基于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的智能穿戴設(shè)備銷售的預(yù)測研究

楊柳青青

（武漢理工大學(xué)經(jīng)濟學(xué)院，湖北 武漢 430070）

1 研究背景

1.1 智能穿戴設(shè)備市場的崛起

早在20世紀60年代，智能穿戴設(shè)備的思想和雛形就已出現(xiàn)，直到20世紀80年代真正可以穿戴的智能設(shè)備才開始出現(xiàn)在社會大眾眼前。智能穿戴設(shè)備是運用穿戴技術(shù)對用戶的身體狀況、睡眠狀況、運動狀況等進行監(jiān)測。目前，隨著科學(xué)技術(shù)的進步，智能穿戴設(shè)備市場正在逐步崛起，已有不少學(xué)者開始研究智能穿戴設(shè)備在智慧養(yǎng)老領(lǐng)域、智能健身、防疫預(yù)警等方面的應(yīng)用。智能穿戴設(shè)備的代表產(chǎn)品有Apple Watch蘋果智能手表、華為智能手表、小米手環(huán)等，截至2016年，全球智能設(shè)備市場的規(guī)模已達60億元。隨著當(dāng)今社會逐漸智能化，智能穿戴設(shè)備的種類越來越豐富，人們對智能穿戴設(shè)備也有了更高的追求，其將極大地影響人們的生活方式。

從傳統(tǒng)時代到互聯(lián)網(wǎng)時代，消費者行為模式[1]經(jīng)歷了從AIDMA（用戶在購買商品前的心理過程）到AISAS（用戶在社會化媒體上產(chǎn)生購買行為前后的過程）的轉(zhuǎn)變。到了移動網(wǎng)絡(luò)時代，消費者的行為特征往往符合AISAS模式。

以移動網(wǎng)絡(luò)時代消費者購買當(dāng)季熱銷商品為例，消費者可能會在微博、小紅書、抖音等熱門平臺偶然刷到有關(guān)該商品的相關(guān)視頻或相關(guān)筆記，消費者認為這個商品的某個方面正好符合自己的需要，消費者通過在網(wǎng)絡(luò)平臺上繼續(xù)搜索有沒有關(guān)于該商品的相似內(nèi)容，若獲取到的所有信息都達到消費者的預(yù)期，那么消費者就會直接購買。

1.2 神經(jīng)網(wǎng)絡(luò)技術(shù)下銷售預(yù)測發(fā)展

銷售預(yù)測是商品經(jīng)濟帶來的產(chǎn)物，隨著市場的擴大和商品經(jīng)濟迅速發(fā)展，企業(yè)為了使產(chǎn)品能夠適應(yīng)市場的需求，對于市場的銷售預(yù)測也越來越看重。市場的發(fā)展銷售預(yù)測是指通過科學(xué)的方法，在研究市場供求變化的諸多因素進行分析和研究基礎(chǔ)上，對該商品未來市場的供需發(fā)展趨勢和價格浮動等影響因素的變化進行分析、判斷和預(yù)測。對于企業(yè)來說，有了合理的市場銷售預(yù)測，才有可能做出正確的決策和科學(xué)的營銷方案。

當(dāng)前，人們對于市場的預(yù)測有許多方法。傳統(tǒng)的預(yù)測方法主要有平滑預(yù)測法、趨勢線預(yù)測法、回歸預(yù)測等，但只能用于線性場合，受制因素較多。而近年來，隨著科學(xué)技術(shù)的迅速發(fā)展，人工神經(jīng)網(wǎng)絡(luò)、遺傳算法等非線性的科學(xué)技術(shù)在許多行業(yè)上的廣泛運用，給銷售預(yù)測帶來了新的希望。神經(jīng)網(wǎng)絡(luò)算法是通過模仿自然界的生物特征，利用其進化機制，逐漸發(fā)展起來的一種全局優(yōu)化搜索技術(shù)。它由自然界的自然選擇以及遺傳學(xué)定律的生物進化而衍生的一種計算模型。神經(jīng)網(wǎng)絡(luò)技術(shù)（Artificial Neural Networks，ANN）是近年來發(fā)展起來的一種高效算法技術(shù)，利用其能模仿人腦的內(nèi)部結(jié)構(gòu)及其功能，并制作相應(yīng)的的信息處理系統(tǒng)。利用這種技術(shù)在認識人腦的基礎(chǔ)上，用數(shù)學(xué)或物理分析的方法，以信息處理角度為出發(fā)點，對人腦內(nèi)部的神經(jīng)網(wǎng)絡(luò)進行簡單抽象化處理，從而建立起來某種模型。

