狼群算法在电子商务销售预测中的应用

2021-12-17周俊杜峰儿

电脑知识与技术 2021年33期

周俊杜峰儿

摘要：精准的电子商务预测能够在营销中赢取先机，优化战略，改进战术，从而获得领先的竞争性优势。由于主客观影响因素繁多、对预测精准度要求高、数据维度高且复杂，一般的电子商务销售预测要经过问题分析与抽象、数据预处理、建立预测模型、模型调优与结果分析的流程才能实现。传统BP神经网络销售预测模型具有预测过程耗时、收敛慢、通用性不高的缺点，该文采用狼群算法（wolf pack search algorithm，WPA）优化原有模型的初始权值和阈值，收敛快且不易陷入局部最優，有效提高了电子商务销售预测的实用性和准确度。

关键词：狼群算法;电子商务预测;预测模型

中图分类号：TP18 文献标识码：A

文章编号：1009-3044（2021）33-0130-02

开放科学（资源服务）标识码（OSID）：

1 背景

数字科技快速发展，电商平台异军突起，许多品牌和产品纷纷开拓线上业务，一时间电子商务销售覆盖了各行各业，如何提高电商毛利达到高收益低成本越来越受到重视。销售预测是通过对品牌电商数据的洞察，大量、多维度的运算，通过计算结果，提前布局，从营销手段、促销力度、活动类型等方面帮助品牌实现销售目标。由于电商平台销售情况复杂多变，受到多方因素制约，比如说顾客主观判断、季节性和假期性周期影响、国家补贴政策、商家活动促销、产业优化配置调整等等。电子商务产品要及时反馈不断适应市场变化需求，如何才能提前预判销售额，及时发现提升销量的诀窍，从而在营销中赢取先机，抢占更多市场份额，高效管理生产和库存以获得领先的竞争性优势，才是制胜的关键。因此，对电子商务销售预测的精准性显得至关重要。

国内外对销售预测模型分为三类：统计学法、数据挖掘法、混合模型法[1]。统计学方法使用方便、直观、快速，但是对线性问题的解决就很局限，很难准确预测不规则的数据或者高度变异的数据，适用范围有限。数据挖掘法在神经网络（BP）方面研究较多，计算便捷、计算速度快、稳定性强等优点，应用于销售预测领域较为广泛，面对不同类型的问题都得到不错的优化效果，使得神经网络能胜任相对复杂的问题[2]。对于非线性、季节性、周期性的问题有良好的适应性，可应用于短期或动态预测，但是预测过程耗时、通用性不高。因此，各种组合模型被学者们不断尝试，以优化预测结果。

2 电子商务销售预测作用、特点及流程

2.1 电子商务销售预测作用

可以对销售量和方案进行谋划，基于现有电子商务销售现状对于是否能够实现预期目标能够做到心中有数，对影响电子商务销售的细节能够被放大引起重视，对于如何调整优化下一步战略布局具有指导意义。参照电子商务销售预测结果，与实际销售挂钩，可以对利益最大化各环节进行反馈优化，例如消费者是否有需求、购买意愿是否强烈、购买能力有多大，公司物流库存是否充分、补给是否便捷、派送是否通畅，同类等价商品影响状况如何等。针对电子商务销售的重点环节进行精准布局，提前洞察，所谓知己知彼，百战不殆。销售的提前预测，就像在战役中提前知道了结果，优化战略，改进战术，最终让结果与目标一致，取得胜利。

2.2 电子商务销售预测特点

一般的电子商务销售预测很难同时达到精准度高、适用广、易解释这三方面的标准。一是主客观影响因素繁多。主观上受到线上店铺类型、规模、成本、销售策略，顾客偏好、价格敏感度、购买评价反馈等的影响，客观上受到季节性和假期性周期、国家补贴政策、同类商家活动促销、产业优化配置以及国际国内经济发展周期等因素制约。二是对预测精准度要求高。既然是基于预测结果来指导实际销售和企业的未来布局，那么预测结果就一定要精准，不然预测的意义就不大。与来自经验丰富从业者主观判断相比，电子商务销售预测一定要高于这个作用才有存在的价值。三是数据维度高、复杂。常见的销售预测都是基于现有的历史数据，数量庞大、类型繁多、形式杂乱、维度较高，既要考虑全面性，又要考虑重点影响因素突出，这对销售预测来说具有很大挑战性。

2.3 电子商务销售预测流程

首先，以电子商务销售预测的内容和方向为基点，对电子商务销售的目标、数据进行梳理分析，抽象化数据挖掘的某一类基本问题，是线性问题还是非线性问题，是一元分类还是多元分类。然后，电子商务销售原始历史数据存在数据噪声，特别是异常或者极端数据对预测结果影响较大，因此需要插值缺失数据、检测和消除数据异常值、规范数据类型、数据标准化和去标准化、数据降维等处理[3]。其次，建立销售预测模型，并对模型不断优化改进，以提高预测的精度。最后，对预测结果进行解读分析，发挥预测的最大功效。

