基于跨境電商可控關聯性大數據的出口產品銷量動態預測模型

王雪蓉，萬年紅

浙江東方職業技術學院 信息傳媒與自動化學院，浙江 溫州 325011)(*通信作者電子郵箱wnhhong@126.com)

基于跨境電商可控關聯性大數據的出口產品銷量動態預測模型

王雪蓉，萬年紅*

浙江東方職業技術學院 信息傳媒與自動化學院，浙江 溫州 325011)(*通信作者電子郵箱wnhhong@126.com)

目前流行的外貿產品銷量預測方法單純地分別從第三方平臺或大數據角度研究預測問題，對互聯網平臺、跨境電商、大數據融合應用于產品銷量動態演化預測的考慮不足。為提高出口產品銷量預測效果，實現預測系統的伸縮性和動態演化性，基于研究“互聯網+外貿”環境下跨境電商出口產品銷量可控關聯性大數據挖掘、個性化預測機制、智慧預測算法，改進分布式定量、集中式定性計算等相應算法，提出一個“互聯網+外貿”驅動下基于跨境電商可控關聯性大數據的出口產品銷量動態預測模型，并進行了應用實驗，對各種模型的實驗結果進行對比分析。實驗結果表明，該模型充分融合了“互聯網+”的開放性、可延伸性和大數據動態預測優勢，實現了“互聯網+外貿”環境下基于跨境電商可控關聯性大數據的出口產品銷量動態、智慧、定量定性預測。該模型綜合預測效果明顯優于傳統模型，具有較強的動態演化性和較高的實用價值。

互聯網+外貿；跨境電商；可控關聯性大數據；出口產品銷量；動態預測

0 引言

“互聯網+外貿”環境下跨境電商活動比較復雜，出口產品銷量預測受到需求、關稅、物流、風險等多種因素的影響[1]，但“互聯網+外貿”跨境電商的核心是具有預測優勢的大數據，這使得其出口產品銷量預測相對容易，因此，設計一種“互聯網+外貿”驅動下準確、安全、高效的基于跨境電商可控關聯性大數據的出口產品銷量預測模型已經成為備受矚目的熱門課題。目前，對產品銷量預測的研究，文獻[2-5]分別基于大數據分類方法、相關性分組規則、在線聚類方法以及互聯網大數據匹配原則、語義分析、行為分析方法挖掘第三方平臺中海量的跨境電商數據并建立了產品需求回歸預測模型；文獻[6-10]分別利用跨境電商歷史銷量數據建立產品銷量預測模型；文獻[11-15]通過定量和定性分析方法根據歷史數據、流行度、新產品客戶價值提出了基于大數據的預測模型。以上研究具有借鑒作用，但由于“互聯網+”戰略提出時間較短，“互聯網+”強大的大數據在線預測優勢沒有顯現，以上研究對于如何在“互聯網+外貿”環境下融合運用大數據到跨境電商出口產品銷量動態智慧的預測中目前并沒有一個比較深入、有效的研究。

本文針對目前研究現狀，從“互聯網+外貿”環境下跨境電商出口產品銷量可控關聯性大數據挖掘、個性化預測機制、智慧預測算法等角度，嘗試設計一個可量化、動態、智慧的“互聯網+外貿”驅動下基于跨境電商可控關聯性大數據的出口產品銷量動態預測模型(Dynamic Prediction Model on Export Sales based on controllable relevance big data of cross-border e-commerce， DPMES)，著重實現出口產品銷量的動態預測目標，以便更好地指導外貿企業營銷和優化庫存策略，同時也促進互聯網+、大數據、跨境電商技術的創新研究與應用發展。

圖1 “互聯網+外貿”環境下跨境電商出口產品銷量可控關聯性大數據挖掘模型

1 DPMES總體框架

1.1 可控關聯性銷量大數據定義

定義1 可控關聯性。

可控關聯性是指影響研究結果的多個現象之間的可以控制的相互關聯的性質[16]。算法如下：假設u、v分別為兩類產品，論域Iuv=Iu∪Iv是“互聯網+外貿”定量空間，作為現象的集合；空間中的數據源矢量D=(Iuv,Iu,Iv)；I={I1,I2,…,In}是對象項目集合；ui和vi∈Iuv是定性概念ui和vi的一次定量信任約束；m×n階矩陣R是基本用戶的評分矩陣；ui和vi的確定度μ(ui)和μ(vi)∈[0,1]是有穩定傾向的隨機數；給定目標用戶ai及其評分向量A(1,n)；μ:Iuv→[0,n]，?ui∈Iuv,ui→μ(ui)；對于?i∈Iuv,假設定量信任約束ui和vi之間的屬性信任為S(ui,vi)，將S(ui,vi)最大的n個基本數據組成集合。輸入兩個對象消息對m1和m2，對非False公鑰，若m1∧m2返回值為False，則m1和m2可控關聯無效；若返回值為非True，則m1和m2存在可控關聯。

