周俊 杜峰兒

摘要：精準(zhǔn)的電子商務(wù)預(yù)測(cè)能夠在營(yíng)銷中贏取先機(jī)，優(yōu)化戰(zhàn)略，改進(jìn)戰(zhàn)術(shù)，從而獲得領(lǐng)先的競(jìng)爭(zhēng)性優(yōu)勢(shì)。由于主客觀影響因素繁多、對(duì)預(yù)測(cè)精準(zhǔn)度要求高、數(shù)據(jù)維度高且復(fù)雜，一般的電子商務(wù)銷售預(yù)測(cè)要經(jīng)過問題分析與抽象、數(shù)據(jù)預(yù)處理、建立預(yù)測(cè)模型、模型調(diào)優(yōu)與結(jié)果分析的流程才能實(shí)現(xiàn)。傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)銷售預(yù)測(cè)模型具有預(yù)測(cè)過程耗時(shí)、收斂慢、通用性不高的缺點(diǎn)，該文采用狼群算法（wolf pack search algorithm，WPA）優(yōu)化原有模型的初始權(quán)值和閾值，收斂快且不易陷入局部最優(yōu)，有效提高了電子商務(wù)銷售預(yù)測(cè)的實(shí)用性和準(zhǔn)確度。

關(guān)鍵詞：狼群算法;電子商務(wù)預(yù)測(cè);預(yù)測(cè)模型

中圖分類號(hào)：TP18? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2021）33-0130-02

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

1 背景

數(shù)字科技快速發(fā)展，電商平臺(tái)異軍突起，許多品牌和產(chǎn)品紛紛開拓線上業(yè)務(wù)，一時(shí)間電子商務(wù)銷售覆蓋了各行各業(yè)，如何提高電商毛利達(dá)到高收益低成本越來越受到重視。銷售預(yù)測(cè)是通過對(duì)品牌電商數(shù)據(jù)的洞察，大量、多維度的運(yùn)算，通過計(jì)算結(jié)果，提前布局，從營(yíng)銷手段、促銷力度、活動(dòng)類型等方面幫助品牌實(shí)現(xiàn)銷售目標(biāo)。由于電商平臺(tái)銷售情況復(fù)雜多變，受到多方因素制約，比如說顧客主觀判斷、季節(jié)性和假期性周期影響、國家補(bǔ)貼政策、商家活動(dòng)促銷、產(chǎn)業(yè)優(yōu)化配置調(diào)整等等。電子商務(wù)產(chǎn)品要及時(shí)反饋不斷適應(yīng)市場(chǎng)變化需求，如何才能提前預(yù)判銷售額，及時(shí)發(fā)現(xiàn)提升銷量的訣竅，從而在營(yíng)銷中贏取先機(jī)，搶占更多市場(chǎng)份額，高效管理生產(chǎn)和庫存以獲得領(lǐng)先的競(jìng)爭(zhēng)性優(yōu)勢(shì)，才是制勝的關(guān)鍵。因此，對(duì)電子商務(wù)銷售預(yù)測(cè)的精準(zhǔn)性顯得至關(guān)重要。

國內(nèi)外對(duì)銷售預(yù)測(cè)模型分為三類：統(tǒng)計(jì)學(xué)法、數(shù)據(jù)挖掘法、混合模型法[1]。統(tǒng)計(jì)學(xué)方法使用方便、直觀、快速，但是對(duì)線性問題的解決就很局限，很難準(zhǔn)確預(yù)測(cè)不規(guī)則的數(shù)據(jù)或者高度變異的數(shù)據(jù)，適用范圍有限。數(shù)據(jù)挖掘法在神經(jīng)網(wǎng)絡(luò)（BP）方面研究較多，計(jì)算便捷、計(jì)算速度快、穩(wěn)定性強(qiáng)等優(yōu)點(diǎn)，應(yīng)用于銷售預(yù)測(cè)領(lǐng)域較為廣泛，面對(duì)不同類型的問題都得到不錯(cuò)的優(yōu)化效果，使得神經(jīng)網(wǎng)絡(luò)能勝任相對(duì)復(fù)雜的問題[2]。對(duì)于非線性、季節(jié)性、周期性的問題有良好的適應(yīng)性，可應(yīng)用于短期或動(dòng)態(tài)預(yù)測(cè)，但是預(yù)測(cè)過程耗時(shí)、通用性不高。因此，各種組合模型被學(xué)者們不斷嘗試，以優(yōu)化預(yù)測(cè)結(jié)果。

