基于數(shù)據(jù)挖掘的服裝銷售預(yù)測

1、外文翻譯基于數(shù)據(jù)挖掘的服裝銷售預(yù)測原文出處：1. celia frank,balaji vemulapalli,les m.sztandera,amar raheja.forecasting womens apparel sales using mathematical modelingj.national textile center annual report,2003,11:110. 2. sebastien thomassey,michel happiette,jean marie castelain.a short and mean-term automatic forecastin

2、g system-application to textile logisticsj.european journal of operational research,2005,161 :275284.譯文1：基于數(shù)學建模的女性服裝銷售預(yù)測目標這項工作的目的是為了演示在服裝銷售預(yù)測中，類似人造的神經(jīng)網(wǎng)絡(luò)和模糊邏輯模型的一些簡單計算方法。1、摘要銷售預(yù)測是服裝供應(yīng)鏈鎖管理中的主要部分，并且對于收益性來說非常重要。服裝管理者需要一個精細的預(yù)測工具，像尺寸、價格、顏色、氣候數(shù)據(jù)、價格變動、營銷策略等外因和時間這樣的內(nèi)因都必須被考慮進去。盡管用一貫的氣象學統(tǒng)計預(yù)報工具來建立模型是很常見的，但是它們本質(zhì)

3、上反應(yīng)出來的僅僅只是歷史數(shù)據(jù)和一個線性趨勢。非常規(guī)的人工智能工具例如模糊邏輯和人工神經(jīng)網(wǎng)絡(luò)，可以有效地將銷售模型的外因和內(nèi)因考慮進去，并且允許從任意非線性近似函數(shù)得出直接的推導。在這個研究中，預(yù)測模型是建立在單變量分析和多變量分析的基礎(chǔ)上的。建立在多元模糊邏輯分析學上的模型比那些建立在其他基礎(chǔ)上的模型要好得多。模型的效力是通過比較擬合優(yōu)度統(tǒng)計資料、r2中的一個來測試的，也包含不同形態(tài)服裝的實際銷售和預(yù)測銷售的比較。五個月的銷售數(shù)據(jù)（2001.8-12）當做原始數(shù)據(jù)用于我們的模型，然后做出一個2002年一個月份的銷售預(yù)測。模型的效力是通過比較擬合優(yōu)度統(tǒng)計資料、r2中的一個來測試的，也包含實際銷售

4、和預(yù)測銷售的比較。一個0.93的r2由多變量分析獲得（0.75是單變量分析），這明顯比由單季性的指數(shù)平滑獲得的0.90和冬季的三項參數(shù)模式得來的0.75要高得多。另一種模型，基于人工神經(jīng)網(wǎng)絡(luò)模型的方法，給r2一個0.82的多變量分析平均值和0.92的單變量分析平均值。2、最近的研究在重要的產(chǎn)品變量如顏色、時間和尺寸的基礎(chǔ)上，一個多變量模糊模型已經(jīng)建立起來。該模型正在被擴展到包括其他變數(shù)如氣候、經(jīng)濟條件等,將用于建設(shè)一座綜合預(yù)測軟件。3、數(shù)據(jù)搜集由于我們目前的研究是基于多變量分析方法,包含多個自變量的銷售數(shù)據(jù)被用于多變量模糊邏輯與神經(jīng)網(wǎng)絡(luò)模型。銷售數(shù)據(jù)格式樣本見表1。4、資料轉(zhuǎn)換為了建立模型，一

5、個能被熟練用于簡單算法的精煉的數(shù)字簡化形式是必須的。轉(zhuǎn)換后的數(shù)據(jù)格式見表2。5、方法 會影響到兩種產(chǎn)品服裝銷售的變量：顏色、時間和尺寸，被拿出來做模型。轉(zhuǎn)換后的數(shù)據(jù)根據(jù)不同的尺寸分類組合，提煉，然后利用人工神經(jīng)網(wǎng)絡(luò)和模糊邏輯模型為每個組預(yù)測銷售。分組后的數(shù)據(jù)格式樣本見表3。 日銷售量是通過組別的銷售估算出來的，利用以下兩種方法： a.分數(shù)貢獻法 b.溫特斯三參數(shù)模型 預(yù)測后的日銷售量再通過統(tǒng)計擬合優(yōu)度、r2來與實際銷售量做比較。6、模糊邏輯模型 模糊邏輯學允許算法的形成里有人類決策和評估的陳述，它是人類邏輯的數(shù)學表現(xiàn)形式。由從屬函數(shù)規(guī)定的模糊集合的使用構(gòu)成了模糊邏輯學。（馮 阿爾特洛克，199