定義2 可控關聯性銷量大數據。

可控關聯性銷量大數據指滿足以上算法的大數據，其算法如下：假設產品u和目標產品v的評分大數據項集合分別為Iu={ui|i∈N+}和Iv={vi|i∈N}，若Iv≤Iu，即對于?i∈Iv，都有i∈Iu成立，定量值ui，vi∈Iuv是定性概念的一次隨機實現，則產品v的所有評分大數據項都已被產品u評價過，因此v不可能向u推薦可控關聯；若Iv>Iu，即對于?i∈Iu，都有i∈Iv成立，且當μ:Iuv→[0,1]，有?ui∈Iuv,ui→μ(ui)，則產品u的所有評分大數據項都已被產品v評價過，因此產品v的大數據必定與u可控關聯。

1.2 跨境電商出口產品銷量可控關聯性大數據挖掘

“互聯網+外貿”環境下基于跨境電商的出口產品大數據挖掘首先基于“互聯網+外貿”環境平臺(本平臺由對外貿易經濟合作部牽頭，集中部署在國家互聯網中心)，挖掘政策、產品種類、客戶總產品需求、交易群體、客戶購買心理、支付、報價、關稅、庫存、物流、訂單、合同以及信譽、商品質量風險、退貨或換貨率、假冒偽劣產品、虛假宣傳等數據。需要挖掘影響出口產品銷量預測的關鍵因素和可控關聯性大數據。挖掘模型如圖1所示。

具體挖掘流程和方法如下：

步驟1 設計基于預測行為的大數據在線分類與估計函數，對影響預測的可控關聯性指標大數據進行在線估計和歸類，確定大數據挖掘方向。文獻[2]已有大數據分類相關方法的運用，但沒有明確刻畫數據的模糊現象，且沒有融入互聯網思維，不能實現互聯網大數據在線分類功能，在此需要進行改進，提出基于預測行為的大數據在線分類與估計方法。

假設：在1.1節算法基礎上，給定數據挖掘論域C及其非空子集A，(C，A)={(Ci,Ai)|i∈N+}定義為可信性測度集合，S={Si=(Si1,Si2,Si3)|i∈N+}表示“互聯網+外貿”環境下第三方平臺上文檔和日志的集合，包括n個元素；SAM={SAMi|i∈N+}和SAB={SABi|i∈N+}分別表示數據模糊現象和不確定性現象集合；分類主體與客體映射函數為F1=(FSi→FCi)。若彐Ci∈C∧(Ci,Ai)∧(Si1,Si2,Si3)∧SAM∧SAB≠False，則基于預測行為的大數據在線分類與估計方法可用如式(1)所示的函數CF(i)表示：

(1)

改進后的CF(i)將模糊現象和不確定性現象各自映射到不同的(Ci,Ai)中。這比改進前的方法更能刻畫互聯網大數據在線分類的模糊和不確定性。

步驟2 設計關聯規則函數，找出這些可控關聯性大數據之間的關聯規律性進而整理可利用數據源。文獻[3]提出了一個相關性分組規則，但該規則僅僅是對數據初步的相關，關聯精度低，因此需要改進，提出更精確的關聯規則函數。

(2)

改進后式(2)的作用就在于準確實現了可控關聯性出口產品銷量大數據之間的關聯規律性。

步驟3 設計聚類功能更強的在線k-Means聚類與描述函數，使已歸類可控關聯性大數據相似性盡可能大，劃分數據塊。文獻[4]提出了一種在線聚類方法，然而該方法劃分的數據塊明顯存在越界現象。由于k-Means聚類方法具有關聯聚類的功能，因此本文結合這兩種方法進行改進，設計一個在線k-Means聚類與描述方法。