3 电子商务预测模型分析

由于电子商务销售数量敏感店铺类型规模、顾客偏好与价格敏感度等主观因素和季节性和假期性周期、国家补贴政策、同类商家活动促销等客观因素，属于非线性问题且相对复杂，神经网络（BP）在销售预测领域应用较为广泛，对于非线性、季节性、周期性的问题有良好的适应性。传统的神经网络预测初始权值和阈值是随机的，预测过程耗时、收敛慢、通用性不高。狼群算法（wolf pack search algorithm，WPA）在群体智能算法中优势明显，收敛快且不易陷入局部最优，曹爽[4]采用WPA狼群算法优化BP神经网络的初始权值和阈值，有效弥补原有模型的不足，以提高售预测的实用性和准确度。

3.1 神经网络（BP）

神经网络通常会有三个部分，输入层由我们的特征数决定。而输出层由我们分类数量决定，如图x部分为输入层，y部分为输出层，而中间部分为隐藏层：

隐藏层通常会特别复杂，我们可以通过调节隐层的层数和节点数来调整模型的复杂度。x表示每个神经元的输入信号， w表示上一层神经元到下一层神经元的权重， b表示每个神经元输入信号的偏置值，有时又被称为偏置项或偏置单元， a表示每个神经元的输出信号。

3.2 WPA算法优化模型

WPA狼群算法优化BP神经网络的初始权值和阈值，如上图所示，具体步骤如下：

Step1：对狼群的空间坐标进行初始化[5]。在[D]维空间中存在[N]头狼的狼群，每头狼的位置属于随机分布，记为[Xi=（xi1，xi1，…xiD） i=1，2，…N]，第i匹狼的初始位置为：

[xid=xdmin+rand（0，1）（xdmax-xdmin） d=（1，2，…D）] （1）

其中，[xdmin]和[xdmax]代表在这第[d]维空间中的最近距离位置、最远距离位置。

Step2：依据目标函数值大小交互游走角逐出当前头狼。依据狼的习性，通过嗅觉识别气味浓度，从而判断距离猎物有多远，假设该人工狼群中有N匹探狼，它们在[D]维空间中交互游走搜索猎物，在各自周围搜寻出最优位置，第[i]匹狼搜寻游走了[h]个位置，那么第[j]位置在[d]维空间中用[yijd]标识为：

[yijd=yid+rand（-1，1）ad （j=1，2，…h）] （2）

其中[ad]代表[d]维空间的搜索步长，[yid]代表第[i]匹狼在[d]维空间的当前位置。第[i]匹狼不断游猎搜索，如果发现位置比当前好才移动，否则就保持原位置。当每匹探狼达到最远搜索步长或者游猎到最大搜索次数就停止，这个时候每匹探狼都处于自身能够达到的最佳位置，在所有的最佳位置中选择最优的，此时的最优位置上的狼更新为头狼。

Step3：头狼召唤，猛狼快速向头狼奔袭。如果猛狼听到头狼嚎叫召唤，就会立即奔向猎物，狼群在奔袭移动过程中位置随之变化，第[i]匹狼的最新位置标识为：

[zid=xid+（xId-xid）rand（-1，1）bd] （3）

其中，[xid]代表第[i]匹狼当前的位置，[xId]代表头狼当前的位置，[bd]代表交互召唤行为中的奔袭搜索步長。

Step4：对猎物（把头狼位置视为猎物）进行围捕。狼群追随者头狼的位置通过不断奔袭移动，迭代次数不断增加，距离猎物就越接近，围捕搜索步长越小，直到靠近头狼的猛狼将联合探狼发起攻击。[cd]代表[d]维空间的围捕搜索步长：

[cd=cdmin（xdmax-xdmin）exp（lncdmincdmaxkkmax）] （4）

[cdmax]、[cdmin]代表[d]维空间的围捕搜索步长的最大和最小值，[kmax]代表最大迭代次数，此时狼群奔袭移动发起攻击可标记为：

[xk+1id=xkid rand（0，1）≤θxId+rand（-1，1）cd rand（0，1）>θ，θ为设定的阈值] （5）

[xk+1id]代表第[i]匹狼经过[k+1]次迭代后的位置，[xkid]代表经过[k]次迭代后的位置，[xId]表示头狼当前在[d]维空间的位置， [cd]表示奔袭围捕猎行为中的搜索步长，迭代次数不断增加[cd]就会逐渐减少。

Step5：狼群不断更新实现优胜劣汰[5]。基于胜者为王的头狼角逐规则，论功行赏、先强后弱的猎物分配规则，优胜劣汰的狼群更新规则，实现对狼群的整体优化。

4 结束语

电子商务要想获得高效管理生产和库存以获得领先的竞争性优势，对电子商务销售预测的精准性显得至关重要，基于BP神经网络法，采用WPA狼群算法优化初始权值和阈值，能够得到很好的预测效果。

参考文献：