袁 远，郭天添

（江苏科技大学 计算机学院，江苏 镇江 212100）

0 引言

随着人们消费水平的提高，服装行业的销售量呈爆炸式增长，这些数据中往往隐藏了大量有价值的客户信息。企业要想维系新老客户的关系，掌握客户需求，就要从这些数据中获取用户喜好，从而更有效地预测客户期望并及时作出反应。因此，从海量信息中获取有价值的数据并加以利用成为企业提高核心竞争力的必要手段之一［1］。

销售预测研究具有一定的商业应用价值和学术研究价值。销售预测不仅能帮助企业合理制定销售计划、去除库存，还能减少不必要的支出，提升利润空间。在为企业创造利润的同时，可避免大量不必要的资源浪费。因此，销售预测一直都是研究热点，很多学者对销售预测方法进行了研究，并提出一系列改进方法，以提高预测的准确性，如文献［2］通过时间序列模型ARMA 先进行月预测，然后通过PERT（计划评审技术）获得月预测的期望值，再对两者结果进行加权，得到最终预测结果；文献［3］通过使用鲁棒损失函数和小波核函数解决数据集呈正态高斯分布以及幅值波动较大的问题，以有效减少销售时序中的噪音和奇异点问题，并增强其鲁棒性；文献［4］通过对历史销售数据特征的观察，发现其包括线性和非线性两部分，结合AR⁃MA 模型预测数据集的线性部分和BP_AdaBoost 模型预测数据集的非线性部分，然后叠加两者预测结果作为新的预测值，可避免ARMA 模型预测精度低的问题，同时解决了神经网络模型导致局部极小值的问题。……