在式(2)定義基礎上，假設預測主體、客體推薦的權重分別為ω1，ω2；聚類推薦集合為TJ={tj1,tj2,…,tjn}，相關聯描述的期望值Qx(tji,tjj)=TS(SAMii,SABi)·e(Si,Sj)，熵值Qn(tji,tjj)=TS(SAMii,SABi)+e(Si,Sj)，超熵值Qe(tji,tjj)=TS(SAMii,SABi)/e(Si,Sj)，則改進的在線k-Means聚類與描述方法可用式(3)所示的函數動態表示：

(3)

改進式(3)的作用就在于可以盡可能有效地劃分相似性“互聯網+外貿”跨境電商產品銷量數據塊。

步驟4 運用文獻[5]提出的互聯網大數據匹配原則、語義分析、行為分析方法，針對主要用戶合理匹配保留可控關聯性銷量大數據的高度演化特征，通過線上或線下方式將影響預測的關鍵的可控關聯性大數據導入，集成到互聯網大數據倉庫、跨境電商平臺管理后臺和外部應用程序接口，實現關鍵因子的集成，較好地解決了主體客體屬性混淆、語義控制矩陣體現預測行為域間映射的問題。

1.3 個性化預測機制

根據圖1所示模型，構建如下個性化預測機制：

1)“增量演化-集成”式預測機制。

2)“隨機分布-關聯”式預測機制。

為定量定性實現個性化預測，需以數學形式來表達這兩種機制。C&M-CVPDSS(Case-based and Multiplicative analytic hierarchy process-based Customer Value Prediction Decision Support System)[11]較好表達了這種機制,但其對新產品關鍵數據在隨機分布、關聯、演化、集成的指標化和相似度評估方面表現不足，因此，下面在1.1節可控關聯性大數據定義和式(1)～(3)的基礎上，對C&M-CVPDSS進行改進。

假設個性化的機器學習、神經網絡的參照樣本庫并集為mint={CER(C1C1),CER(C2C2),…,CER(CiCj)}，某一個由市場需求、交易對象、市場運作、交易內容集成問題組成的隨機分布、關聯、演化問題集為AAT={AAi|i∈N+}，數據分配函數[12]為G(Ci，Cj)=(CER(CiCj)/n，m)，根據增量演化因子屬性和隨機分布因子屬性元組，則“增量演化-集成”式預測機制和“隨機分布-關聯”式預測機制可分別用式(4)、(5)所示的數學函數來表達：

(4)

(5)

其中:DT表示自動實現從復雜的增量演化、集成指標到具體的機制轉換;DTT表示自動實現從抽象的隨機分布、關聯指標和相似度評估到具體的模式轉換。式(4)、(5)自動實現從抽象的隨機分布、關聯、演化、集成指標和相似度評估到具體的機制、模式轉換。

1.4DPMES的智慧預測算法

步驟1 按式(1)對CF(i)求解，按預測方向進行操作，當CF(i)值域不為空集時，則“互聯網+外貿”環境下可控關聯性出口產品銷量大數據預測資源規劃設計與集成策略如式(6)所示：

(6)

利用式(6)提取可控關聯性預測影響因素，在線智慧分類，使預測實體間具有嚴格的物理映射關系。

步驟2 設計動態預測智慧集成策略，對預測構件進行動態地加入或刪除操作。按式(2)計算模糊變量的定義域，抽取出DT的最大值DTmax和DTT的最小值DTTmin，選取若干個滿足取值范圍為[DTTmin,DTmax]的預測構件。集成策略可用如式(7)所示的約束系數λ表示：

(7)

步驟3 按照式(7)，抽取K1和K2中所有屬于(C，A)的任意滿足閾值ω0的ξ，尋找最佳搜索時間Ti。通過式(2)～(3)發現數據可控關聯性和規律性。基于產品標識失效預測方法[14]，設計可控關聯性出口產品銷量大數據動態預測評估集成策略，其函數如式(8)所示，即計算CVV(Si,Sj)對Qn(tji,tjj)的動態優化集成的隸屬度M(Si,Sj)：

M(Si,Sj)=CVV(Si,Sj)·λ·DT·DTT

(8)

