LSTM模型在網絡購物數據分析預測領域的應用

摘要：隨著現代科學技術的快速發展，網絡購物蓬勃興起并廣泛普及，銷售額穩步增長。構建網絡購物大數據分析預測模型，以分析和預測消費者行為趨勢，對網絡購物平臺及供應商提前制定營銷策略具有指導意義。文章構建了一種長短期記憶網絡結構（LSTM）模型，應用于某電商平臺交易數據的初步分析和預測，并通過實際數據驗證了模型的有效性。基于原始數據與模型預測數據的對比分析，為電商平臺及供應商合理把握網絡購物消費高峰期、擴大網絡銷售規模提供了建議。

關鍵詞：LSTM模型；網絡購物；大數據；分析預測；循環神經網絡

中圖分類號：TP183 " " " 文獻標識碼：A " " "文章編號：1674-0688（2024）10-0055-05

0 引言

根據2024年3月中國互聯網絡信息中心（CNNIC）發布的第53次《中國互聯網絡發展狀況統計報告》，截至2023年12月，我國網民規模達10.92億人，較2022年12月增長了2 480萬人；互聯網普及率達77.5%，較2022年提高了1.9%。隨著網絡普及程度的持續提升，互聯網應用不斷深化，用戶規模持續增長。其中，網絡購物類應用的用戶規模在2023年12月達到9.15億人，同比增長8.2%；2022年網上零售額達到15.4萬億元，同比增長11%，連續11年穩居全球第一位。面對國內市場的蓬勃發展及網絡購物市場的快速增長，準確把握消費者網絡購物習慣、預判消費高峰時期，對于網絡購物平臺和電商而言非常重要，這要求平臺和電商必須做好充分準備，通過制定有效的營銷策略擴大銷售額。因此，基于網絡購物交易數據的深入分析，對未來交易數據進行準確預測，為決策提供參考，具有重要的現實意義。

目前，數據分析預測領域存在多種算法模型，包括ARIMA（自回歸差分移動平均）模型、MLR（多元線性回歸）模型、卡爾曼濾波模型及非參數回歸模型等。近年來，深度學習技術在大數據分析研究中發揮了重要作用，深度神經網絡、循環神經網絡、卷積神經網絡等模型相繼涌現，成為機器學習、數據挖掘等領域的先進方法［1-2］。循環神經網絡結構能夠更好地處理時間序列問題，在交通數據、客流數據分析預測等方面發揮了重要作用。甘萍等［3］ 針對交通預測中的復雜時空相關性問題，提出了一種時空圖神經網絡模型，通過結合自適應圖卷積網絡和時空長短期記憶網絡，實現了對交通數據空間特征和時間特征的聯合提取，提高了交通預測的準確性和可靠性。曹陽等［4］針對傳統預測模型難以挖掘交通流數據中強非線性特征方面的問題，通過優化GCN（圖卷積網絡）結構，并分析交通流間的動態時空關系，提出了一種基于時域圖卷積神經網絡的交通流預測模型，該模型采用時域卷積網絡獲取時間依賴關系，同時緩解了梯度爆炸問題，從而有效提高了交通流預測模型的性能。張金雷等［5］將深度學習的基礎理論和算法相應用于軌道交通刷卡數據、共享單車軌跡數據、出租車軌跡數據、私家車軌跡數據及空中交通運行等5個具體場景，詳細闡述了實現方法，并提供了詳盡的代碼示例。網絡購物消費數據具有非線性特征，并且具備時間序列特性。因此，本文基于網絡購物消費大數據，構建長短期記憶網絡（LSTM）結構模型，對交易數據進行分析預測，并繪制了預測數據圖表，以分析數據模式，為電商平臺及電商企業提供直觀反饋與合理建議。

