摘要：为解决现有线性回归方法对市级卷烟销量预测研究效果不佳等问题,基于支持向量机(SVM,Support vector machine)设计并实现了一种市级卷烟销量预测方法。以湖南中烟工业有限责任公司卷烟销量为研究对象,将支持向量机(SVM)方法应用到卷烟销量预测中,提出了基于SVM的卷烟销量预测混合方法(SHPM,SVM-based hybrid prediction method)。将SHPM与线性回归方法、ARIMA(Autoregressive integrated moving average)方法、SVM方法进行了市级卷烟销量预测的对比实验,结果表明:将SVM方法应用到卷烟销量预测中是可行的。在市级卷烟销量预测上,SHPM预测结果误差相比SVM方法降低9.58%,比线性回归方法降低11.83%,比ARIMA方法降低45.79%。因此,SHPM是一种有效的市级卷烟销量预测方法。

摘要：作为极具发展潜力的新兴产业,现代物流业建立先进可靠的需求预测模型,对物流配送方案设计、节省物流成本都起着至关重要的作用。考虑到销量预测数据采集过程中数据变化性很大,不可能采集到较多的数据来进行预测,本文将少数据模型GM(1,1)模型应用到商品销售预测上,从而为物流配送系统中合理的配送提供有力的建议。

摘要：为了提高短生命周期产品在整个生命周期各个阶段的销量预测能力,在前人研究的基础上,基于模糊理论提出了结合多元线性回归和模糊神经网络的组合预测方法模型。该模型综合考虑了生命周期各阶段的特点,首先对产品的生命周期进行了分析和分段,指出单一方法和传统方法的不足之处。在此基础上针对以上问题设计总体预测方案,不仅可以解决前期历史数据缺乏问题,而且可以解决中后期复杂的非线性预测问题,从而使销量预测模型更通用和更精确。实验结果表明了该模型的有效性。

摘要：传统使用网络搜索数据进行销量预测时多通过人工选取关键词,难以充分考虑所有关键词的搜索量信息。通过使用卷积神经网络提取数据特征,能够解决传统预测方法存在的关键词合成问题。文章首次将深度学习理念引入汽车销量预测领域,首先通过网络爬虫方式获取汽车相关的关键词与网络搜索量,然后根据网络搜索量数据和销量数据的特点设计一种基于卷积神经网络的汽车销量预测模型,并对2019年上半年大众汽车销量做出预测。实验结果显示,与RBF模型、ARIMA模型、ARIMA+RBF混合模型对比,卷积神经网络的预测精度更高,大众品牌的预测精度达到89.51%。由于春节以及新政策出台的影响,2月份为预测误差最大的月份;随着市场的回暖,3月份为预测精度最高的月份。该预测方法为销量预测领域的研究提供了一种新思路。

摘要：营销策略的制定是加油站业务的重要部分,而数据驱动的营销策略制定已成为加油站实现精准营销的迫切需求。为此提出了一种基于加油站历史数据、营销策略和关键特征的油品销量预测的深度学习模型和基于销量预测模型的营销策略制定方法。根据加油站历史数据特征,设计了一个多层次的网络结构处理不同类别特征的数据,并结合营销策略信息以执行油品的销量预测。另外,通过引入关键特征,提升了销量预测模型的准确度;通过输入营销策略信息的变更,实现了加油站营销策略的自动选择。在真实加油站数据构建的数据集上进行实验,结果显示:所提方法的销量预测模型相比其他主流方法具有更低的预测误差。

摘要：基于数据挖掘的理论和方法,研究网络上食品销量的影响因素。以饮料产品为代表性研究对象,以多元非线性回归模型考察饮料上市时间、往期销量、广告投入比例、售价容量比、售价均值差、饮料种类、用户评分和含糖量等多种因素对销量的影响。经过实际数据分析和实验验证,找到对饮料销量影响最大的六大因素,并解释每种因素对销量的实际影响,从而为饮料销售商提供合理化的决策建议。

摘要：为了解决单一模型对直播销量预测效果不佳的情况,提出利用Stacking集成学习模型对4种单一机器学习模型进行融合。利用Spearman相关性分析和3种树模型的特征贡献度来进行特征选择,选用网格搜索以及贝叶斯优化算法进行模型参数选择。利用抖音直播李维斯品牌牛仔裤品类数据对算法进行实例验证。对比不同组合模型的MAE、MSE、RMSE和SMAPE值,实验证明:选用随机森林、支持向量回归、Xgboost为基学习器,线性回归为元学习器的两层Stacking集成学习模型对服装网络直播销量的预测效果优于单一机器学习模型以及其他组合模型,SMAPE的误差较单一模型最高下降6.97%,最低下降2.53%。

摘要：为进一步提高销售预测的精度,针对指数加权移动平均法(Exponentially Weighted Moving Average,EWMA)在应用于显示趋势和季节性行为的预测数据时,其性能显著下降这一问题,提出了带有设计输入数据分配的EWMA,该方法将传统输入数据用作EWMA的实际输入之前对其进行重新设计。研究结果表明,与传统方法相比,带有设计输入数据分配的EWMA方法预测结果误差更小,预测精度更高。

摘要：为了实现企业产品销量预估,提高生产供应的准确性与效率,提出了基于Stacking模型的融合算法进行销量预测。算法设计了两层堆叠的模型结构,初级学习器采用随机森林、支持向量回归、差分整合移动平均自回归、轻量级梯度提升机器和门控循环单元5种单模型,将分类与回归树作为次级学习器构成Stacking融合模型,并对数据进行了预测。预测结果显示,使用Stacking模型融合后得到了较好的预测结果,比单模型中效果最好的模型的均方根误差更小,平均绝对误差更小,决定系数值更大,表明Stacking融合模型的预测准确率更高。所设计模型可用于对企业店铺的产品销量进行预测,帮助企业更好地安排生产、营销活动,为减少库存、缩短生产销售周期提供数据支持,对企业生产决策有一定的参考价值。

摘要：采用神经网络理论对罐装饮料自动售货机销售额的预测进行了数学建模,采用BP神经网络实现了罐装饮料自动售货机销售额的预测,并通过隐层神经元和输入层神经元个数的确定以及训练算法性能对比验证了所设计模型和方法的可行性和有效性,为罐装饮料自动售货机的管理工作提供了一种新的方法。