步驟4 根據式(4)～(5)增量演化因子屬性和隨機分布因子屬性劃分預測行為類屬BT，目標預測評分與實際評分之間的偏差為MAE，并使得簇之間的相似度達到最小值，而μ(x)和μ(y)之間的相似度達到最大值，將具備不同評分特征的若干目標預測行為劃入隸屬度不同的行為子集中，實現協同過濾推薦。

步驟5 設計作為本文算法最關鍵算法的分布式定量、集中式定性等動態優化預測方法。文獻[11-15]運用定量定性方法來解決動態優化問題，但沒有較好解決分布式和集中式優化計算問題。而多元線性回歸方法[2-5，12]根據關鍵因子采用二維表，能較好地解決數據的分布式、集中式、相關性預測問題，因此本文基于此方法對定量和定性方法進行如下改進：根據Qe(tji,tjj)計算所有的M(Si,Sj)，各節點根據其所有鄰居節點當前位置，動態地選擇下一個簇頭節點。

為此按順序分別令集群、分割、孤立點為：

(9)

則分布式定量計算、集中式定性計算函數分別如式(10)、(11)所示，定量、定性預測出口產品銷量。

(10)

(11)

步驟6 設(CiCj)max和(CiCj)min分別表示CiCj的最大值和最小值。重復步驟1～5，將Ci的代碼特征CiCj固定在閾值區間[ωi,ωj]，判斷(CiCj)max>ωi∧(CiCj)min<ωj是否成立，若成立采用式(10)從海量大數據中查找產品正常的可控關聯性大數據，構建分布式定量計算系統，得出定量預測結果；若不成立，采用式(11)從時空上將被求解的問題集群，建立集中式定性智慧預測模型。

步驟7 設計如式(12)所示的并行式綜合預測函數公式：

TCZ(Si)=TCX(Si)λ·TCL(Si)Ti

(12)

至此，算法結束。

2 DPMES動態預測模型構建

通過上述個性化預測機制和智慧預測算法，運用決策樹構建DPMES動態預測模型,如圖2所示。

構建路徑如下：

首先，根據智慧預測算法步驟1，確定預測目標及選擇用于建模的數據樣本范圍，并篩選、過濾得到具有預測特征和能力的若干因子。

其次，根據智慧預測算法步驟2～3，歸納可控關聯性關鍵因子，利用“增量演化-集成”和“隨機分布-關聯”式預測機制驗證關鍵特征數據序列一致性、可控關聯性和規律性，量化各種隨機分布的出口產品銷量關鍵影響因素間的增量演化、集成關系，并利用λ動態地加入或刪除預測構件。整合關鍵因子，預備、估算、清洗、非線性變換和校驗數據。

然后，根據算法步驟4實現協同過濾推薦，劃分預測行為子集。

再次，根據式(10)～(12)集中實時跟蹤可控關聯性大數據流，合成、錯位對齊互聯網大數據搜索指數，選出具有最大搜索指數的關鍵數據作為基準指數，構建模型，在線重配、賦予并行式大數據權重和相關系數，集中式定性預測哪些潛在客戶最可能成為消費者和交易者，并對可能的交易線索進行顯著性檢驗，分布式定量預測下一周期的銷售量，實時預測出口產品未來銷量結構走勢。

最后，模型評價與應用。對每種預測方法的預測結果進行誤差分析，如果方法綜合時對前幾期預測結果的平均誤差越大，那么綜合預測時應該使該方法對綜合預測結果的影響程度越小。決策樹根據篩選過濾出的權重和相關系數進一步劃分出葉節點，待模型穩定后即可得到銷量的綜合預測值，并據此實現庫存策略的優化，實現模型應用。

圖2 DPMES動態預測模型

3 算法模型應用實例

根據圖1～2，前端采用Java語言(或C#/C+)，后臺采用開源PHP和SQLServer構建動態預測系統。

3.1 實驗數據收集

本文所采用的數據均來自2015年1月至2016年7月阿里巴巴全球速賣通平臺、對外貿易經濟合作部“互聯網+外貿”平臺、中國跨境電商綜合服務平臺、國家統計局固定產品銷量指標統計平臺、浙江省跨境電商公共服務平臺這5個平臺內關于皮鞋、機械、電器等制造業出口產品的10 000條固定數據以及平臺外的若干實際動態數據。根據1.2節大數據挖掘模型，采用關鍵詞挖掘工具從“銷量關注度”和“因子關注度”兩個維度去描述關鍵詞，并以一周為一個更新周期。數據分析如表1所示。

