戎荷婷 姚 兰 杨佳云 高福祥

(东北大学计算机科学与技术学院 辽宁 沈阳 110819)

0 引 言

随着计算机技术不断革新，工业供应链中的产品销售相关数据可以被采集、存储，并且正在以前所未有的速度增长。大数据实时分析推动学术界和业界不断深入研究与探讨更有效的分析工具与方法。针对大数据的数据结构及人工智能分析系统受到越来越多研究者的关注，其中人工智能延伸出来的机器学习理论，是从样本中寻找规律对未来样本或无法观测的数据进行预测输出的一种理论方法，其将非结构化数据或半结构化数据变换成结构化数据，并进行建模分析，由此成为当前研究热点。

现有的工业供应链销售系统中的成交预测方法大都是通过定性的方法进行销售预测，这些方法大都理论性强、可操作性弱，预测结果往往达不到客户与企业的心理预期。以机电产品销售系统为例，其销售数据往往存在数据量大、特征值较多、数据不整齐等特征，无法明确哪些特征值对预测结果有较大参考价值。对此，传统方法采用定性的销售预测分析，不仅对人力财力物力消耗大、要求高，而且难以将市场、不同用户群体等因素全面考虑进去，从而导致预测结果误差较大。

因此，本文提出了一种基于高斯混合模型(GMM)的工业供应链销售预测方法。通过处理销售系统中历史业务数据，分析客户消费习惯和消费能力，在此基础上，用GMM对销售数据集进行预测训练，评估不同特征值和聚类簇数下的模型性能，生成较为成熟的模型，最终实现销售预测。……