在2006年，深度學(xué)習(xí)（Deep Learning）技術(shù)的出現(xiàn)，使得更加復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型能夠在預(yù)測方向逐漸廣泛應(yīng)用起來，其中卷積神經(jīng)網(wǎng)絡(luò)技術(shù)（Convolutional Neural Networks，CNN）能夠在文字識別、圖像識別、語音識別等方面展現(xiàn)比較好的效果，應(yīng)用循環(huán)神經(jīng)網(wǎng)絡(luò)技術(shù)（Recurrent Neural Network，RNN）能夠在市場數(shù)據(jù)的預(yù)測中也得到顯著效果。

盂祥澤等[2]早先提出一種市場預(yù)測方法，該方法基于模糊神經(jīng)網(wǎng)絡(luò)的股票市場建模與預(yù)測技術(shù)，采用遺傳算法來訓(xùn)練神經(jīng)網(wǎng)絡(luò)權(quán)值和進行模糊子集的劃分。張帆等[3]提出了通過BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)技術(shù)對衛(wèi)星的成本進行估算，通過控制同義輸出變量，將輸入變量的模糊數(shù)值作為其學(xué)習(xí)樣本，對BP神經(jīng)網(wǎng)絡(luò)進行深入學(xué)習(xí)。事實證明，模糊算法和神經(jīng)網(wǎng)絡(luò)已經(jīng)得到了比較成熟的發(fā)展。2019年，學(xué)者宋歌和馬濤以3 513家上市公司的財務(wù)數(shù)據(jù)作為研究樣本，統(tǒng)計相關(guān)的財務(wù)數(shù)據(jù)，他們通過深度學(xué)習(xí)技術(shù)來構(gòu)建神經(jīng)網(wǎng)絡(luò)模型來預(yù)測企業(yè)未來。結(jié)果表明，基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型預(yù)測樣本的準確率在72%以上。

本文基于以上背景，以神經(jīng)算法和神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，對中國智能產(chǎn)品的銷售進行預(yù)測，并提出相應(yīng)的建議。

2 預(yù)測模型設(shè)計

2.1 BP神經(jīng)網(wǎng)絡(luò)特點

1986年，以RUMELHART為首的美國科研團隊首先提出了BP神經(jīng)網(wǎng)絡(luò)模型；1987年，著名學(xué)者WHITE通過BP神經(jīng)網(wǎng)絡(luò)模型對股票市場進行了第一次預(yù)測，盡管此次試驗效果不理想，但是這次預(yù)測實驗為其他學(xué)者應(yīng)用BP神經(jīng)網(wǎng)絡(luò)預(yù)測時間序列數(shù)據(jù)奠定了基礎(chǔ)。

當(dāng)前，BP網(wǎng)絡(luò)相對于其他神經(jīng)網(wǎng)絡(luò)算法最為成熟，其特點如表1所示。盡管它也有一些例如學(xué)習(xí)過程中收斂速度較慢、其網(wǎng)路結(jié)構(gòu)難以確定等問題，但在處理復(fù)雜、煩瑣的非線性問題時，其具有強大的應(yīng)用潛力。

表1 BP神經(jīng)網(wǎng)絡(luò)的特點

BP神經(jīng)網(wǎng)絡(luò)的運用逐漸得到普及，不僅在原有領(lǐng)域有著越來越深入的研究，同時還越來越多地與其他學(xué)科領(lǐng)域進行交叉。通過優(yōu)勢互補，能夠更好地發(fā)揮各自的長處，從而不斷完善自身。目前，BP神經(jīng)網(wǎng)絡(luò)在應(yīng)用過程中的一個趨勢是與其他現(xiàn)代智能計算方法相結(jié)合，如模擬遺傳學(xué)機理的遺傳算法、模糊系統(tǒng)理論等。