表1 實驗數據分析

3.2 實驗結果對比分析

實驗1 用以上10 000條固定數據，驗證改進方法及基于改進方法的個性化預測機制和智慧預測算法的合理性。過程如下：

1)驗證產品v的大數據必與產品u可控關聯，E(x)=b按CF(i)進行約束，計算隸屬度、關鍵數據隨機分布、關聯、演化、集成的指標化和相似度評估，驗證式(1)～(9)有效性。

2)驗證式(10)～(12)分布式定量、集中式定性預測、并行式綜合預測函數。

驗證指標包括重配誤差(出口產品銷量大數據間存在的重新匹配差異)、特征點誤差(出口產品銷量可控關聯性特征匹配的差異)、誤配率(出口產品銷量可控關聯性大數據發生錯誤匹配的比率)，計算公式參見文獻[13-15]的互聯網搜索誤差均方。為更好地表達誤差關系，對該誤差均方添加ω0線性參數為(b1，b2，…，bn)，則重配誤差、特征點誤差、誤配率公式分別用如式(13)所示的CPW(v,u)、APW(v,u)、WPR(v,u)函數表示：

(13)

驗證結果分析如圖3所示。從圖3可以看出：重配誤差散點圖、特征點誤差散點圖、誤配率散點圖均為單調、并行遞增形式，當散點圖平滑趨近時則說明個性化預測機制更靠近實際預測結果；當分析先行的歸一化擬合數據指標對出口產品銷量波動的預測效率時，以改進算法作為引導方法的預測效率最高。這說明對改進方法以及基于此的個性化預測機制和智慧預測算法的設計是科學合理的。

圖3 改進算法驗證結果直觀散點圖

實驗2 基于實驗1，仍然使用以上10 000條固定數據進行10 000次實驗，實驗獲得的平均值作為結果數據，將DPMES與文獻[2-5]所建模型及C&M-CVPDSS模型[11]、產品標識失效預測模型[14]的性能進行對比。

評價本實驗結果的指標[1-15]如下：可信性測度，即表示預測結果的可信程度，參考值為16～22；不確定性區分度，即區分預測結果的多種可能狀態的程度，參考值為10～15；最佳搜索時間，即衡量動態預測整體耗費的時間，參考值為10～15 s；誤差系數，由重配誤差、特征點誤差、誤配率公式綜合得出，參考值為5～7；可控關聯度，該指標和以上4個指標相聯系，參考值為10～14。具體計算過程見文獻[1-15]，其公式按順序分別用式(14)～(18)所示的函數表示：

(14)

(15)

(16)

(17)

(18)

實驗結果如表2所示。

表2 各種模型的性能對比

從表2可以發現，當固定銷量指標大于期望值時，即產品銷售趨熱時，對增量指標的預測更接近平穩、準確的實際預測值；反之則銷量同比減少率在風險線附近徘徊。無論是產品銷量期望預測指標還是實際預測指標，DPMES的綜合預測效果明顯優于其他模型。

實驗3 分別通過以上5個平臺的樣本外預測和波動預測考察DPMES的未來預測效率。

1)樣本外分布式定量、集中式定性預測效率。

固定指標樣本外預測的均方誤差為：

(19)

根據MSE(Si)計算樣本外預測的分布式定量、集中式定性誤差百分比，可以采用以下方法對比預測結果：使用CV(Si,Sj)的多維分解方法和可聯性等級，考慮CVV(Si,Sj)對誤差關系的影響，在同比增長率偏低時下一周期預測誤差達到最大；考慮TCZ(Si)對隨機預測信任關系的影響，預測誤差具有可比性。

2)并行式綜合波動預測效率。

基于前期的平臺內固定和平臺外若干實際動態樣本數據，同樣利用式(10)～(19)，對預測時間段進行波動預測以并行式綜合考察DPMES預測效果對出口產品銷量未來一年(分四個季度)波動的預測效率。評價指標有預測誤差比率(總體預測結果的誤差比)、置信度(表示為近期的出口產品銷量波動預測精度的置信程度)、庫存優化效率(根據綜合預測結果的庫存優化性價比)等，具體計算過程見文獻[13-15]，其計算公式按順序分別用式(20)～(22)所示的函數表示：

(20)

(21)

(22)

