SCI论文（www.lunwensci.com）:
摘要：本文选取了产品的销售量、价格折扣、节假日和库存量等特征，建立了零售产品的需求预测模型：回归模型和神经网络模型。这两种模型预测值的MAPE有一定的可靠性，模型可以用来对零售产品的需求进行预测。
关键词：线性回归模型；神经网络模型；MAPE
Neural Network Model for Demand Forecasting of New Retail Products
WU Yuheng,WU Changjian,LI Yu,HUANG Danyang
(Zhujiang College of South China Agricultural University,Guangzhou Guangdong 510900)
【Abstract】：This paper selects the characteristics of product sales volume,price discount,holidays and inventory,and establishes the demand prediction model of retail products:regression model and neural network model.The MAPE of the predicted values of the two models has a certain reliability and the two models can be used to predict the demand of retail products.
【Key words】：linear regression model;neural network model;MAPE
受到互联网的影响，我国消费市场也在不断的发生变化。市场上的消费模式已经逐步由“以客为主”代替“以物为主”。在新零售行业，性价比不再是顾客衡量是否购买物品的唯一标准，而是把注意力放在“个性化、时尚、美观”等方面。在消费者需求的推动下，新零售企业的生产模式逐步向多品种、小批量前进。这样让零售店铺里的商品种类更加琳琅满目，同时也给零售行业的库存管理增加了很大的难度。如何能对新零售产品给出精准预测，是当前大多数新零售企业需要重点关注并思考的问题[1-5]。
1数据来源
本文数据来源为赛氪官网赛题（https://www.saikr.com/c/nd/6456）。根据相关问题对数据的需求和原数据的特点，首先读取附件数据表，筛选出累加销售额前50的skc（单款单色），有效数据共24601条，接着利用筛选出的数据建立回归模型和神经网络模型，用于预测skc销售量。
2线性回归模型
建立如下的线性回归模型：
其中s表示销售量，xdiscount表示商品价格的折扣，xh表示节假日虚拟变量，xinv表示库存量。如果当天是节假日，则xh=1，否则xh=0。利用MATLAB求解，得到模型的回归系数估计值及其置信区间（置信水平α=0.05）、检验统计量R2、F、p的结果见表1。
表1显示，R2=0.4562指因变量s（销售量）的45.6%可由模型决定，F值远远超过F检验的临界值，p远小于α，因而模型从总体来看是可用的。不过回归系数β1的置信区间包含零点，表明回归变量xdiscount是不太显著的。由于xdiscount是表示商品售价的折扣，从回归结果来看，在置信水平α=0.05下，商品售价的折扣对销售量影响不显著。在实际销售中，折扣还是会对人们的购买欲望有影响的，但不是线性影响。因此，调整回归模型，将回归变量xdiscount换成x2discount，即折扣的平方。重新求解模型，结果见表2。
表2显示，R2=0.4565指因变量s（销售量）的45.65%可由模型决定，F值远远超过F检验的临界值，p远小于α。在置信水平α=0.05下，三个变量对s（销售量）的影响是显著的，因而模型是可用来预测商品的销售量，具体回归模型如下：
系数β1=-5.5641表明商品降价10%平均每天能增加1单位的销售量，β2=-4.8922表明节假日平均每天能增加4.8922单位的销售量，这些说明了商品打折和节假日能促进消费。
3神经网络模型
建立3层BP神经网络，训练数据算法采用Levenberg-Marquardt，输入数据为折扣、节假日虚拟变量以及库存量，输出变量为销售量。如图1所示。
为了评价神经网络模型的性能和泛化能力，将数据随机分成训练样本(75%)、检验样本(15%)和测试样本(15%)。在BP神经网络中，隐藏层节点数的选择非常重要，为了选择合适的隐藏层节点数，可以考虑取不同的节点数进行测试。隐藏层的节点数依次选10、15、20、30，各训练10次神经网络，并计算训练样本均方误差的平均值、检验样本均方误差的平均值和测试样本均方误差的平均值，如下表3所示。
上表显示，随着隐藏层的节点数由10增加到30，测试样本均方误差的平均值由27.49一直增加到41.36，因此隐藏层的节点数选为10比较合适。
4两种模型的比较
利用建立好的回归模型（2）和神经网络模型预测目标skc在2019年10月1日后12周内每周的周销售量，并计算每周预测值的平均绝对百分比误差MAPE。如表4所示。
表4显示，神经网络模型预测值的MAPE和回归模型预测值的MAPE差别不是很大。两种模型前10周预测值的MAPE在0.25内，预测效果基本上可以认为较可靠。不过两种模型11周和12周预测值的MAPE就很大了，这也说明了模型不够稳健。
5结语
本文建立了回归模型和神经网络模型，这两种模型的预测有一定的可靠性，可以用来对零售产品的需求进行预测。不过这两种模型预测值的MAPE有时会很大，这表明了模型不够稳健，仍需要进一步探索，寻找精度更高、稳健度更好的模型。
参考文献
[1]何无霜.消费者网络购物影响因素探究[D].南京:南京大学,2017.
[2]李洋,张朋朋.新零售的发展及其对居民消费的影响[J].电子商务,2020(5):61-63.
[3]王雨帆.线上线下一体化视角下传统零售企业消费者粘性影响因素分析[J].商业经济研究,2020(6):121-124.
[4]余昕杰.“新零售”商业模式对零售业企业的影响研究[J].中国市场,2020(6):125-126.
[5]苑卫卫.新零售视角下消费者体验影响要素分析[J].商业经济究,2020(4):78-80.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/37379.html
