■ 唐中君 王美月 周欣浩 杨崇耀

1.北京工业大学经济与管理学院北京现代制造业发展研究基地 北京 100124

2.中国中纺集团有限公司纺织服装事业部 北京 100005

0 引言

随着消费者对产品需求的不断变化和产品生产技术的快速发展，产品更新速度加快，生命周期缩短，短生命周期体验品在市场中占有越来越重要的地位。短生命周期产品具有生命周期短，需求影响因素多，缺少历史销售数据等特点。体验品的主要特点是，消费者的消费目的是体验产品而非长期使用产品，且消费者在进行消费前无法对产品质量进行评判。电影、游戏等属于典型的短生命周期体验品。这类产品的需求难以进行预测，有些此类产品会在短时间内达到理想的销售量，但也有些此类产品的销售量不理想，因此使用适当的方法对产品的需求量进行预测，对现实中企业的融资决策、利益最大化及短生命周期体验品的需求预测方法研究均具有重大意义。以往电影票房预测方法有多元回归分析[1,2]、以BASS 模型为代表的扩散方法[3-7]、和机器学习[8,9]共3类方法，其中机器学习的方法预测效果较好，但也存在问题。本文以机器学习算法BP_Adaboost算法为基础进行改进，使用改进后的算法进行短生命周期体验品的需求量预测，并与其他已有的预测算法进行对比。

BP_Adaboost算法是将集成算法Adaboost融入传统神经网络(BP)模型得到的改进算法，相比传统BP神经网络在绝对误差、相对误差以及均方根误差等方面均具有更优的预测效果。……