2 電子商務(wù)銷售預(yù)測(cè)作用、特點(diǎn)及流程

2.1 電子商務(wù)銷售預(yù)測(cè)作用

可以對(duì)銷售量和方案進(jìn)行謀劃，基于現(xiàn)有電子商務(wù)銷售現(xiàn)狀對(duì)于是否能夠?qū)崿F(xiàn)預(yù)期目標(biāo)能夠做到心中有數(shù)，對(duì)影響電子商務(wù)銷售的細(xì)節(jié)能夠被放大引起重視，對(duì)于如何調(diào)整優(yōu)化下一步戰(zhàn)略布局具有指導(dǎo)意義。參照電子商務(wù)銷售預(yù)測(cè)結(jié)果，與實(shí)際銷售掛鉤，可以對(duì)利益最大化各環(huán)節(jié)進(jìn)行反饋優(yōu)化，例如消費(fèi)者是否有需求、購買意愿是否強(qiáng)烈、購買能力有多大，公司物流庫存是否充分、補(bǔ)給是否便捷、派送是否通暢，同類等價(jià)商品影響狀況如何等。針對(duì)電子商務(wù)銷售的重點(diǎn)環(huán)節(jié)進(jìn)行精準(zhǔn)布局，提前洞察，所謂知己知彼，百戰(zhàn)不殆。銷售的提前預(yù)測(cè)，就像在戰(zhàn)役中提前知道了結(jié)果，優(yōu)化戰(zhàn)略，改進(jìn)戰(zhàn)術(shù)，最終讓結(jié)果與目標(biāo)一致，取得勝利。

2.2 電子商務(wù)銷售預(yù)測(cè)特點(diǎn)

一般的電子商務(wù)銷售預(yù)測(cè)很難同時(shí)達(dá)到精準(zhǔn)度高、適用廣、易解釋這三方面的標(biāo)準(zhǔn)。一是主客觀影響因素繁多。主觀上受到線上店鋪類型、規(guī)模、成本、銷售策略，顧客偏好、價(jià)格敏感度、購買評(píng)價(jià)反饋等的影響，客觀上受到季節(jié)性和假期性周期、國家補(bǔ)貼政策、同類商家活動(dòng)促銷、產(chǎn)業(yè)優(yōu)化配置以及國際國內(nèi)經(jīng)濟(jì)發(fā)展周期等因素制約。二是對(duì)預(yù)測(cè)精準(zhǔn)度要求高。既然是基于預(yù)測(cè)結(jié)果來指導(dǎo)實(shí)際銷售和企業(yè)的未來布局，那么預(yù)測(cè)結(jié)果就一定要精準(zhǔn)，不然預(yù)測(cè)的意義就不大。與來自經(jīng)驗(yàn)豐富從業(yè)者主觀判斷相比，電子商務(wù)銷售預(yù)測(cè)一定要高于這個(gè)作用才有存在的價(jià)值。三是數(shù)據(jù)維度高、復(fù)雜。常見的銷售預(yù)測(cè)都是基于現(xiàn)有的歷史數(shù)據(jù)，數(shù)量龐大、類型繁多、形式雜亂、維度較高，既要考慮全面性，又要考慮重點(diǎn)影響因素突出，這對(duì)銷售預(yù)測(cè)來說具有很大挑戰(zhàn)性。

2.3 電子商務(wù)銷售預(yù)測(cè)流程

首先，以電子商務(wù)銷售預(yù)測(cè)的內(nèi)容和方向?yàn)榛c(diǎn)，對(duì)電子商務(wù)銷售的目標(biāo)、數(shù)據(jù)進(jìn)行梳理分析，抽象化數(shù)據(jù)挖掘的某一類基本問題，是線性問題還是非線性問題，是一元分類還是多元分類。然后，電子商務(wù)銷售原始?xì)v史數(shù)據(jù)存在數(shù)據(jù)噪聲，特別是異?；蛘邩O端數(shù)據(jù)對(duì)預(yù)測(cè)結(jié)果影響較大，因此需要插值缺失數(shù)據(jù)、檢測(cè)和消除數(shù)據(jù)異常值、規(guī)范數(shù)據(jù)類型、數(shù)據(jù)標(biāo)準(zhǔn)化和去標(biāo)準(zhǔn)化、數(shù)據(jù)降維等處理[3]。其次，建立銷售預(yù)測(cè)模型，并對(duì)模型不斷優(yōu)化改進(jìn)，以提高預(yù)測(cè)的精度。最后，對(duì)預(yù)測(cè)結(jié)果進(jìn)行解讀分析，發(fā)揮預(yù)測(cè)的最大功效。

