基于LSTM的銷售預測系統的設計與實現

胡雨陽 張承 鄭明 夏定純

摘要：針對大型商場后臺服務器管理系統規模越來越大，結構越來越復雜及服務器負載量過大的問題，選用Java和SSM框架構建中臺服務器，承擔部分管理功能，緩解大后臺服務器壓力。同時為增強中臺的綜合管理水平，適應當前AI技術的迅猛發展，構建LSTM銷售預測模型和模型應用接口，為中臺提供智能化的預測分析功能。

關鍵詞：銷售預測；長短期記憶神經網絡；SSM；系統設計

中圖分類號：TP311文獻標志碼：A文章編號：1008-1739（2020）23-65-3

0引言

在商場終端設備和大后臺服務器之間，增加一個中臺服務器，可以有效減少大后臺服務器的壓力，同時在后臺服務器出現故障時，可以保證商場數據的安全。此中臺服務器主要負責商品信息管理、訂單管理及支付等功能，商場管理系統的其他功能仍然由商場大后臺服務器負責。此外，原有后臺服務器采取的仍是傳統數據統計分析方法，對商場銷售大數據利用率和挖掘程度低。為此，本文采用LSTM神經網絡進行銷售預測建模分析，并設計與模型相對應的中臺系統調用接口，完成可視化銷售預測分析，為商場營銷決策提供參考[1]。

1基于LSTM的預測模型

1.1 LSTM算法

神經網絡主要應用在商業智能領域[2]，LSTM是遞歸神經網絡（RNNs）的一種，解決反向傳播過程中存在梯度消失和梯度爆炸現象。通過引入門機制，解決了RNN模型不具備的長記憶性問題[3]。LSTM模型的一個神經元包含1個細胞狀態和3個門機制，具體結構如圖1所示。

遺忘門：控制上一時刻記憶細胞中的信息是否積累到當前記憶細胞中，記為。

輸入門：控制記憶細胞中信息的加入，記為。

輸出門：控制當前時刻記憶細胞中的信息是否輸出為當前隱藏狀態，記為。

1.2 LSTM銷售預測模型的構建

銷售預測可分為有參數銷售預測和無參數銷售預測[4]。有參數預測模型是指根據銷售地區、季節、天氣、價格等因素來預測未來的銷售狀況。無參數預測模型是指使用預測目標作為單變量進行預測。本文采用的是無參數預測模型。預測模型構建過程如下：

（1）讀取并定義原始銷售量時間序列數據，本文模型訓練的數據集來自某商城金裝奶粉某一年的月銷售量數據。

（2）為消除指標間數量級影響，采用min-max標準化公式對原始銷售數據進行歸一化處理。對應的歸一化和反歸一化公式分別為：

（3）根據經驗，搭建具有2層LSTM隱藏層的神經網絡模型，設置時間步長為2。

（4）將標準化的數據劃分為訓練集和驗證集，并轉化為可供模型使用的3維數組。

（5）損失函數選擇均方誤差。

（6）優化器選擇AdamOptimizer，實現了Adam算法，優化目標是使均方誤差最小。

（7）訓練模型，調整超參數，優化擬合效果。

（8）確定超參數，保存為pb格式的模型文件并命名為milkpowder24，同時指定保存會話對象sess，其標簽設為mytag。

模型誤差曲線圖如圖2所示，為設計模型調用接口需要，還需將模型中的輸入占位符的name屬性命名為input_x，模型的預測值pred的name屬性命名為predict。

2系統設計

2.1系統功能設計

系統主要面向商場內部工作人員，主要功能模塊為：用戶登錄子模塊、員工管理子模塊、商品管理子模塊、功能接口子模塊、訂單管理子模塊和統計分析子模塊。由于系統面向商場內部使用，所以沒有注冊功能模塊，不同的模塊對應不同的功能。系統功能結構如圖3所示。

用戶登錄子模塊：采用shiro安全框架，將用戶登錄信息封裝為Token令牌并與數據庫中的用戶信息校驗，簡化實現用戶登錄系統驗證。

員工管理子模塊：商場管理人員根據商場員工的新增或者員工信息的變動，對員工信息實現增刪改查功能。

商品管理子模塊：調整商品編碼、價格等信息，實現對商品信息的增刪改查。

功能接口子模塊：為POS收銀提供系統登錄驗證、商品查詢及訂單支付等功能。

訂單管理子模塊：負責對已支付訂單信息的管理。

統計分析子模塊：利用數據庫中商品過去一段時間產生的月銷售數據作為預測輸入，調用在jupyter上離線訓練好的銷售預測模型進行預測，并通過Echarts可視化分析預測結果。

