郭家鸣

摘要：本文基于对销售数据进行了特征分析，进而构建了组合预测模型对产品的流行趋势进行预测，并且将网络搜索数据作为销售数据的补充构建预测模型对互联网时尚产品流行趋势分别进行了在线和离线预测。产品能否流行受消费者心理需求的影响并反映在消费行为上从长期来看群体消费行为具有一定的规律性，而短期消费行为由于受 诸多不确定因素的影响则表现出极大的不稳定性，这给流行元素的短期预测带来了很大的困难。消费行为的不确定性反映在产品销售数据的变化方面是线性与非线性现象并存。本文面对这一数据特征分别采用ARIMA时间序列模型和ELM极限学习机模型分别对销售数据进行线性建模和非线性建模，然后采用加权投票 的方法进行集成，建立组合模型。

关键词：时间序列模型;特征分析;组合模型

引言

随着中国大陆城市化进程的日益加速，高楼大厦如雨后春笋般的建设，中国电梯行业也因房地产业的蓬勃发展得以快速崛起，然而发展带来的巨大压力也是无法避免的。企业产品交货期因客户繁杂的个性化需求日趋要求严格。企业的生产管理面临着巨大的挑战。基于销售预期的供应链订单预测是制造商和供应商的联系纽带，预测准确性高即可以帮助企业降低运作成本，同时还会提高企业客户满意度。企业生产计划的施行是在企业预测基础之上开展的，科学的生产计划有助于企业的良好效益。

根据公司供应链产品订单预测误差的问题，提出了用协同的整体观念来审视供需链环境下的订单预测的准确性，利用生产过程全局性和整体性的思想，确定供应链订单预测误差的目标值，企业的生产目标，协调企业各局部生产过程，从而达到企业总体最优目标，以获得全局的最优。

1 模型分析

本文关注的是基于生命周期测定的销售预测，所以搜索了国内外关于短生命周期产品的销售特点，与阶段划分等的研究文献，以及围绕短生命周期产品的销售预测方法领域做出归纳，同时也简单学习了解了服装补货策略的相关理论研究，希望能够基于现有的理论，对于服装零售企业的需求和订货管理的理论研究做出一定的补充及提供参考。

从一方面来看，产品的是否热销是消费者对该产品喜好最直观的反映。因此成交数据反映了产品的热销度。因此，可将时尚产品的成交数据作为时尚产品流行元素流行趋势预测的数据来源。从另一方面来看，网络搜索数据由于是消费者在网上搜索行为的反映，可以通过提前预知消费者对产品的搜索行为，进而获悉消费者对该产品的需求。因此，网络搜索数据也是时尚产品流行元素流行趋势预测的另一个重要的数据来源。接下来，将分别对基于销售数据的时尚产品预测模型的相关研究，搜索数据与社会经济行为的相关研究进行详细介绍。

2 模型建立

将预测变量的过去值、当前值和误差值进行综合考虑从而提高了模型的预测精度。该模型包括自回归（AR）模型，移动平均（MA）模型，自回归求积移动平均（ARIMA）模型三种。在 ARIMA 时间序列预测模型中，用序列的滞后项、随机干扰项的当期与滞后期的线性函数来表示未来值，该模型的一般形式如下式所示：

ARIMA 模型是经过 d 阶差分后的 ARMA 模型（p，d，q），这其中p是自回归模型的阶数，q 是移动平均的阶数，εt 是一个白噪声过程。

ARIMA 模型具有扎实的理论基础，在建模的时候可以将历史数据和序列自身具有的规律均考虑在内，对具有规律性特征的数据非常适合。

回归分析是用于分析两种或两种以上变量间相互依赖的定量关系的一种统计方法。在大量观测数据的基础上，通过建立自变量与因变量之间的函数关系式，确定回归方程以预测事物未来的发展趋势。

回归分析预测模型步骤：

（1）确定变量

通过明确预测的具体目标确定因变量;通过寻找与预测目标相关的影响因素并从中选出主要的影响因素确定自变量。

（2）进行相关分析

程度来进行的，这就需要求出变量之间的相关关系，进而通过相关系数的大小来判断变量之间的相关程度。因此，自变量与因变量之间是否存在某种关系，对回归方程具有重要意义

（3）建立预测

回归分析预测模型的建立是通过对自变量和因变量的历史数据进行计算，并进而建立回归分析方程。

（4）计算预测误差

不仅需要对回归方程进行检验，还需要将预测误差作为检验回归预测模型是否可用于实际预测的参数指标。只有当回归方程通过了检验，并且预测误差到达标准，才能选择将该回归方程作为预测模型。

（5）确定预测值

通过回归预测模型计算得到预测值，分析预测值后，得到最终的预测值。

3 模型求解

①相关分析与回归分析在实际应用中有密切关系。然而在回归分析中，所关心的是一个随机变量 Y 对另一个（或一组）随机变量X的依赖关系的函数形式。而在相关分析中 ，所讨论的变量的地位一样，分析侧重于随机变量之间的种种相关特征。例如，以X、Y分别记小学生的数学与语文成绩，感兴趣的是二者的关系如何，而不在于由X去预测Y。

②相關系数是按积差方法计算，同样以两变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间相关程度;着重研究线性的单相关系数。

③确定相关关系的数学表达式。

④确定因变量估计值误差的程度。

运用 SPSS软件编程得到的计算结果见图。

结论

对于新零售企业的精准需求预测采取时间序列的动态分析方法不具备有效性。原因 主要是需求预测中的隐性的因素不能通过时间函数反映出来。基于因果分析的数据模型， 可以良好地预测需求。使得需求预测误差落在预定的误差范围内。

预测分析的数据需要通过协同合作与供应商一起挖掘。预测模型也需要联系供应商的实际生产能力来设定目标误差。本文的不足之处是在多元回归分析过程中，一些通过专家筛选的相关因素都在回归过程中被剔除了，主要的原因是显著性很低。考虑到采用的是多元线性回归的方法，其中众多定性因素没有体现出来。今后可以尝试用多元非线性分析方法，引入与预测相关的定性因素。预期建立的模型能够更好地反映市场宏观方面对需求预测的影响。

参考文献

[1]阚毅. 迅达公司产品订单预测模型研究[D].哈尔滨理工大学，2015，05.

[2]郑爽. 互联网时尚产品流行趋势预测研究[D].大连理工大学，2015，06.

[3]李巍巍. 无偏灰色马尔科夫优化模型及其在商品销售预测中的应用[D].哈尔滨工业大学，2015，06.