2.2 神經(jīng)網(wǎng)絡(luò)的算法

神經(jīng)網(wǎng)絡(luò)算法是由大量的簡單處理單元相互聯(lián)結(jié)組成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，作為一種非參數(shù)的分類方法，它克服了選擇模型函數(shù)形式的困難，同時對樣本及變量的分布特征沒有限制。

BP神經(jīng)網(wǎng)絡(luò)是一種廣泛使用的用于訓(xùn)練前饋神經(jīng)網(wǎng)絡(luò)的算法，與其他人工神經(jīng)網(wǎng)絡(luò)（ANN）和一般函數(shù)一樣，存在反向傳播的推廣，這些類型的算法統(tǒng)稱為“反向傳播”。在擬合神經(jīng)網(wǎng)絡(luò)時，“反向傳播”與簡單直接地計算相對于每個權(quán)重的梯度不同，這種方式使得使用梯度方法訓(xùn)練多層網(wǎng)絡(luò)、更新權(quán)重以最小化損失變得可行；通常使用梯度下降或隨機梯度下降等變體。其工作原理為通過鏈式法則來計算，分析出損失函數(shù)相對各個權(quán)重的梯度指標，多次計算并向后迭代。以此來避免鏈式法則中不必要的計算。

BP網(wǎng)絡(luò)模型的基本結(jié)構(gòu)如圖1所示，其模型表達方程為：g（x）=f L｛WLf L-1[W L-1…f1（W1x）…]｝。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

數(shù)據(jù)輸入層為集中海量法構(gòu)建的數(shù)據(jù)。第3層是輸出層，本文增加了一個損失函數(shù)，使計算結(jié)果更加準確。當(dāng)前神經(jīng)網(wǎng)絡(luò)的輸出不僅取決于當(dāng)前和過去的輸入，還取決于過去的輸出，其輸入集和最終輸出可以表示為：

式（1）（2）中：X（t）為神經(jīng)網(wǎng)絡(luò)的輸入；Δt為用于時域耦合分析的時間步長；p和q分別為輸入和輸出反饋的延遲階數(shù)；pΔt和qΔt為延遲的時間長度；yt為輸出結(jié)果；f為BP經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)建立的映射關(guān)系模型；w為權(quán)重參數(shù)。

輸入輸出的延遲效應(yīng)使BP具有一定的記憶能力。

本文所使用的銷售預(yù)測分數(shù)線性神經(jīng)網(wǎng)絡(luò)BP算法是一種迭代逼近算法，性能指標函數(shù)如下：

2.3 預(yù)測模型的設(shè)計

本文所介紹的銷售預(yù)測模型在BP神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上，通過神經(jīng)算法優(yōu)化整個銷售模型。預(yù)測模型算法流程如圖2所示。通過收集和統(tǒng)計數(shù)據(jù)，確定影響智能產(chǎn)品銷售過程的影響因素，并建立相應(yīng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，給予網(wǎng)格中的各連接點權(quán)值閾值。隨后通過神經(jīng)算法來對神經(jīng)網(wǎng)絡(luò)的各個連接層的權(quán)值閾值進行優(yōu)化。通過計算誤差絕對值找出商品的適應(yīng)度函數(shù)，并計算其函數(shù)值。通過反復(fù)的訓(xùn)練，使其產(chǎn)生新的衍生個體，再重新計算和比較衍生個體的適應(yīng)度函數(shù)值，得出最優(yōu)函數(shù)值，找到最優(yōu)個體。隨后利用BP神經(jīng)網(wǎng)絡(luò)對未來5年智能產(chǎn)品的銷售情況進行預(yù)測，將上一步得到的最優(yōu)個體通過賦值傳遞給BP神經(jīng)網(wǎng)絡(luò)中各個連接層，反復(fù)進行訓(xùn)練和學(xué)習(xí)，不斷計算輸出層、中間層各單元的誤差，并通過計算得出的誤差反饋給輸出層、輸入層到隱含層的各個連接權(quán)值閾值，直到預(yù)測精度滿足模型要求，從而得出相應(yīng)的預(yù)測結(jié)果。