6、5） 模糊集合：是一個在0, 1區(qū)間上的分等級的組。 從屬函數(shù)：是變量屬于模糊集合的函數(shù)。 銷售模糊邏輯控制器的組成： 模糊性：語言上被定義為所有的輸入變量（顏色和尺寸） 模糊推論：規(guī)章由數(shù)據(jù)庫制定，在此基礎(chǔ)上，言語輸出變量的價值也就確定了。模糊推論由兩個部分組成： 集合體：規(guī)則的條件部分。 構(gòu)成：規(guī)則的then部分。 去模糊化：把由前階段獲得的輸出變量（銷售）的語言值（s）轉(zhuǎn)換成一個真實的輸出值。這可以通過處理基值來完成，新結(jié)果要在平衡所有結(jié)果后找出來。 模糊邏輯模型應(yīng)用于分組數(shù)據(jù)模型，銷售價值計算每個尺寸類的組合。這整段時間的總銷售額是通過總結(jié)所有分組項目的銷售額來計算的。 n趨向于一系列

7、尺寸顏色組合的點。 為了計算日常銷售，要用到兩種不同的方法：6.1 分數(shù)貢獻法根據(jù)觀察，每個工作日的分數(shù)貢獻對于整個周銷售來說是恒定不變的。表格4和圖形2描述了一個工作日對于周銷售的分數(shù)貢獻，從預(yù)測的周銷售能預(yù)測日常銷售。 利用以上數(shù)據(jù)，我們可以按照如下過程來估算日常銷售： 日常銷售=分數(shù)（%）*總銷售表格5給出了模型的r2值和2002年10月實際日銷售與預(yù)測日銷售之間的相關(guān)系數(shù)。圖表3體現(xiàn)了2002年10月的實際銷售與預(yù)測銷售。6.2 溫特斯三參數(shù)光滑模型 溫特斯光滑模型提出：yt+m=(st+bt)it-l+m 這里：st t時期末的一系列平滑非季節(jié)性標準 bt t時期內(nèi)的平滑走向 m y

8、t+m的預(yù)測長度范圍 it-l+m t+m時段的光滑季節(jié)性指數(shù) 即，實際級數(shù)值yt+m等于一個平滑的標準值st加上一個趨勢估計bt再乘以一個季節(jié)指數(shù)it-l+m。這三個需求變量都是在時間段t最后有效的指數(shù)形式光滑值。用來估計這些光滑值的等式有： st= (yt/it-l)+(1-)(st-1+bt-1) (4) bt=(st-st-1)+(1-)bt-1 (5) it= (yt/st)+(1-)it-l+m (6) yt+m=(st+btm)it-1+m (7)這里：yt t時間末的實際需求值 st的光滑常量 st 季節(jié)性調(diào)整后的時間末光滑值 用于計算趨勢bt的光滑常量 it-l l時段前的光

9、滑季節(jié)指數(shù) l 季節(jié)周期長度（如5個月） 光滑常量，用來計算周期t內(nèi)的季節(jié)指數(shù) it 時段t末的光滑季節(jié)指數(shù) m yt+m的預(yù)測范圍長度 等式4是用來計算級數(shù)的總體值的，等式5中的st是調(diào)整后的趨勢，用來延長時段t末的銷售。在等式7中st是用來進行預(yù)測的。等式5通過使st和st-1的不同光滑值的變光滑來估算趨勢。這樣就估算了級數(shù)yt的周期到周期的變化趨勢。等式6闡述了光滑季節(jié)指數(shù)的計算。這個季節(jié)性的因素用來估算下一個周期的預(yù)測，它常常用于一個或者多個向前的季節(jié)循環(huán)預(yù)測值。 ，和這三個值是根據(jù)標準挑選出來用作最小化均方誤差的。利用一個根據(jù)五個月的銷售數(shù)據(jù)建立的預(yù)測模型，完成了2002年10月的每

10、日銷售比例。見圖表4，它體現(xiàn)了2002年的實際銷售值與預(yù)測銷售值。7、神經(jīng)網(wǎng)絡(luò)模型 一個神經(jīng)網(wǎng)絡(luò)，一個信息自動處理中心，有著像人腦一樣的操作處理能力。神經(jīng)網(wǎng)絡(luò)可以成功的作為一個預(yù)測工具，因為它能夠識別非線性關(guān)系，這在實現(xiàn)銷售預(yù)測上尤為重要。在這次研究中，用到了具有反向傳播功能的正向傳播神經(jīng)網(wǎng)絡(luò)。圖表5為它的一個簡單結(jié)構(gòu)體系。 在我們的模型中，神經(jīng)網(wǎng)絡(luò)構(gòu)架由具有十個神經(jīng)原的輸出層，30個神經(jīng)原的隱藏層和1個神經(jīng)原的輸出層來實施。用到了不少于十個月的分組化銷售數(shù)據(jù)，其中前32行用作訓練集，接下來的34行用于測試集，最后234行用于生產(chǎn)集。7.1 分數(shù)貢獻法 基于模糊邏輯學的分數(shù)貢獻法用來實施神經(jīng)網(wǎng)

