摘要：隨著現(xiàn)代科學技術的快速發(fā)展，網(wǎng)絡購物蓬勃興起并廣泛普及，銷售額穩(wěn)步增長。構建網(wǎng)絡購物大數(shù)據(jù)分析預測模型，以分析和預測消費者行為趨勢，對網(wǎng)絡購物平臺及供應商提前制定營銷策略具有指導意義。文章構建了一種長短期記憶網(wǎng)絡結構（LSTM）模型，應用于某電商平臺交易數(shù)據(jù)的初步分析和預測，并通過實際數(shù)據(jù)驗證了模型的有效性?；谠紨?shù)據(jù)與模型預測數(shù)據(jù)的對比分析，為電商平臺及供應商合理把握網(wǎng)絡購物消費高峰期、擴大網(wǎng)絡銷售規(guī)模提供了建議。

關鍵詞：LSTM模型；網(wǎng)絡購物；大數(shù)據(jù)；分析預測；循環(huán)神經(jīng)網(wǎng)絡

中圖分類號：TP183 " " " 文獻標識碼：A " " "文章編號：1674-0688（2024）10-0055-05

0 引言

根據(jù)2024年3月中國互聯(lián)網(wǎng)絡信息中心（CNNIC）發(fā)布的第53次《中國互聯(lián)網(wǎng)絡發(fā)展狀況統(tǒng)計報告》，截至2023年12月，我國網(wǎng)民規(guī)模達10.92億人，較2022年12月增長了2 480萬人；互聯(lián)網(wǎng)普及率達77.5%，較2022年提高了1.9%。隨著網(wǎng)絡普及程度的持續(xù)提升，互聯(lián)網(wǎng)應用不斷深化，用戶規(guī)模持續(xù)增長。其中，網(wǎng)絡購物類應用的用戶規(guī)模在2023年12月達到9.15億人，同比增長8.2%；2022年網(wǎng)上零售額達到15.4萬億元，同比增長11%，連續(xù)11年穩(wěn)居全球第一位。面對國內市場的蓬勃發(fā)展及網(wǎng)絡購物市場的快速增長，準確把握消費者網(wǎng)絡購物習慣、預判消費高峰時期，對于網(wǎng)絡購物平臺和電商而言非常重要，這要求平臺和電商必須做好充分準備，通過制定有效的營銷策略擴大銷售額。因此，基于網(wǎng)絡購物交易數(shù)據(jù)的深入分析，對未來交易數(shù)據(jù)進行準確預測，為決策提供參考，具有重要的現(xiàn)實意義。

目前，數(shù)據(jù)分析預測領域存在多種算法模型，包括ARIMA（自回歸差分移動平均）模型、MLR（多元線性回歸）模型、卡爾曼濾波模型及非參數(shù)回歸模型等。近年來，深度學習技術在大數(shù)據(jù)分析研究中發(fā)揮了重要作用，深度神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡等模型相繼涌現(xiàn)，成為機器學習、數(shù)據(jù)挖掘等領域的先進方法［1-2］。循環(huán)神經(jīng)網(wǎng)絡結構能夠更好地處理時間序列問題，在交通數(shù)據(jù)、客流數(shù)據(jù)分析預測等方面發(fā)揮了重要作用。甘萍等［3］ 針對交通預測中的復雜時空相關性問題，提出了一種時空圖神經(jīng)網(wǎng)絡模型，通過結合自適應圖卷積網(wǎng)絡和時空長短期記憶網(wǎng)絡，實現(xiàn)了對交通數(shù)據(jù)空間特征和時間特征的聯(lián)合提取，提高了交通預測的準確性和可靠性。曹陽等［4］針對傳統(tǒng)預測模型難以挖掘交通流數(shù)據(jù)中強非線性特征方面的問題，通過優(yōu)化GCN（圖卷積網(wǎng)絡）結構，并分析交通流間的動態(tài)時空關系，提出了一種基于時域圖卷積神經(jīng)網(wǎng)絡的交通流預測模型，該模型采用時域卷積網(wǎng)絡獲取時間依賴關系，同時緩解了梯度爆炸問題，從而有效提高了交通流預測模型的性能。張金雷等［5］將深度學習的基礎理論和算法相應用于軌道交通刷卡數(shù)據(jù)、共享單車軌跡數(shù)據(jù)、出租車軌跡數(shù)據(jù)、私家車軌跡數(shù)據(jù)及空中交通運行等5個具體場景，詳細闡述了實現(xiàn)方法，并提供了詳盡的代碼示例。網(wǎng)絡購物消費數(shù)據(jù)具有非線性特征，并且具備時間序列特性。因此，本文基于網(wǎng)絡購物消費大數(shù)據(jù)，構建長短期記憶網(wǎng)絡（LSTM）結構模型，對交易數(shù)據(jù)進行分析預測，并繪制了預測數(shù)據(jù)圖表，以分析數(shù)據(jù)模式，為電商平臺及電商企業(yè)提供直觀反饋與合理建議。