1 研究方法

1.1 數據來源

本文基于某電商平臺后臺單位職工購買農副產品的交易數據展開分析。首先，對該平臺2020—2023年的每日交易數據進行預處理，生成按時間序列展示的單一維度數據（見表1）。接著，分析基礎交易額數據，全年中網絡購物交易額的最高峰是第三季度中秋國慶時段，其次是第四季度11月中旬的“雙十一”期間，再次是第一季度元旦和春節前后的時間段。總體來看，第一、二季度的網絡購物交易額相對較低，僅在元旦和春節前后出現較高的交易量；而下半年的交易更為活躍，尤其是第四季度的平均日交易額有了顯著提升。基礎交易額數據反映出該電商平臺的交易額具有明顯的季節性波動及節假日集中消費的特征。圖1至圖4分別展示了這4個集中交易時段在2020—2023年的交易額情況。

1.2 預測方法

1.2.1 分析交易高峰期

詳細分析元旦、春節、國慶（含中秋）以及“雙十一”這4個高峰期的交易額及其歷年變動情況。具體而言，觀察每個時間段內交易額峰值和低谷的變化趨勢。例如，國慶（含中秋）選取節前20天至節后10天的交易數據；“雙十一”選取活動前后各10天的交易數據；而元旦與春節則分別考察其前后各10天的交易數據。

1.2.2 建立LSTM模型

將歷史數據輸入模型，針對元旦、春節、國慶（含中秋）及“雙十一”這4個階段的數據進行深度學習訓練，并預測2024年各階段的銷售額。LSTM模型作為循環神經網絡的一種，特別適用于處理時間序列問題，其基本的循環神經網絡結構由輸入層、一個隱藏層和一個輸出層組成。在此結構中，t時刻接收到輸入數據Xt后，隱藏層的值是St，輸出值是Ot。 St的值不僅由Xt決定，還受前一時刻隱藏層狀態St-1的影響，使得當前時刻的信息能在下一時刻被輸入網絡應用，從而形成了時間相關性。神經網絡模型通過學習，將知識隱含在權值W中［5］。循環神經網絡結構示意圖見圖5。

與傳統循環神經網絡結構不同，LSTM模型設置了獨特的記憶單元，能在一定程度上緩解長期信息傳遞中的信息失能和衰減等情況。LSTM的記憶單元結構復雜，它通過單元狀態C保存長期信息，并利用3個控制門［即遺忘門（決定前一時刻單元狀態Ct-1保留至當前時刻Ct的程度）、輸入門（決定當前時刻網絡輸入Xt保存到單元狀態C中的程度）、輸出門（決定當前單元狀態Ct輸出至LSTM當前輸出值ht的程度）］來篩選、保存和輸出長期信息，從而實現長期信息的合理保留與利用。LSTM網絡結構示意圖見圖6。

1.2.3 訓練預測模型

本文對2024年元旦、春節期間的實際網絡購物數據與LSTM模型的預測數據進行對比，以驗證模型預測的準確性。雖然實驗數據量有限，預測數據與實際數據間存在誤差率，但是兩者反映的變動趨勢基本一致，表明該模型對未來階段網絡消費額的預測具有一定的參考價值。

2 預測結果分析

2.1 元旦期間網絡交易額預測

元旦期間交易額預測數據與真實數據對比結果見圖7。預測交易峰值為43.68萬元，而實際交易值為40.62萬元，差異率為7.53%。預測數據顯示交易峰值出現在元旦后第二天，與實際數據相差1天，基本一致，表明預測數據具有較好的參考性。從業務實際情況分析，元旦后新一年度的采購計劃開始實施，推動了消費增長，預測數據體現了這一趨勢。

根據預測數據和變動情況，電商平臺及供應商應提前掌握簽約機構的全年計劃，盡早規劃，利用元旦假期擴大銷售規模，為全年銷售額增長奠定良好基礎。

2.2 春節期間網絡交易額預測

春節期間交易額預測數據與真實數據對比結果見圖8。預測交易峰值為35.52萬元，實際交易峰值為34.91萬元，差異率僅為1.75%，并且峰值出現的日期一致，表明預測數據具有較高的參考性。預測數據顯示，春節期前6～10天為交易額高峰期，這與消費者節前集中采購年節禮物的習慣相符合。自春節前一周起，購物額迅速下降，直至春節前2天至假期結束，每日交易額維持在低位，假期結束后才有所恢復。這一現象反映了消費者春節期間忙于休假，以及供應商歇業、物流延遲等春節特有因素導致的交易量減少。

