狼群算法在電子商務銷售預測中的應用

周俊 杜峰兒

摘要：精準的電子商務預測能夠在營銷中贏取先機，優化戰略，改進戰術，從而獲得領先的競爭性優勢。由于主客觀影響因素繁多、對預測精準度要求高、數據維度高且復雜，一般的電子商務銷售預測要經過問題分析與抽象、數據預處理、建立預測模型、模型調優與結果分析的流程才能實現。傳統BP神經網絡銷售預測模型具有預測過程耗時、收斂慢、通用性不高的缺點，該文采用狼群算法（wolf pack search algorithm，WPA）優化原有模型的初始權值和閾值，收斂快且不易陷入局部最優，有效提高了電子商務銷售預測的實用性和準確度。

關鍵詞：狼群算法;電子商務預測;預測模型

中圖分類號：TP18? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）33-0130-02

開放科學（資源服務）標識碼（OSID）：

1 背景

數字科技快速發展，電商平臺異軍突起，許多品牌和產品紛紛開拓線上業務，一時間電子商務銷售覆蓋了各行各業，如何提高電商毛利達到高收益低成本越來越受到重視。銷售預測是通過對品牌電商數據的洞察，大量、多維度的運算，通過計算結果，提前布局，從營銷手段、促銷力度、活動類型等方面幫助品牌實現銷售目標。由于電商平臺銷售情況復雜多變，受到多方因素制約，比如說顧客主觀判斷、季節性和假期性周期影響、國家補貼政策、商家活動促銷、產業優化配置調整等等。電子商務產品要及時反饋不斷適應市場變化需求，如何才能提前預判銷售額，及時發現提升銷量的訣竅，從而在營銷中贏取先機，搶占更多市場份額，高效管理生產和庫存以獲得領先的競爭性優勢，才是制勝的關鍵。因此，對電子商務銷售預測的精準性顯得至關重要。

國內外對銷售預測模型分為三類：統計學法、數據挖掘法、混合模型法[1]。統計學方法使用方便、直觀、快速，但是對線性問題的解決就很局限，很難準確預測不規則的數據或者高度變異的數據，適用范圍有限。數據挖掘法在神經網絡（BP）方面研究較多，計算便捷、計算速度快、穩定性強等優點，應用于銷售預測領域較為廣泛，面對不同類型的問題都得到不錯的優化效果，使得神經網絡能勝任相對復雜的問題[2]。對于非線性、季節性、周期性的問題有良好的適應性，可應用于短期或動態預測，但是預測過程耗時、通用性不高。因此，各種組合模型被學者們不斷嘗試，以優化預測結果。

2 電子商務銷售預測作用、特點及流程

2.1 電子商務銷售預測作用

可以對銷售量和方案進行謀劃，基于現有電子商務銷售現狀對于是否能夠實現預期目標能夠做到心中有數，對影響電子商務銷售的細節能夠被放大引起重視，對于如何調整優化下一步戰略布局具有指導意義。參照電子商務銷售預測結果，與實際銷售掛鉤，可以對利益最大化各環節進行反饋優化，例如消費者是否有需求、購買意愿是否強烈、購買能力有多大，公司物流庫存是否充分、補給是否便捷、派送是否通暢，同類等價商品影響狀況如何等。針對電子商務銷售的重點環節進行精準布局，提前洞察，所謂知己知彼，百戰不殆。銷售的提前預測，就像在戰役中提前知道了結果，優化戰略，改進戰術，最終讓結果與目標一致，取得勝利。

2.2 電子商務銷售預測特點

一般的電子商務銷售預測很難同時達到精準度高、適用廣、易解釋這三方面的標準。一是主客觀影響因素繁多。主觀上受到線上店鋪類型、規模、成本、銷售策略，顧客偏好、價格敏感度、購買評價反饋等的影響，客觀上受到季節性和假期性周期、國家補貼政策、同類商家活動促銷、產業優化配置以及國際國內經濟發展周期等因素制約。二是對預測精準度要求高。既然是基于預測結果來指導實際銷售和企業的未來布局，那么預測結果就一定要精準，不然預測的意義就不大。與來自經驗豐富從業者主觀判斷相比，電子商務銷售預測一定要高于這個作用才有存在的價值。三是數據維度高、復雜。常見的銷售預測都是基于現有的歷史數據，數量龐大、類型繁多、形式雜亂、維度較高，既要考慮全面性，又要考慮重點影響因素突出，這對銷售預測來說具有很大挑戰性。

