤为重要。以两层的LSTM模型为例,第一个LSTM模块就相当于一个特征提取器,但隐藏层中细胞状态的不稳定性会在一定程度上影响输出特征的质量。基于此,本文提出了一种基于WaveNet-LSTM网络的商品销量预测模型,模型利用WaveNet网络提取时间序列上的特征,然后输入到LSTM模块进行预测输出。具体的,模型通过叠加多层扩张的因果卷积来提取时间...

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 课题研究的背景
    1.2 课题研究的意义
    1.3 国内外研究现状
    1.4 研究内容和章节安排
第二章 相关理论基础
    2.1 数据挖掘相关概述
        2.1.1 数据挖掘的任务
        2.1.2 数据挖掘的流程
        2.1.3 数据挖掘的工具
    2.2 商品销量预测方法
        2.2.1 定性预测方法
        2.2.2 定量预测方法
    2.3 神经网络基础
        2.3.1 循环神经网络
        2.3.2 卷积神经网络
    2.4 本章小结
第三章 基于WaveNet-LSTM网络的商品销量预测
    3.1 LSTM基本理论
    3.2 WaveNet基本理论
        3.2.1 因果卷积
        3.2.2 扩张卷积
        3.2.3 残差学习
    3.3 模型设计
    3.4 模型训练与评估方法
        3.4.1 模型训练方法
        3.4.2 模型预测方法
        3.4.3 模型评价指标
    3.5 本章小结
第四章 商品销量预测应用实例
    4.1 实验环境及数据简介
        4.1.1 实验环境
        4.1.2 数据集
    4.2 数据分析和处理
        4.2.1 可视化分析
        4.2.2 数据预处理
        4.2.3 特征工程
        4.2.4 划分数据集
    4.3 实验设定
        4.3.1 对比方法
        4.3.2 参数设定
    4.4 实验结果分析
        4.4.1 实验结果
        4.4.2 预测效果分析
    4.5 本章小结
总结与展望
参考文献
攻读硕士学位期间发表的论文
致谢



本文编号：3739712