基于人工神經網絡的工業供應鏈銷售預測方法?

姚 蘭 戎荷婷 褚 超 高福祥

（東北大學計算機科學與技術學院 沈陽 110169）

1 引言

隨著計算機技術的不斷革新，工業供應鏈中的產品銷售相關數據可以被采集、存儲，并且正以前所未有的速度增長。因此，預測產品銷售系統的成交價格成為工業供應鏈中最具挑戰性的應用之一。就產品生產商而言，合理準確的銷售價預測結果在管理成本、完善生產策略等方面有著不可忽視的重要作用；就產品銷售商而言，合理準確的銷售價預測結果，可以輔助銷售戰略決策，更大程度上幫銷售商獲取較高利潤；就顧客而言，合理準確的銷售價預測結果提供可靠的價格參考依據，有利于與銷售商的進一步合作。

2 相關工作

常用的銷售預測方法包括時間序列預測法、指數平滑法、線性回歸法等［1～5］，這些方法在各行各業中均有所應用，其預測過程是以歷史銷售數據的變化為重點，建立線性或非線性函數，進而實現銷售預測。但在數據量及數據信息含量不斷爆炸的今天，單純依靠由部分銷售數據屬性建立起來的預測函數已遠遠不能滿足企業和用戶的需求，因此可較完整保留數據信息、無須計算數據預測函數的神經網絡方法便被國內外學者研究應用于不同行業，并取得了顯著效果。

文獻［5］中優化了神經網絡用于市場銷售預測模型時的不足，并仿真銷售模型進行實驗預測，獲得了良好的實驗結果。就消費品銷售行業而言，文獻［1］對BP神經網絡進行改進，并用某飲料企業歷史銷售數據進行實例驗證，實驗結果表明文章提出的改進方法的預測結果準確率更高。文獻［3］利用多維灰色模型對BP神經網絡進行改進，對多組天貓銷售數據進行預測，對比未改進的BP神經網絡等其他算法的預測結果，實驗表明改進后的BP神經網絡預測準確性更高，預測性能也更穩定。文獻［6］針對淡旺季特性產品的銷售特點，對神經網絡進行改進。文章用蘇州某快速消費品公司某段時間內的真實銷售數據作為實驗數據，結果表明文章中提出的改進方法可大幅預測精度。就社會基礎設施產品銷售行業而言，文獻［2］統計江蘇安華警用裝備制造有限公司2000年～2011年警用手銬的銷售情況，并以此為實驗數據，利用BP神經網絡對2012年的警用手銬銷售情況進行預測和仿真，結果表明神經網絡可較好地應用于企業銷售預測，為銷售預測提供了新思路。就服務產品銷售行業而言，文獻［7］提出一種自適應和聲算法與遺傳算法混合優化BP神經網絡權值和閾值的算法，文章用某城市的11個機票代售點200天的機票銷售量為實驗樣本，用和聲算法、遺傳算法、和聲與遺傳算法優化的BP神經網絡以及傳統BP神經網絡分別建立模型，對第200天的機票銷售量進行預測。實驗結果表明文章提出的自適應和聲算法與遺傳算法混合優化BP神經網絡模型具有更好的預測準確性。文獻［8］將人工神經網絡應用于股票市場預測，并用某證券交易所在2009年～2014年間的SNP股票的相關數據作為實驗數據，實驗結果表明人工神經網絡可較好地預測相關數據，具備解決此類預測問題的潛力。就科學研究行業而言，文獻［9］針對復雜巖溶地區的溶洞發育規模具有的高度復雜性和非線性等特征，利用BP神經網絡對溶洞發育規模的預測。文章用已探明溶洞的樣本數據作為實驗數據，實驗結果表明BP神經網絡模型在溶洞規模預測方面具有較高的精度和較好的收斂性能。

這些研究表明，對于屬性較多且各屬性之間相互影響的數據，時間序列預測法等線性或非線性函數無法實現較好的預測精準度。而人工神經網絡則在各行業中均有較好的處理結果。因此，針對數據特征較為復雜的、包含信息量較大、受影響因素較少的工業供應鏈銷售數據，本文采用人工神經網絡進行處理預測。