3 電子商務(wù)預(yù)測(cè)模型分析

由于電子商務(wù)銷售數(shù)量敏感店鋪類型規(guī)模、顧客偏好與價(jià)格敏感度等主觀因素和季節(jié)性和假期性周期、國家補(bǔ)貼政策、同類商家活動(dòng)促銷等客觀因素，屬于非線性問題且相對(duì)復(fù)雜，神經(jīng)網(wǎng)絡(luò)（BP）在銷售預(yù)測(cè)領(lǐng)域應(yīng)用較為廣泛，對(duì)于非線性、季節(jié)性、周期性的問題有良好的適應(yīng)性。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)初始權(quán)值和閾值是隨機(jī)的，預(yù)測(cè)過程耗時(shí)、收斂慢、通用性不高。狼群算法（wolf pack search algorithm，WPA）在群體智能算法中優(yōu)勢(shì)明顯，收斂快且不易陷入局部最優(yōu)，曹爽[4]采用WPA狼群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，有效彌補(bǔ)原有模型的不足，以提高售預(yù)測(cè)的實(shí)用性和準(zhǔn)確度。

3.1 神經(jīng)網(wǎng)絡(luò)（BP）

神經(jīng)網(wǎng)絡(luò)通常會(huì)有三個(gè)部分，輸入層由我們的特征數(shù)決定。而輸出層由我們分類數(shù)量決定，如圖x部分為輸入層，y部分為輸出層，而中間部分為隱藏層：

隱藏層通常會(huì)特別復(fù)雜，我們可以通過調(diào)節(jié)隱層的層數(shù)和節(jié)點(diǎn)數(shù)來調(diào)整模型的復(fù)雜度。x表示每個(gè)神經(jīng)元的輸入信號(hào)， w表示上一層神經(jīng)元到下一層神經(jīng)元的權(quán)重， b表示每個(gè)神經(jīng)元輸入信號(hào)的偏置值，有時(shí)又被稱為偏置項(xiàng)或偏置單元， a表示每個(gè)神經(jīng)元的輸出信號(hào)。

3.2 WPA算法優(yōu)化模型

WPA狼群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，如上圖所示，具體步驟如下：

Step1：對(duì)狼群的空間坐標(biāo)進(jìn)行初始化[5]。在[D]維空間中存在[N]頭狼的狼群，每頭狼的位置屬于隨機(jī)分布，記為[Xi=（xi1，xi1，…xiD） i=1，2，…N]，第i匹狼的初始位置為：

[xid=xdmin+rand（0，1）（xdmax-xdmin） d=（1，2，…D）]? ? （1）

其中，[xdmin]和[xdmax]代表在這第[d]維空間中的最近距離位置、最遠(yuǎn)距離位置。

Step2：依據(jù)目標(biāo)函數(shù)值大小交互游走角逐出當(dāng)前頭狼。依據(jù)狼的習(xí)性，通過嗅覺識(shí)別氣味濃度，從而判斷距離獵物有多遠(yuǎn)，假設(shè)該人工狼群中有N匹探狼，它們?cè)赱D]維空間中交互游走搜索獵物，在各自周圍搜尋出最優(yōu)位置，第[i]匹狼搜尋游走了[h]個(gè)位置，那么第[j]位置在[d]維空間中用[yijd]標(biāo)識(shí)為：

[yijd=yid+rand（-1，1）ad （j=1，2，…h(huán)）]? ? ? ? ?（2）

其中[ad]代表[d]維空間的搜索步長(zhǎng)，[yid]代表第[i]匹狼在[d]維空間的當(dāng)前位置。第[i]匹狼不斷游獵搜索，如果發(fā)現(xiàn)位置比當(dāng)前好才移動(dòng)，否則就保持原位置。當(dāng)每匹探狼達(dá)到最遠(yuǎn)搜索步長(zhǎng)或者游獵到最大搜索次數(shù)就停止，這個(gè)時(shí)候每匹探狼都處于自身能夠達(dá)到的最佳位置，在所有的最佳位置中選擇最優(yōu)的，此時(shí)的最優(yōu)位置上的狼更新為頭狼。