1 研究方法

1.1 數(shù)據(jù)來源

本文基于某電商平臺后臺單位職工購買農副產(chǎn)品的交易數(shù)據(jù)展開分析。首先，對該平臺2020—2023年的每日交易數(shù)據(jù)進行預處理，生成按時間序列展示的單一維度數(shù)據(jù)（見表1）。接著，分析基礎交易額數(shù)據(jù)，全年中網(wǎng)絡購物交易額的最高峰是第三季度中秋國慶時段，其次是第四季度11月中旬的“雙十一”期間，再次是第一季度元旦和春節(jié)前后的時間段?？傮w來看，第一、二季度的網(wǎng)絡購物交易額相對較低，僅在元旦和春節(jié)前后出現(xiàn)較高的交易量；而下半年的交易更為活躍，尤其是第四季度的平均日交易額有了顯著提升?；A交易額數(shù)據(jù)反映出該電商平臺的交易額具有明顯的季節(jié)性波動及節(jié)假日集中消費的特征。圖1至圖4分別展示了這4個集中交易時段在2020—2023年的交易額情況。

1.2 預測方法

1.2.1 分析交易高峰期

詳細分析元旦、春節(jié)、國慶（含中秋）以及“雙十一”這4個高峰期的交易額及其歷年變動情況。具體而言，觀察每個時間段內交易額峰值和低谷的變化趨勢。例如，國慶（含中秋）選取節(jié)前20天至節(jié)后10天的交易數(shù)據(jù)；“雙十一”選取活動前后各10天的交易數(shù)據(jù)；而元旦與春節(jié)則分別考察其前后各10天的交易數(shù)據(jù)。

1.2.2 建立LSTM模型

將歷史數(shù)據(jù)輸入模型，針對元旦、春節(jié)、國慶（含中秋）及“雙十一”這4個階段的數(shù)據(jù)進行深度學習訓練，并預測2024年各階段的銷售額。LSTM模型作為循環(huán)神經(jīng)網(wǎng)絡的一種，特別適用于處理時間序列問題，其基本的循環(huán)神經(jīng)網(wǎng)絡結構由輸入層、一個隱藏層和一個輸出層組成。在此結構中，t時刻接收到輸入數(shù)據(jù)Xt后，隱藏層的值是St，輸出值是Ot。 St的值不僅由Xt決定，還受前一時刻隱藏層狀態(tài)St-1的影響，使得當前時刻的信息能在下一時刻被輸入網(wǎng)絡應用，從而形成了時間相關性。神經(jīng)網(wǎng)絡模型通過學習，將知識隱含在權值W中［5］。循環(huán)神經(jīng)網(wǎng)絡結構示意圖見圖5。

與傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡結構不同，LSTM模型設置了獨特的記憶單元，能在一定程度上緩解長期信息傳遞中的信息失能和衰減等情況。LSTM的記憶單元結構復雜，它通過單元狀態(tài)C保存長期信息，并利用3個控制門［即遺忘門（決定前一時刻單元狀態(tài)Ct-1保留至當前時刻Ct的程度）、輸入門（決定當前時刻網(wǎng)絡輸入Xt保存到單元狀態(tài)C中的程度）、輸出門（決定當前單元狀態(tài)Ct輸出至LSTM當前輸出值ht的程度）］來篩選、保存和輸出長期信息，從而實現(xiàn)長期信息的合理保留與利用。LSTM網(wǎng)絡結構示意圖見圖6。

1.2.3 訓練預測模型

本文對2024年元旦、春節(jié)期間的實際網(wǎng)絡購物數(shù)據(jù)與LSTM模型的預測數(shù)據(jù)進行對比，以驗證模型預測的準確性。雖然實驗數(shù)據(jù)量有限，預測數(shù)據(jù)與實際數(shù)據(jù)間存在誤差率，但是兩者反映的變動趨勢基本一致，表明該模型對未來階段網(wǎng)絡消費額的預測具有一定的參考價值。

2 預測結果分析

2.1 元旦期間網(wǎng)絡交易額預測

元旦期間交易額預測數(shù)據(jù)與真實數(shù)據(jù)對比結果見圖7。預測交易峰值為43.68萬元，而實際交易值為40.62萬元，差異率為7.53%。預測數(shù)據(jù)顯示交易峰值出現(xiàn)在元旦后第二天，與實際數(shù)據(jù)相差1天，基本一致，表明預測數(shù)據(jù)具有較好的參考性。從業(yè)務實際情況分析，元旦后新一年度的采購計劃開始實施，推動了消費增長，預測數(shù)據(jù)體現(xiàn)了這一趨勢。

根據(jù)預測數(shù)據(jù)和變動情況，電商平臺及供應商應提前掌握簽約機構的全年計劃，盡早規(guī)劃，利用元旦假期擴大銷售規(guī)模，為全年銷售額增長奠定良好基礎。