3 實驗方法

3.1 數據來源

本文使用的數據集為加拿大機電產品銷售公司的實際銷售數據，脫敏后保留418282條原始數據作為實驗標準數據集。

3.2 數據分析與處理

3.2.1 數據分析

本研究中使用的數據集的屬性是‘RFQ’，‘ACCT’，‘Coverage’，‘SKU’，‘SKU_Category’，‘EB_Flag’，‘RFQ_TYPE’，‘List_Price’，‘RFQ_Price’，RFQ_Qty，‘Order_Qty’。

3.2.2 數據清洗

實現對數據重新審查和校驗，目的是消除噪聲數據。具體步驟如下。

1）查看數據集中是否含有缺省值，并估算均值或中位數填充。

2）校驗數據集中是否有極大值或異常值，并估算均值或中位數替代。

表1為經過清洗后的數據集的屬性集合。

3.2.3 數據轉化

在對數據分析與清洗的基礎上，本文針對人工神經網絡的輸入值特點，對實驗數據集進行轉化。具體轉化過程：分別提取RFQ、ACCT、SKU和SKU_Category中的前5個數量最大的值，進行One-Hot Encode（獨熱編碼）處理；提取Coverage、EB_Flag、RFQ_TYPE的值，進行One-Hot Encode（獨熱編碼）處理；List_Price、RFQ_Price、RFQ_Qty、Order_Qty按照（x-min）/（max-min）的公式歸一化處理。

3.2.4 數據集成

上述數據處理過程一致化數據集中不兼容的不同屬性，數據集成將數據合并，并存放到一個一致的數據存儲中，作為模型的輸入。

隨機選取存儲數據的50%為訓練數據集，30%為驗證數據集，20%為測試數據集。

3.3 人工神經網絡及其在本系統中的模型設計

人工神經網絡（Artificial Neural Network）中的層包括輸入層、隱藏層與輸出層［10］。其中，輸入層只從外部環境接收信息，由可接收樣本中各種不同特征信息的輸入單元組成。輸入層中的每個神經元相當于自變量，不完成任何計算，負責為下一層傳遞信息；隱藏層介于輸入層和輸出層之間，負責計算分析數據，該層的函數聯系輸入層變量和輸出層變量，使其更配適數據。輸出層生成最終結果，每個輸出單元對應某一種特定的分類，將結果值傳送給外部系統。整個網絡由調整鏈接強度的程序來達成學習目的。

3.3.1 具有旨在實現工業供應鏈銷售預測的外部輸入的人工神經網絡的構造

第一層為輸入層，第二層隱含層包含512個神經元，第三層包含256個神經元，第四層包含一個神經元，為輸出層，第二層與第三層采用了relu激活函數，最后一層采用了sigmoid激活函數，前二層均采用dropout正則化技術，輸入訓練數據對人工神經網絡進行訓練，在訓練過程中隨機地忽略一些神經元。

3.3.2 具有旨在實現工業供應鏈銷售預測的外部輸入的人工神經網絡的過程

1）模型輸入

根據上述對數據的預處理結果，構建模型輸入向量Xmxn，m代表輸入樣本個數，n代表屬性個數。

2）模型建造

本模型用式（1）作為假設函數。

其中，h（θ）表示模型產生的輸出，維度是mx1.X為輸入向量，可以是模型輸入的任意一行。θ是代表模型中神經元的權重和偏差的向量集合，維度是nx1。

本模型用式（2）作為成本函數，用于計算模型輸出向量與期望的輸出值向量間的誤差。

其中，Y代表樣本的期望輸出，表示輸入數據中的真實成交情況，維度為mx1。

3）參數初始化

θ向量初始化為（0，1）范圍內的任意值。算法終止距離初始為ε。步長為α。

4）模型訓練

（1）確定當前位置的損失函數的梯度，對于θ向量其梯度表達式為式（3）。

（2）用步長乘以損失函數的梯度，得到當前位置下降的距離，即

（3）確定θ向量里面的每個值，梯度下降的距離都小于ε，如果是則算法終止，當前θ向量即為最終結果。否則進入步驟（4）。

（4）更新θ向量。模型的訓練就是誤差J不斷被返回網絡，向量θ相應地被更新的過程，其更新表達式如式（4）所示，更新完畢后返回步驟（1）。

本文采用訓練集對模型的權重等參數訓練，驗證集對模型參數校正。

4 實驗與結果分析

本文采用的數據集是某工業產品銷售公司的真實銷售數據。為更好地評估改進后人工神經網絡的預測性能，本文進行了如圖1～7的各項實驗。其中包括混淆矩陣（Confusion Matrix）［11］和Roc（Re?ceiver Operating Characteristic）曲線［12］，并基于各圖從準確率（Precision）［13］、召回率（Recall）［13］和F值（F-measure）［14］三個指標進一步進行性能評估，結果如表2所示。