Step3：頭狼召喚，猛狼快速向頭狼奔襲。如果猛狼聽到頭狼嚎叫召喚，就會(huì)立即奔向獵物，狼群在奔襲移動(dòng)過程中位置隨之變化，第[i]匹狼的最新位置標(biāo)識(shí)為：

[zid=xid+（xId-xid）rand（-1，1）bd]? ? ? ? ? ? ?（3）

其中，[xid]代表第[i]匹狼當(dāng)前的位置，[xId]代表頭狼當(dāng)前的位置，[bd]代表交互召喚行為中的奔襲搜索步長(zhǎng)。

Step4：對(duì)獵物（把頭狼位置視為獵物）進(jìn)行圍捕。狼群追隨者頭狼的位置通過不斷奔襲移動(dòng)，迭代次數(shù)不斷增加，距離獵物就越接近，圍捕搜索步長(zhǎng)越小，直到靠近頭狼的猛狼將聯(lián)合探狼發(fā)起攻擊。[cd]代表[d]維空間的圍捕搜索步長(zhǎng)：

[cd=cdmin（xdmax-xdmin）exp（lncdmincdmaxkkmax）]? ? ? ? ? ? ? ? ? ? ?（4）

[cdmax]、[cdmin]代表[d]維空間的圍捕搜索步長(zhǎng)的最大和最小值，[kmax]代表最大迭代次數(shù)，此時(shí)狼群奔襲移動(dòng)發(fā)起攻擊可標(biāo)記為：

[xk+1id=xkid rand（0，1）≤θxId+rand（-1，1）cd? ?rand（0，1）>θ，θ為設(shè)定的閾值]? ?（5）

[xk+1id]代表第[i]匹狼經(jīng)過[k+1]次迭代后的位置，[xkid]代表經(jīng)過[k]次迭代后的位置，[xId]表示頭狼當(dāng)前在[d]維空間的位置， [cd]表示奔襲圍捕獵行為中的搜索步長(zhǎng)，迭代次數(shù)不斷增加[cd]就會(huì)逐漸減少。

Step5：狼群不斷更新實(shí)現(xiàn)優(yōu)勝劣汰[5]。基于勝者為王的頭狼角逐規(guī)則，論功行賞、先強(qiáng)后弱的獵物分配規(guī)則，優(yōu)勝劣汰的狼群更新規(guī)則，實(shí)現(xiàn)對(duì)狼群的整體優(yōu)化。

4 結(jié)束語

電子商務(wù)要想獲得高效管理生產(chǎn)和庫存以獲得領(lǐng)先的競(jìng)爭(zhēng)性優(yōu)勢(shì)，對(duì)電子商務(wù)銷售預(yù)測(cè)的精準(zhǔn)性顯得至關(guān)重要，基于BP神經(jīng)網(wǎng)絡(luò)法，采用WPA狼群算法優(yōu)化初始權(quán)值和閾值，能夠得到很好的預(yù)測(cè)效果。

參考文獻(xiàn)：

[1] 黃鶯，張?bào)尴?基于GM（1，N）-Prophet組合模型的電商行業(yè)銷售預(yù)測(cè)研究[J].西南民族大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，47（3）：317-325.

[2] 田帥.基于組合模型的銷售預(yù)測(cè)應(yīng)用研究[D].廣州：華南理工大學(xué)，2016.

[3] 黃鴻云，劉衛(wèi)校，丁佐華.基于多維灰色模型及神經(jīng)網(wǎng)絡(luò)的銷售預(yù)測(cè)[J].軟件學(xué)報(bào)，2019，30（4）：1031-1044.

[4] 曹爽，張雷，張青鳳.狼群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的游客數(shù)量預(yù)測(cè)[J].運(yùn)城學(xué)院學(xué)報(bào)，2019，37（6）：33-36.

[5] 周俊，王旖旎.狼群算法的基本原理及應(yīng)用綜述[J].電腦知識(shí)與技術(shù)，2020，16（12）：107-108.

【通聯(lián)編輯：謝媛媛】