2.2 春節(jié)期間網(wǎng)絡交易額預測

春節(jié)期間交易額預測數(shù)據(jù)與真實數(shù)據(jù)對比結果見圖8。預測交易峰值為35.52萬元，實際交易峰值為34.91萬元，差異率僅為1.75%，并且峰值出現(xiàn)的日期一致，表明預測數(shù)據(jù)具有較高的參考性。預測數(shù)據(jù)顯示，春節(jié)期前6～10天為交易額高峰期，這與消費者節(jié)前集中采購年節(jié)禮物的習慣相符合。自春節(jié)前一周起，購物額迅速下降，直至春節(jié)前2天至假期結束，每日交易額維持在低位，假期結束后才有所恢復。這一現(xiàn)象反映了消費者春節(jié)期間忙于休假，以及供應商歇業(yè)、物流延遲等春節(jié)特有因素導致的交易量減少。

根據(jù)預測數(shù)據(jù)和變動情況，電商平臺及供應商應把握節(jié)奏，力爭在春節(jié)前一周左右完成銷售目標，以契合消費者購物習慣，同時確保春節(jié)期間運營平穩(wěn)。

2.3 中秋國慶期間網(wǎng)絡交易額預測

中秋國慶期間交易額預測結果見表9。全年網(wǎng)絡消費交易最活躍且交易額最高的時段為中秋國慶雙節(jié)期間。預測顯示，2024年中秋國慶將出現(xiàn)兩個交易峰值，分別位于中秋與國慶前夕，均超過60萬元，較2023年增長20%。其中，2024年中秋節(jié)為9月17日，交易高峰將提前3天于中秋節(jié)前出現(xiàn)，國慶前交易高峰則提前7天。由于雙節(jié)間隔近兩周，因此形成了兩個交易高峰。總體來看，交易高峰出現(xiàn)在國慶前15天左右，與2020—2023年實際情況基本一致。此外，國慶節(jié)前2天至假期結束，預測交易額將快速下降，假期后逐步恢復，這反映了消費者的消費習慣。

根據(jù)預測數(shù)據(jù)和變動情況，電商平臺及供應商應一方面緊抓中秋國慶熱點，精心策劃營銷活動，為擴大全年銷售額奠定堅實基礎；另一方面，合理安排營銷節(jié)奏，提前預熱，在中秋前和國慶前兩周左右集中開展，以契合消費者習慣，提升營銷效率。

2.4 “雙十一”期間網(wǎng)絡交易額預測

“雙十一”期間交易額預測結果見圖10。“雙十一”為全年網(wǎng)絡購物交易額的第二高峰，預測2024年“雙十一”交易峰值將達到45.19萬元，同比增長18%。預測數(shù)據(jù)顯示，“雙十一”期間集中消費趨勢不明顯，整體交易保持活躍，日均交易額達28.25萬元。這主要是因為“雙十一”消費熱潮已在社會上產(chǎn)生廣泛影響，使得11月整體處于優(yōu)惠時段，導致交易數(shù)據(jù)集中度不高，但日均交易金額較高。

基于預測，電商平臺及供應商應主動順應“雙十一”消費優(yōu)惠趨勢，合理規(guī)劃的營銷活動，以促進消費額增長。

3 結論

本文利用LSTM模型對某電商平臺近年來的交易數(shù)據(jù)進行了深度學習，旨在預測元旦、春節(jié)、中秋國慶、“雙十一”這4個高峰時段的網(wǎng)絡購物交易金額，并分析了消費高峰的變動模式，結論如下。

（1）LSTM模型的預測數(shù)據(jù)與實際數(shù)據(jù)的變動趨勢一致，驗證了LSTM模型在預測網(wǎng)絡購物變動趨勢方面的可行性，為電商平臺提供了網(wǎng)絡購物數(shù)據(jù)預測的有效參考方法。

（2）全年網(wǎng)絡購物呈現(xiàn)出明顯的節(jié)假日集中特點，電商平臺及供應商應充分利用關鍵節(jié)假日，以實現(xiàn)消費額的快速增長，從而提高全年銷售額，因此建議將更多的營銷資源投向節(jié)假日。

（3）在中秋國慶和春節(jié)這兩個高峰時段，消費者網(wǎng)絡購物的高峰值通常出現(xiàn)在節(jié)假日前的1～2周，隨后消費意愿急劇下降。針對這一特點，電商平臺應在節(jié)假日前的兩周內集中開展多樣化的營銷活動，以高效地將消費者流量轉化為銷售額。

4 參考文獻

［1］劉建偉，劉媛，羅雄麟.深度學習研究進展［J］.計算機應用研究，2014，31（7）：1921-1930，1942.

［2］路思恒，尹紅.基于BP神經(jīng)網(wǎng)絡的居民消費水平的預測模型：以安徽省為例［J］.現(xiàn)代電子技術，2022，45（21）：83-87.

［3］甘萍，林基明，農麗萍，等.一種用于交通預測的自適應時空圖神經(jīng)網(wǎng)絡［J］.桂林電子科技大學學報，2023，43（1）：7-13.

［4］曹陽，朱镕琦，沈琴琴，等.基于時域圖卷積神經(jīng)網(wǎng)絡的交通流預測模型［J］.計算機工程與設計，2023，44（12）：3700-3706.

［5］張金雷，楊立興，高自友.深度學習與交通大數(shù)據(jù)實戰(zhàn)［M］.北京：清華大學出版社，2022：132-134.