預測結果如表3所示。從表3可看出，各季度銷量預測值呈增長趨勢，而預測誤差比率、置信度、庫存優化效率基本上在可接受的范圍內。基于各季度的并行式綜合預測結果，可以計算出各季度的累積增長率，這與實際的結果非常接近，因此基于平臺內和平臺外樣本數據的DPMES預測結果對出口產品銷量波動有較髙的預測精度和庫存效率。

表3 基于平臺內和平臺外樣本數據的DPMES預測結果

4 結語

基于預測行為的大數據在線分類與估計方法、關聯規則函數、在線k-Means聚類與描述函數以及個性化預測機制、分布式定量、集中式定性、并行式綜合預測方法建立起來的DPMES預測算法和模型具有科學性、合理性，解決了一些理論和實際問題，充分融合了“互聯網+”的開放性、可延伸性、在線化和大數據動態演化性及預測優勢，實現了“互聯網+外貿”驅動環境下基于跨境電商可控關聯性大數據的出口產品銷量動態、智慧、定量化、定性化預測，對外貿企業高效營銷、制訂高效的庫存規劃具有參考價值。

但是，鑒于“互聯網+”、大數據都是高度復雜的技術，本文的研究僅僅對互聯網+和大數據技術進行應用，雖然實際過程中也對這些計算機科學技術進行了創新，但是并不容易實現，從而一定程度上降低了系統的性能，因此今后本文作者將繼續對互聯網+、跨境電商、大數據技術及融合算法繼續展開研究。

References)

[1] 王翀.跨境電商是有出有進的“互聯網+外貿”[J]. 杭州(周刊), 2015(14):20-21.(WANG C. Cross-border e-commerce is the “Internet+foreign trade” with import and export [J]. Hangzhou (Weekly), 2015(14): 20-21.)

[2] KULKARNI G, KANNAN P K, MOE W. Using online search data to forecast new product sales [J]. Decision Support Systems, 2012, 52(3): 604-611.

[3] KAWA A, ZDRENKA W. Conception of integrator in cross-border e-commerce [J]. Scientific Journal of Logistics, 2016, 12(1): 63-73.

[4] ASOSHEH A, SHAHIDI-NEJAD H, KHODKARI H. A model of a localized cross-border e-commerce [J]. I-Business, 2012, 4(2): 136-145.

[5] OKSANEN T. Use of demand forecast in operational purchasing [EB/OL]. [2016- 02- 03]. http://www.theseus.fi/bitstream/handle/10024/97344/Tuomas_Oksanen.pdf?sequence=1.

[6] 崔東佳. 大數據時代背景下的品牌汽車銷量預測的實證研究——以網絡搜索數據為例[D]. 開封：河南大學, 2014:5-44.(CUI D J. An empirical study of automobile sale forecast under the background of big data — based on Web search data [D]. Kaifeng: Henan University, 2014: 5-44.)

[7] 孔令頂.基于互聯網搜索量的大眾途觀汽車銷量預測研究[J]. 時代金融, 2015(30):222,226.(KONG L D. Prediction research on the Tiguan sales based on Internet searches[J]. Times Finance, 2015(30):222,226.)

[8] 李鋮瀚.基于海量數據的銷售預測研究與實現[D]. 杭州:浙江理工大學, 2015:2-57.(LI C H. Research and implementation of sales forecast based on massive data [D]. Hangzhou: Zhejiang Sci-Tech University, 2015: 2-57.)

[9] 周昊明.銷量數據挖掘技術及電子商務應用研究[D]. 廣州:廣東工業大學, 2014:3-67.(ZHOU H M. Research on sales data mining technology and e-commerce application [D]. Guangzhou: Guangdong University of Technology, 2014: 3-67.)

[10] HE Z Z, ZHANG Z F, CHEN C M, et al. E-commerce business model mining and prediction [J]. Frontiers of Information Technology and Electronic Engineering, 2015, 16(9): 707-719.