2.3 電子商務銷售預測流程

首先，以電子商務銷售預測的內容和方向為基點，對電子商務銷售的目標、數據進行梳理分析，抽象化數據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，電子商務銷售原始歷史數據存在數據噪聲，特別是異常或者極端數據對預測結果影響較大，因此需要插值缺失數據、檢測和消除數據異常值、規范數據類型、數據標準化和去標準化、數據降維等處理[3]。其次，建立銷售預測模型，并對模型不斷優化改進，以提高預測的精度。最后，對預測結果進行解讀分析，發揮預測的最大功效。

3 電子商務預測模型分析

由于電子商務銷售數量敏感店鋪類型規模、顧客偏好與價格敏感度等主觀因素和季節性和假期性周期、國家補貼政策、同類商家活動促銷等客觀因素，屬于非線性問題且相對復雜，神經網絡（BP）在銷售預測領域應用較為廣泛，對于非線性、季節性、周期性的問題有良好的適應性。傳統的神經網絡預測初始權值和閾值是隨機的，預測過程耗時、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勢明顯，收斂快且不易陷入局部最優，曹爽[4]采用WPA狼群算法優化BP神經網絡的初始權值和閾值，有效彌補原有模型的不足，以提高售預測的實用性和準確度。

3.1 神經網絡（BP）

神經網絡通常會有三個部分，輸入層由我們的特征數決定。而輸出層由我們分類數量決定，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：

隱藏層通常會特別復雜，我們可以通過調節隱層的層數和節點數來調整模型的復雜度。x表示每個神經元的輸入信號， w表示上一層神經元到下一層神經元的權重， b表示每個神經元輸入信號的偏置值，有時又被稱為偏置項或偏置單元， a表示每個神經元的輸出信號。

3.2 WPA算法優化模型

WPA狼群算法優化BP神經網絡的初始權值和閾值，如上圖所示，具體步驟如下：

Step1：對狼群的空間坐標進行初始化[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、最遠距離位置。

Step2：依據目標函數值大小交互游走角逐出當前頭狼。依據狼的習性，通過嗅覺識別氣味濃度，從而判斷距離獵物有多遠，假設該人工狼群中有N匹探狼，它們在[D]維空間中交互游走搜索獵物，在各自周圍搜尋出最優位置，第[i]匹狼搜尋游走了[h]個位置，那么第[j]位置在[d]維空間中用[yijd]標識為：

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

其中[ad]代表[d]維空間的搜索步長，[yid]代表第[i]匹狼在[d]維空間的當前位置。第[i]匹狼不斷游獵搜索，如果發現位置比當前好才移動，否則就保持原位置。當每匹探狼達到最遠搜索步長或者游獵到最大搜索次數就停止，這個時候每匹探狼都處于自身能夠達到的最佳位置，在所有的最佳位置中選擇最優的，此時的最優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，就會立即奔向獵物，狼群在奔襲移動過程中位置隨之變化，第[i]匹狼的最新位置標識為：

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

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

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

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

[cdmax]、[cdmin]代表[d]維空間的圍捕搜索步長的最大和最小值，[kmax]代表最大迭代次數，此時狼群奔襲移動發起攻擊可標記為：

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

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

Step5：狼群不斷更新實現優勝劣汰[5]。基于勝者為王的頭狼角逐規則，論功行賞、先強后弱的獵物分配規則，優勝劣汰的狼群更新規則，實現對狼群的整體優化。

4 結束語

電子商務要想獲得高效管理生產和庫存以獲得領先的競爭性優勢，對電子商務銷售預測的精準性顯得至關重要，基于BP神經網絡法，采用WPA狼群算法優化初始權值和閾值，能夠得到很好的預測效果。

參考文獻：

[1] 黃鶯，張筠汐.基于GM（1，N）-Prophet組合模型的電商行業銷售預測研究[J].西南民族大學學報（自然科學版），2021，47（3）：317-325.

[2] 田帥.基于組合模型的銷售預測應用研究[D].廣州：華南理工大學，2016.

[3] 黃鴻云，劉衛校，丁佐華.基于多維灰色模型及神經網絡的銷售預測[J].軟件學報，2019，30（4）：1031-1044.

[4] 曹爽，張雷，張青鳳.狼群算法優化神經網絡的游客數量預測[J].運城學院學報，2019，37（6）：33-36.

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

【通聯編輯：謝媛媛】