陈德洪　李长云

摘  要：为了获得精度更高的服装销量预测结果，提出一种基于LSTM神经网络的服装销量预测方法。LSTM神经网络具有较好的非线性和自适应特性，可以更好地挖掘时序数据中的时序特征和非线性特征，从而获得更加符合实际的预测结果值。使用某服装企业的服装销量时间序列数据集训练LSTM模型，设计与经典时间序列预测模型ARIMA的对比实验。实验结果表明，该模型能够有效提升服装销量预测任务的精度。

关键词：服装销量预测;LSTM;ARIMA

中图分类号：TP18                 文獻标识码：A文章编号：2096-4706（2021）20-0106-03

Short Term Clothing Sales Forecast Based on LSTM Neural Network

CHEN Dehong， LI Changyun

（School of Computer Science， Hunan University of Technology， Zhuzhou 412007， China）

Abstract： In order to obtain more accurate clothing sales forecast results， a clothing sales prediction method based on LSTM neural network is proposed. LSTM neural network has good nonlinear and adaptive characteristics. It can better mine the temporal and nonlinear characteristics in time series data， so as to obtain more realistic prediction results. Using the clothing sales time series data set of a clothing enterprise to train the LSTM model， a comparative experiment with the classical time series prediction model ARIMA is designed. The experimental results show that the model can effectively improve the accuracy of clothing sales forecast.

Keywords： clothing sales forecast; LSTM; ARIMA

0  引  言

服装销量对服装生产企业进行科学生产、减轻库存压力[1]等具有重要的指导意义。随着经济社会的快速发展，影响服装物料需求的因素呈现出明显的复杂性和多样性，主要包括流行趋势、经济发展水平、消费观念、季节、节假日等。从而导致对服装物料需求进行预测较为困难。如果能有一种对服装销量进行可靠预测的方法，将为企业减少货物积压，把握市场动向，提升企业利润等具有重要的意义。

进行预测研究，常用的时间序列预测方法主要分为两类，一类是时间序列统计模型，主要是把整个时间序列放入模型中进行训练，如AR、MA、ARIMA[2]、Prophet[3]等;另一类时间序列监督模型，需要把时间序列通过滚动的方式构建对应的X和Y，如CNN[4]、RNN[5]、LSTM[6]、Attention Model[7]、Transformer[8]等。在众多时序预测算法的应用中，LSTM神经网络被广泛应用在众多领域，高海翔等[6]使用LSTM神经网络模型对数据进行分量重构，有效提升了原油价格的预测精度。……