基于BP神经网络和KNN的店铺销售额预测研究

摘要

伴随着互联网时代的迅猛发展，越来越多的人选择网上购物，与传统的购物相比，人们足不出户就可以享受网购带来的方便与乐趣。大大节省了时间，提高了效益，与此同时也促进了网络店铺的不断发展。电商行业开始占据着市场，网店成为新的一种营业模式。为解决网络电商企业发展融资难的情况，合理的为中小企业放贷，这已成为一种商业共识。因此科学的预测其店铺销售状况，为网络店铺的经营者做合理的预算，具有现实的指导意义。
　　本文以某商城2016-2017年的若干网络店铺销售数据为支撑，保证实验结果的真实性和准确性。根据实际运用中，分析店铺销售的影响因素，针对已有的数据结果，运用BP神经网络、K近邻算法对店铺销售额预测做出分析对比，研究模型运用的准确性，最后两者模型结合对异常数据做出更加合理的预测。通过分析预测销售额和真实销售额之间的误差结果，表明BP神经网络和K近邻算法都有各自的优缺点，在此问题上研究两个模型预测有一定的对比效果，可以针对现实的情况而定来进行合理的预测。
　　在对店铺销售额预测问题上，选择若干店铺的每日订单量、评价、广告费用等纳入影响指标，对店铺销售额进行预测。在分析BP神经网络的基础上，使用前十天的数据训练，来预测后三天的销售额。确定神经网络输入层、隐含层、输出层节点分别为40、20、3，预测时间在5分钟左右。在KNN(K-Nearest Neighbor algorithm)预测模型中，根据已有的经验通过不断改变K值的大小，来降低误差，最终确定K值为3，预测时间在10分钟左右。在没有异常数据中BP神经网络预测精度较KNN好，有异常数据时，KNN表现的较BP神经网络好。通过两种模型预测结果分析对比，在处理异常的数据中使用KNN算法进行预先的处理，然后通过BP神经网络进行预测，最后在对两者预测的结果加权平均得到最终的结果，最终预测结果表明两种模型结合(文中简称BP-KNN)的算法在异常数据上有更好的预测效果。

目录

声明

摘要

1 绪论

1．1 选题背景与研究意义

1．1．1 选题的背景

1．1．2 研究的意义

1．2 预测问题研究的现状

1．3 网络市场的发展现状

1．4 本文的研究思路与内容

1．5 本章小结

2 经典预测算法理论论述

2．1．3 灰色预测法

2．1．4 专家预测法

2．2 本章小结

3 预测模型简介

3．1 神经网络发展简介

3．2 BP神经网络

3．2．3 BP神经网络预测流程

3．2．4 BP神经网络相关函数

3．3 KNN方法预测

3．3．1 KNN理论介绍

3．3．2 KNN方法衡量指标

3．3．3 KNN距离准则定义

3．4 本章小结

4 预测模型实证分析

4．1 店铺销售预测的影响因素

4．1．1 影响因素概述

4．1．2 影响因素的确定

4．2 基于BP神经网络的的销售额预测

4．2．1 网络层数的确定

4．2．2 输入层数的确定

4．2．3 输出层的确定

4．2．4 隐含层节点的确定

4．2．5 传输函数的确定

4．2．6 训练方法及参数的介绍

4．2．7 数据的归一化处理

4．2．8 网络的训练与泛化

4．2．9 BP预测结果实现与分析

4．3 基于KNN的店铺销售额预测

4．3．1 KNN方法的实现流程

4．3．2 KNN方法预测数据处理

4．3．3 KNN方法样本数据的选择与定义

4．3．4 KNN方法的K值选取

4．3．5 KNN方法的数据训练

4．3．6 基于KNN方法的店铺销售额结果预测

4．4 基于BP-KNN的销售额预测

4．4．2 基于BP-KNN预测的数据处理

4．4．3 基于BP-KNN预测实现

4．5 预测结果分析对比

4．6 本章小结

5．1 结论

5．2 展望

参考文献

致谢

作者简介及读研期间主要科研成果