大型连锁超市部门层销售预测方法研究

摘要

大型连锁超市通常包含数目庞大的部门，为了便于管理，按照商品的不同种类和属性，将超市每家连锁商店店划分为近百个部门，这些部门之间相对独立，被管理者看作是零售品“市集”当中独立的商品零售店。对该层级销售量的预测，一方面帮助部门经理掌握本部门销售情况，从而调整库存、制定相应的促销计划；另一方面，通过对各部门销售量预测情况的统计汇总，能够帮助超市管理者改善整体销售预测的精度。本文以Walmart在美国本土45家不同地区连锁超市的2000多个部门为例，试图寻找出基于部门层级销售预测的最优模型和算法。主要研究重点有：
　　1、依据数据的特点和预测模型的要求，对含有大量缺失值的原始数据进行清洗和整理，对数据进行初步的标准化，并将多个数据集整合为一个完整数据集。由于每个部门的销售数据集样本数量有限，因此加入四类共28个可能影响销售额预测的解释变量，分别是用以表征历史销售数据的向前1周，2周，3周和4周销售额，2周，3周销以及4周销售额滑动平均；社会经济影响因素，包括气温，CPI，失业率以及汽油价格；促销活动变量：日常促销商品特惠，节日折扣促销，节假日清仓，有奖销售和免费赠品；季节性变量：节假日虚变量以及11个表征销售额季节性的虚拟变量。
　　2、经过整理后的数据集体现了大型连锁超市部门层的特点：即历史销售数据有限，部门数量极为庞大且影响因素较多。为此对每个部门的销售额以及影响变量分别采用支持向量回归（SVR），多元线性回归（MLR），随机森林（RF）和单隐层人工神经网络模型（ANN）四种常用于回归预测的模型进行训练和验证。经过三组对照实验的比较，支持向量回归模型在多部门销售预测问题中的预测精度最高，泛化性能和鲁棒性最强，且训练速度最快。
　　3、为了优化多部门销售额预测模型，建立了一个基于聚类算法和支持向量回归的混合模型 PCA-SC-SVR。这个混合模型包含了主成分分析，谱聚类和支持向量回归，以数据集中的各个部门解释变量产生的回归系数组成的矩阵作为聚类对象，产生聚类结果后，再针对不同聚类建立支持向量回归模型预测销售额。为了验证该混合模型的预测性能，对比了基于主成分分析和 K均值聚类算法和支持向量回归的混合模型PCA-KM-SVR以及不采用聚类算法的单一模型Single SVR模型。多组实验结果表明，PCA-SC-SVR混合预测模型有效的优化了单一模型的预测精度。

目录

封面

声明

中文摘要

英文摘要

目录

附表清单

插图清单

第1章 绪论

1.1 选题背景

1.2 选题意义

1.3 主要内容和研究思路

第2章 理论基础及国内外研究综述

2.1 零售业销售预测研究

2.2 零售业销售预测技术

2.3 预测精度指标

2.4 研究评述

2.5 本章小结

第3章 数据预处理与探索性分析

3.1 数据来源

3.2 数据探索和可视化分析

3.3 数据预处理

3.4 本章小结

第4章 预测模型与预测实验对比分析

4.1 预测模型

4.2 模型构建

4.3 实验设计与结果分析

4.4 本章小结

第5章 基于聚类算法的混合预测模型

5.1 混合模型概述

5.2 模型构建

5.3 实验设计和结果分析

5.4 本章小结

结论与展望

参考文献

附录

攻读学位期间发表的学术论文

致谢