根據預測數據和變動情況，電商平臺及供應商應把握節奏，力爭在春節前一周左右完成銷售目標，以契合消費者購物習慣，同時確保春節期間運營平穩。

2.3 中秋國慶期間網絡交易額預測

中秋國慶期間交易額預測結果見表9。全年網絡消費交易最活躍且交易額最高的時段為中秋國慶雙節期間。預測顯示，2024年中秋國慶將出現兩個交易峰值，分別位于中秋與國慶前夕，均超過60萬元，較2023年增長20%。其中，2024年中秋節為9月17日，交易高峰將提前3天于中秋節前出現，國慶前交易高峰則提前7天。由于雙節間隔近兩周，因此形成了兩個交易高峰。總體來看，交易高峰出現在國慶前15天左右，與2020—2023年實際情況基本一致。此外，國慶節前2天至假期結束，預測交易額將快速下降，假期后逐步恢復，這反映了消費者的消費習慣。

根據預測數據和變動情況，電商平臺及供應商應一方面緊抓中秋國慶熱點，精心策劃營銷活動，為擴大全年銷售額奠定堅實基礎；另一方面，合理安排營銷節奏，提前預熱，在中秋前和國慶前兩周左右集中開展，以契合消費者習慣，提升營銷效率。

2.4 “雙十一”期間網絡交易額預測

“雙十一”期間交易額預測結果見圖10。“雙十一”為全年網絡購物交易額的第二高峰，預測2024年“雙十一”交易峰值將達到45.19萬元，同比增長18%。預測數據顯示，“雙十一”期間集中消費趨勢不明顯，整體交易保持活躍，日均交易額達28.25萬元。這主要是因為“雙十一”消費熱潮已在社會上產生廣泛影響，使得11月整體處于優惠時段，導致交易數據集中度不高，但日均交易金額較高。

基于預測，電商平臺及供應商應主動順應“雙十一”消費優惠趨勢，合理規劃的營銷活動，以促進消費額增長。

3 結論

本文利用LSTM模型對某電商平臺近年來的交易數據進行了深度學習，旨在預測元旦、春節、中秋國慶、“雙十一”這4個高峰時段的網絡購物交易金額，并分析了消費高峰的變動模式，結論如下。

（1）LSTM模型的預測數據與實際數據的變動趨勢一致，驗證了LSTM模型在預測網絡購物變動趨勢方面的可行性，為電商平臺提供了網絡購物數據預測的有效參考方法。

（2）全年網絡購物呈現出明顯的節假日集中特點，電商平臺及供應商應充分利用關鍵節假日，以實現消費額的快速增長，從而提高全年銷售額，因此建議將更多的營銷資源投向節假日。

（3）在中秋國慶和春節這兩個高峰時段，消費者網絡購物的高峰值通常出現在節假日前的1～2周，隨后消費意愿急劇下降。針對這一特點，電商平臺應在節假日前的兩周內集中開展多樣化的營銷活動，以高效地將消費者流量轉化為銷售額。

4 參考文獻

［1］劉建偉，劉媛，羅雄麟.深度學習研究進展［J］.計算機應用研究，2014，31（7）：1921-1930，1942.

［2］路思恒，尹紅.基于BP神經網絡的居民消費水平的預測模型：以安徽省為例［J］.現代電子技術，2022，45（21）：83-87.

［3］甘萍，林基明，農麗萍，等.一種用于交通預測的自適應時空圖神經網絡［J］.桂林電子科技大學學報，2023，43（1）：7-13.

［4］曹陽，朱镕琦，沈琴琴，等.基于時域圖卷積神經網絡的交通流預測模型［J］.計算機工程與設計，2023，44（12）：3700-3706.

［5］張金雷，楊立興，高自友.深度學習與交通大數據實戰［M］.北京：清華大學出版社，2022：132-134.