圖2 預(yù)測模型的工作流程

3 數(shù)據(jù)收集與驗證

3.1 數(shù)據(jù)收集和處理

據(jù)調(diào)查，2019年全球智能手表銷售量同比增加44%，其中Apple Watch蘋果智能手表占據(jù)市場份額第一，達到46%，而三星和Fitbit則位居第二和第三，且二者的市場份額之和也達不到蘋果公司一家的市場份額，蘋果公司的Apple Watch可謂是智能手表市場的巨頭。

而在中國智能穿戴設(shè)備的銷售量也是年年增加，2016年僅為3 876萬臺，到2021年已達到了12 686萬臺，增長率高達69.4%。且在中國的智能穿戴設(shè)備廠商中，占市場份額前三的分別是華為、小米、步步高。對于對智能穿戴設(shè)備功能性要求不高的用戶來說，智能手環(huán)可能更勝一籌，因為其價格親民且基礎(chǔ)功能應(yīng)有盡有；而眾所周知的“小天才電話手表”，則是步步高集團在兒童智能設(shè)備穿戴市場的一個重大突破。

3.2 銷售預(yù)測模型驗證

經(jīng)過訓(xùn)練，某品牌的手表和手環(huán)的適應(yīng)度曲線如圖3、圖4所示，可以看出，適應(yīng)度函數(shù)值一直在下降并且趨于穩(wěn)定，說明網(wǎng)絡(luò)系統(tǒng)的訓(xùn)練誤差在逐漸減小。

圖3 某品牌智能手表樣本訓(xùn)練過程中的適應(yīng)度曲線

圖4 某品牌智能手環(huán)樣本訓(xùn)練過程中的適應(yīng)度曲線

圖5為使用BP神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上通過神經(jīng)算法優(yōu)化后的預(yù)測函數(shù)。①號線代表期望輸出，②號線代表網(wǎng)絡(luò)訓(xùn)練的預(yù)測輸出。網(wǎng)絡(luò)參數(shù)為隱含層節(jié)點數(shù)為6，學(xué)習(xí)率為0.1，誤差為0.001。

圖5 基于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的某品牌智能設(shè)備銷售預(yù)測圖

分析圖5可知，通過BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)對某品牌智能設(shè)備進行銷量預(yù)測，預(yù)測的銷量值能夠清楚地展示出實際的銷量值，誤差范圍在84.6%～92.3%，由此可知，本文介紹的銷售預(yù)測系統(tǒng)能夠指導(dǎo)智能產(chǎn)品銷售過程中的商品組合方案。

4 問題與建議

4.1 智能穿戴設(shè)備存在的問題

智能穿戴設(shè)備的發(fā)展離不開現(xiàn)代電子通信技術(shù)的發(fā)展，但從目前市場上已經(jīng)研發(fā)出的產(chǎn)品來看，大多數(shù)用戶越來越看重的是智能穿戴設(shè)備的準確度和待機時間。

隨著智能穿戴設(shè)備市場的崛起，市場上的產(chǎn)品大同小異，同質(zhì)化問題非常嚴重[4]，不少品牌缺乏屬于自己的個性化設(shè)計，這將使智能穿戴設(shè)備在用戶心中的分量大打折扣。對于用戶來說，各大品牌的智能穿戴設(shè)備的功能基本相同，那么他們就將通過性價比和待機時間等來區(qū)分。

4.2 對策與建議

產(chǎn)品定制是未來智能穿戴設(shè)備的重點發(fā)展方向，只有先發(fā)展產(chǎn)品定制的品牌才能吸引更多的用戶；人機交互是未來智能穿戴設(shè)備的重點突破方向，未來的發(fā)展重點應(yīng)該放在實現(xiàn)人機交互，這將體現(xiàn)在體感交互、語音交互等的無縫連接中[5]；健康服務(wù)是未來智能穿戴設(shè)備的重點研究方向，隨著大數(shù)據(jù)的整合，智能穿戴設(shè)備應(yīng)詳細到不同群體，比如目前很多品牌正在著手研發(fā)的針對老年人的緊急預(yù)警設(shè)備。

總之，智能穿戴設(shè)備的未來發(fā)展一定要回歸用戶本身，隨著用戶消費觀念的變化，智能穿戴設(shè)備市場帶來的是挑戰(zhàn)也是機遇，在未來它將成為人與智能技術(shù)連接的重要紐帶，對社會發(fā)展有重要意義。