[11] 羅新星, 鄧麗, 趙玉潔.基于CBR和MAHP的新產品客戶價值預測決策支持系統[J]. 計算機集成制造系統, 2014, 20(10):2403-2410.(LUO X X, DENG L, ZHAO Y J. Decision support system for customer value prediction of new product based on CBR and MAHP [J]. Computer Integrated Manufacturing Systems, 2014, 20(10): 2403-2410.)[12] 楊波, 劉勇, 牟少敏, 等.大數據背景下山東省二代玉米螟發生程度預測模型的構建[J]. 計算機研究與發展, 2014, 51(增刊2):160-165.(YANG B, LIU Y, MU S M, et al. Based on big data: the establishment of meteorological forecast model for the occurrence degree of the second generation of corn borer in Shandong [J]. Journal of Computer Research and Development, 2014, 51(Suppl2):160-165.)

[13] 孔慶超, 毛文吉.基于動態演化的討論帖流行度預測[J]. 軟件學報, 2014, 25(12):2767-2776.(KONG Q C, MAO W J. Predicting popularity of forum threads based on dynamic evolution [J]. Journal of Software, 2014, 25(12): 2767-2776.)

[14] 王健, 何衛平, 李夏霜, 等.基于制造歷史數據的產品標識失效預測與補救方法[J]. 計算機集成制造系統, 2015, 21(9):2494-2503.(WANG J, HE W P, LI X S, et al. Prediction and remediation of failed product identification based on manufacturing history data [J]. Computer Integrated Manufacturing Systems, 2015, 21(9): 2494-2503.)

[15] 王煉, 賈建民.基于網絡搜索的票房預測模型——來自中國電影市場的證據[J]. 系統工程理論與實踐, 2014, 34(12):3079-3090.(WANG L, JIA J M. Forecasting box office performance based on online search:evidence from Chinese movie industry [J]. Systems Engineering — Theory and Practice, 2014, 34(12): 3079-3090.)

[16] 岳笑含, 周福才, 林慕清, 等.面向可信移動平臺具有用戶可控關聯性的匿名證明方案[J]. 計算機學報, 2013, 36(7):1434-1447.(YUE X H, ZHOU F C, LIN M Q, et al. Anonymous attestation scheme with user-controlled-linkability for trusted mobile platform [J]. Chinese Journal of Computers, 2013, 36(7): 1434-1447.)

This paper is supported by Research Projects of Zhejiang Federation of Humanities and Social Sciences Circles (2017Z03).

WANG Xuerong, born in 1981, M. S., associate professor. Her research interests include cross-border e-commerce, big data.

WAN Nianhong, born in 1977, M. S., associate professor. His research interests include Internet+, big data, cross-border e-commerce.

Dynamic prediction model on export sales based on controllable relevance big data of cross-border e-commerce

WANG Xuerong, WAN Nianhong*

(School of Information Media and Automation, Zhejiang Dongfang Vocational and Technical College, Wenzhou Zhejiang 325011, China)

Current popular prediction methods of foreign trade product sales only respectively study prediction problems from angles of the third party platform or big data, lacking consideration of dynamic evolution prediction on product sales based on Internet platform, big data and cross-border e-commerce. To improve the efficiency of export sales prediction, to achieve scalability and dynamic evolution of prediction systems, with mining controllable relevance big data of cross-border e-commerce export sale based on “Internet+foreign trade” surroundings, personalized prediction mechanism and smart prediction algorithms, improving corresponding algorithms such as distributed quantitative calculation and centralized qualitative calculation, a dynamic prediction model on export sales based on “Internet+foreign trade”-driven controllable relevance big data of cross-border e-commerce was proposed. Finally, this model was verified and analyzed. The performance analysis results show that the model integrates fully openness and extensibility of “Internet+” and dynamic prediction advantages of big data, achieving dynamic, smart, quantitative, and qualitative prediction on export sales based on “Internet+foreign trade”-driven controllable relevance big data of cross-border e-commerce. The comprehensive prediction efficiency of the proposed model is obviously better than those of traditional models, and it has stronger dynamic evolution and higher utility.

Internet+foreign trade;cross-border e-commerce;controllable relevance big data; export sale number; dynamic prediction

2016- 07- 29;

2016- 10- 20。 基金項目:浙江省社會科學界聯合會研究課題成果(2017Z03)。

王雪蓉(1981—),女,浙江平陽人,副教授,碩士,主要研究方向：跨境電商、大數據; 萬年紅(1977—),男,江西南昌人,副教授,碩士,主要研究方向：互聯網+、大數據、跨境電商。

1001- 9081(2017)04- 1038- 06

10.11772/j.issn.1001- 9081.2017.04.1038

TP311.7; TP391

A