2.2系統架構設計

由于B/S架構具有客戶端零維護、數據實時性較強等特點[5]，所以系統采用B/S系統架構。同時為了使系統具有良好的擴展性和跨平臺性[6]，采用Java語言編寫并使用IntelliJ IDEA 2019來搭建SSM框架，服務器選擇tomcat，在數據庫方面，采用Mysql數據庫存儲數據。在SSM框架中，Spring扮演著整個應用大管家的角色。整個應用中所有對象的創建、初始化、銷毀以及對象間關聯關系的維護，均由Spring來管理。SpringMVC作為View層的實現者，完成用戶請求接收功能。SpringMVC的Controller作為整個應用的控制器，完成用戶請求的轉發及對用戶的響應。MyBatis作為DAO層的實現者，完成對數據庫的增刪改查功能。系統整體架構如圖4所示。

3 LSTM銷售預測模型在系統中的應用

3.1 LSTM銷售預測模型調用接口設計

由于系統沒有對模型在線學習的需求，只需要模型離線訓練好，部署在線上即可。因此選擇Tensorflow的Java版本API實現Java調用模型在線預測。模型調用接口設計步驟如下：

①將之前訓練并保存為pb格式的模型文件放入此預測系統項目文件夾中。

②通過maven工程的pom文件導入tensorflow的JAR包。

③創建名為MilkPowderUtils的接口類，由于模型輸入要求為三維數組，所以同時創建形參為float類型的三維數組、返回值為float類型數值的靜態模型調用方法。

④在靜態模型調用方法中實現模型調用預測的功能邏輯。在此階段，SaveModelBundle類負責Java程序與pb模型文件建立連接。此類通過調用load方法，傳入模型文件的絕對地址和模型會話對象保存的mytag標簽作為參數加載模型對象。進而通過模型對象獲取模型會話對象和name屬性為predict的預測操作對象。

⑤將預測操作作為參數，實例化Output類。

⑥形參傳入數據通過Tensor類的create方法轉化為Tensor類型并賦值給名為input_x的Tensor對象。

⑦最終調用模型會話對象，輸入需要的數據，計算預測操作結果并將此預測結果處理后作為方法返回值。

⑧Java程序查詢Mysql獲取預測需要的數據，歸一化處理并封裝，調用靜態模型調用方法，傳入封裝數據，獲取預測值，反歸一化后通過Echarts可視化分析預測結果。

3.2模型應用效果

圖5是銷售預測可視化分析界面，系統預測可視化分析功能運行正常。將實際值和預測值可視化對比分析，直觀地展示了金裝奶粉上半年的銷售情況。

4結束語

隨著商業智能的迅速發展，神經網絡預測技術已經成為銷售預測系統的關鍵。本文提出的基于LSTM的銷售預測系統的設計，實現了對商品銷售信息管理和對商業數據的可視化預測分析，系統運行正常。通過可視化分析，直觀、明了地展示了銷售情況，為管理者制定營銷策略提供重要的參考價值。后期主要的研究工作是改進預測模型，不斷完善銷售預測系統。

參考文獻

[1]閆博，李國和，黎旭.基于ARMA的銷售預測方法與系統實現[J].計算機與現代化，2014（5）：131-135.

[2]邱俊，張瑞林.基于遺傳算法的循環神經網絡在銷售預測中的應用[J].浙江理工大學學報，2007（3）：266-270.

[3]葛娜，孫連英，石曉達，等.Prophet-LSTM組合模型的銷售量預測研究[J].計算機科學，2019，46（S1）：446-451.

[4]李儒勛，張洪偉.基于BP的CRM系統銷售預測的數據挖掘[J].計算機應用，2004（11）：100-103.

[5]張式富，姜濤，吳效明.基于B/S的智慧社區健康監護管理系統軟件的設計與實現[J].計算機應用與軟件，2014，31（3）：4-6.

[6]李躍軍，桂嵐，劉飛.基于B/S結構的交通運輸預測系統設計與實現[J].交通與計算機，2002（2）：17-20.