11、絡(luò)模型。 表格7給出了模型的r2值，和2002年10月實際日銷售和預(yù)測日銷售之間的相關(guān)系數(shù)。圖表6給出了實際銷售值和預(yù)測銷售值。 7.2 溫特斯三參數(shù)模型 基于模糊邏輯學的溫特斯三參數(shù)模型可以用來實現(xiàn)神經(jīng)網(wǎng)絡(luò)模型。 表格8給出了模型的，和r2值，以及實際日銷售和預(yù)測日銷售之間的相關(guān)系數(shù)。圖表7給出了實際銷售值和預(yù)測銷售值。 8、單變量預(yù)測模型 預(yù)測模型以單變量分析為基礎(chǔ)，且運用到傳統(tǒng)的統(tǒng)計學模型和非傳統(tǒng)的例如人工神經(jīng)網(wǎng)絡(luò)的微計算模型。在所有的模型中，人工神經(jīng)網(wǎng)絡(luò)是效果最好的，它本質(zhì)上是非線性的。然而，任何一個模型都不能精準的進行預(yù)測，因為它們是用一個單一變量時段建立的。圖表8,9,和10體現(xiàn)了

12、用單變量分析完成的幾種模型的實際銷售和預(yù)測銷售。 10、模型比較 11、總結(jié) 經(jīng)過我們的結(jié)果證明，多變量的模糊邏輯模型能夠成為一個有效的銷售預(yù)測工具。從中獲得的0.93的相關(guān)系數(shù)，比用神經(jīng)網(wǎng)絡(luò)模型獲得的0.82的相關(guān)系數(shù)要好得多。在神經(jīng)網(wǎng)絡(luò)模型下獲得的貧乏的相關(guān)系數(shù)可以歸結(jié)為銷售數(shù)據(jù)的雜亂。模糊模型效果最好歸功于它能識別輸入的數(shù)據(jù)間的非線性關(guān)系的能力。然而，這個相關(guān)系數(shù)用于短期預(yù)測效果較好，不適合于長期預(yù)測。無論如何，與那些基于單變量分析的模型相比，多元模糊邏輯模型是執(zhí)行力最優(yōu)的。這也證明了多變量分析比單變量分析更好。要建立一個更加綜合的模型，可以通過考慮其他因素來完成，如：天氣，折扣，營銷策

13、略等，這將成為我們提交這篇論文后的延伸工作。譯文2：短中期預(yù)測系統(tǒng)現(xiàn)代紡織物流應(yīng)用摘要 為了降低他們的庫存量和限制庫存中斷，紡織公司需要一個特質(zhì)而且精確的銷售預(yù)測系統(tǒng)。尤其是，紡織分配牽涉到不同交付期的預(yù)測:中期（一年）和短期（平均為一周）。這篇論文提出兩個新補充出來的預(yù)測模型，適用于紡織市場的需求。第一個模型（ahfccx）允許通過模糊技術(shù)量化解釋變量的影響來獲得中期預(yù)測。第二個模型amanfis),基于神經(jīng)模糊方法,通過加載真實銷售來調(diào)整中期預(yù)測模型，再執(zhí)行短期預(yù)測。為確保預(yù)測的精確度，我們將自己的經(jīng)典模型與一位重要成品經(jīng)銷商手下的322種真實商品銷售系列進行了比較。1、引言 為了建立生產(chǎn)

14、和處理產(chǎn)品時需要的所有運籌程序，紡織品經(jīng)營者們必須使用預(yù)測系統(tǒng)。供應(yīng)鏈效率的最優(yōu)化依賴于已銷售產(chǎn)品的預(yù)測的準確性。 紡織工業(yè)的銷售預(yù)測是非常復(fù)雜的。確實，一個大范圍的紡織項目參照存在（大約15000每年），他們的歷史銷售數(shù)據(jù)往往是很缺乏的（104個周期，2年以52周算）并且會被很多既不能嚴格控制也不能鑒定的因素擾亂。這些因素可能取決于物料項目（顏色，價格），經(jīng)銷商（店員，推銷），客戶（時尚）或者外在因素（天氣，節(jié)假日）。這些數(shù)據(jù)并不總是有用，而且對銷售有不同的影響。 不同階段紡織項目發(fā)展的持續(xù)意味著預(yù)測的需求，直到所有原材料都安排好的那一年。生產(chǎn)經(jīng)理也需要物品的數(shù)量來制造，特別是在早期從遙遠的國家進口物品的情況下。 根據(jù)當?shù)刂瞥善返闹匦逻M貨來看，這對于在預(yù)期使用期限內(nèi)的紡織品的預(yù)測也是必不可少的。因此紡織工業(yè)涉及到中期（一年）和短期（一周）的預(yù)測。 一些預(yù)測模型已經(jīng)被熟練的運用于不同的應(yīng)用程序中。包括復(fù)原模型，時間序列模型，神經(jīng)網(wǎng)絡(luò)或者模糊系統(tǒng)。一般來說，這些模型提供的是不同的結(jié)果。事實上，它們的性能本質(zhì)上取決于各自的應(yīng)用領(lǐng)域、預(yù)測目標、用戶體驗和預(yù)測范圍。當使用不完善的、被解釋變量嚴重擾亂的歷史數(shù)據(jù)時，傳統(tǒng)的模型通常是不適合的。