4.1 原始人工神經網絡與改進后的人工神經網絡對比

本文的原始模型輸入為數據預處理后的輸入向量Xmx11，經原始模型計算后，得到如圖1，圖3所示的混淆矩陣與roc曲線，并依據此計算準確率、召回率及F值如表2所示，三個評估指標均不理想。故對模型改進，在進一步分析數據屬性的基礎上，增加‘List_PriceXRFQ_Qty’屬性至模型輸入向量X，得到如圖2，圖4所示的混淆矩陣與roc曲線，計算準確率、召回率及F值如表2所示。

圖1 原始人工神經網絡混淆矩陣圖

圖2 改進后的人工神經網絡混淆矩陣圖

圖3 原始人工神經網絡roc曲線圖

圖4 改進后的人工神經網絡roc曲線圖

表2 四個模型的P值、R值和F值

從混淆矩陣與roc曲線來看，改進過的模型的預測值與真實類別相同的比率較原始人工神經網絡要高，預測值與真實類別不同的比率則低于原始模型。該結果表明，改進后模型的預測性能優于原始模型。結合三個評估指標，改進過的模型的準確率、召回率與F值均高于原始模型。該結果表明，改進后的模型的預測性能優于原始模型。

4.2 改進后的人工神經網絡與卷積神經網絡對比

卷積神經網絡（Convolution Neural Network）［15］較人工神經網絡復雜先進，常用于處理文本、語音、圖像等數據。本文采用卷積神經網絡對相同數據集進行銷售預測，并繪制混淆矩陣與roc曲線，如圖5、圖6所示。對比圖1和圖2、圖3和圖4，改進過的人工神經網絡的預測值與真實類別相同的比率較卷積神經網絡要高，預測值與真實類別不同的比率則低于卷積神經網絡。該結果表明，改進過的人工神經網絡的預測性能優于卷積神經網絡。結合表2中數據，改進過的人工神經網絡在準確率、召回率與F值三個指標上均高于卷積神經網絡。該結果表明，改進后的人工神經網絡的預測性能優于卷積神經網絡。

圖5 卷積神經網絡混淆矩陣圖

圖6 卷積神經網絡roc曲線圖

4.3 改進后的人工神經網絡與高斯混合模型對比

高斯混合模型（Gaussian mixture model）［16］是多個單高斯混合模型的混合，理論上可以擬合任意分布的樣本，因此常被應用于預測問題中。本論文的實驗數據較為復雜，特征數較多且數據分布不服從單一高斯分布，適合采用高斯混合模型計算分析。如圖7所示，本文通過對高斯混合模型在不同聚類簇數下準確率、召回率和F值三個指標的對比，得到聚類簇數為7時，三個指標值最大，分別為0.71716、0.96972、0.82453。結合表2中數據，改進后的人工神經網絡在準確率、召回率與F值三個指標上均高于高斯混合模型。該結果表明，改進后的人工神經網絡的預測性能優于高斯混合模型。

圖7 不同聚類簇下的準確率、召回率、F值圖

5 結語

本文提出了一種基于人工神經網絡模型的工業供應鏈銷售預測方法。首先分析工業銷售系統原始數據的屬性，針對不同數據類型的屬性進行處理，然后將數據集連接整合，作為模型的輸入。接著，分別利用訓練集和驗證集數據對模型參數進行計算和校驗。最后，測試數據集完成對模型的測試評估，實現銷售預測功能。本文將改進后的人工神經網絡與未改進的人工神經網絡、較先進的卷積神經網絡、高斯混合模型以及銷售公司的銷售數據作比較進行對比，實驗結果表明，改進后的人工神經網絡能較好地預測銷售成交情況。