基于數(shù)據(jù)挖掘的服裝銷售預(yù)測(cè)

1、外文翻譯基于數(shù)據(jù)挖掘的服裝銷售預(yù)測(cè)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(xué)建模的女性服裝銷售預(yù)測(cè)目標(biāo)這項(xiàng)工作的目的是為了演示在服裝銷售預(yù)測(cè)中，類似人造的神經(jīng)網(wǎng)絡(luò)和模糊邏輯模型的一些簡(jiǎn)單計(jì)算方法。1、摘要銷售預(yù)測(cè)是服裝供應(yīng)鏈鎖管理中的主要部分，并且對(duì)于收益性來(lái)說(shuō)非常重要。服裝管理者需要一個(gè)精細(xì)的預(yù)測(cè)工具，像尺寸、價(jià)格、顏色、氣候數(shù)據(jù)、價(jià)格變動(dòng)、營(yíng)銷策略等外因和時(shí)間這樣的內(nèi)因都必須被考慮進(jìn)去。盡管用一貫的氣象學(xué)統(tǒng)計(jì)預(yù)報(bào)工具來(lái)建立模型是很常見的，但是它們本質(zhì)

3、上反應(yīng)出來(lái)的僅僅只是歷史數(shù)據(jù)和一個(gè)線性趨勢(shì)。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(jìn)去，并且允許從任意非線性近似函數(shù)得出直接的推導(dǎo)。在這個(gè)研究中，預(yù)測(cè)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(xué)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(guò)比較擬合優(yōu)度統(tǒng)計(jì)資料、R2中的一個(gè)來(lái)測(cè)試的，也包含不同形態(tài)服裝的實(shí)際銷售和預(yù)測(cè)銷售的比較。五個(gè)月的銷售數(shù)據(jù)（2001.8-12）當(dāng)做原始數(shù)據(jù)用于我們的模型，然后做出一個(gè)2002年一個(gè)月份的銷售預(yù)測(cè)。模型的效力是通過(guò)比較擬合優(yōu)度統(tǒng)計(jì)資料、R2中的一個(gè)來(lái)測(cè)試的，也包含實(shí)際銷售

4、和預(yù)測(cè)銷售的比較。一個(gè)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(xiàng)參數(shù)模式得來(lái)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(gè)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(shí)間和尺寸的基礎(chǔ)上，一個(gè)多變量模糊模型已經(jīng)建立起來(lái)。該模型正在被擴(kuò)展到包括其他變數(shù)如氣候、經(jīng)濟(jì)條件等,將用于建設(shè)一座綜合預(yù)測(cè)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(gè)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(gè)能被熟練用于簡(jiǎn)單算法的精煉的數(shù)字簡(jiǎn)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(huì)影響到兩種產(chǎn)品服裝銷售的變量：顏色、時(shí)間和尺寸，被拿出來(lái)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(gè)組預(yù)測(cè)銷售。分組后的數(shù)據(jù)格式樣本見表3。 日銷售量是通過(guò)組別的銷售估算出來(lái)的，利用以下兩種方法： a.分?jǐn)?shù)貢獻(xiàn)法 b.溫特斯三參數(shù)模型 預(yù)測(cè)后的日銷售量再通過(guò)統(tǒng)計(jì)擬合優(yōu)度、R2來(lái)與實(shí)際銷售量做比較。6、模糊邏輯模型 模糊邏輯學(xué)允許算法的形成里有人類決策和評(píng)估的陳述，它是人類邏輯的數(shù)學(xué)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(xué)。（馮 阿爾特洛克，199

6、5） 模糊集合：是一個(gè)在0, 1區(qū)間上的分等級(jí)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(yǔ)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(kù)制定，在此基礎(chǔ)上，言語(yǔ)輸出變量的價(jià)值也就確定了。模糊推論由兩個(gè)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(yǔ)言值（s）轉(zhuǎn)換成一個(gè)真實(shí)的輸出值。這可以通過(guò)處理基值來(lái)完成，新結(jié)果要在平衡所有結(jié)果后找出來(lái)。 模糊邏輯模型應(yīng)用于分組數(shù)據(jù)模型，銷售價(jià)值計(jì)算每個(gè)尺寸類的組合。這整段時(shí)間的總銷售額是通過(guò)總結(jié)所有分組項(xiàng)目的銷售額來(lái)計(jì)算的。 n趨向于一系列

7、尺寸顏色組合的點(diǎn)。 為了計(jì)算日常銷售，要用到兩種不同的方法：6.1 分?jǐn)?shù)貢獻(xiàn)法根據(jù)觀察，每個(gè)工作日的分?jǐn)?shù)貢獻(xiàn)對(duì)于整個(gè)周銷售來(lái)說(shuō)是恒定不變的。表格4和圖形2描述了一個(gè)工作日對(duì)于周銷售的分?jǐn)?shù)貢獻(xiàn)，從預(yù)測(cè)的周銷售能預(yù)測(cè)日常銷售。 利用以上數(shù)據(jù)，我們可以按照如下過(guò)程來(lái)估算日常銷售： 日常銷售=分?jǐn)?shù)（%）*總銷售表格5給出了模型的R2值和2002年10月實(shí)際日銷售與預(yù)測(cè)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(shí)際銷售與預(yù)測(cè)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(shí)期末的一系列平滑非季節(jié)性標(biāo)準(zhǔn) Bt t時(shí)期內(nèi)的平滑走向 m Y

8、t+m的預(yù)測(cè)長(zhǎng)度范圍 It-L+m t+m時(shí)段的光滑季節(jié)性指數(shù) 即，實(shí)際級(jí)數(shù)值Yt+m等于一個(gè)平滑的標(biāo)準(zhǔn)值St加上一個(gè)趨勢(shì)估計(jì)bt再乘以一個(gè)季節(jié)指數(shù)It-L+m。這三個(gè)需求變量都是在時(shí)間段t最后有效的指數(shù)形式光滑值。用來(lái)估計(jì)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(shí)間末的實(shí)際需求值 St的光滑常量 St 季節(jié)性調(diào)整后的時(shí)間末光滑值 用于計(jì)算趨勢(shì)bt的光滑常量 It-L L時(shí)段前的光

9、滑季節(jié)指數(shù) L 季節(jié)周期長(zhǎng)度（如5個(gè)月） 光滑常量，用來(lái)計(jì)算周期t內(nèi)的季節(jié)指數(shù) It 時(shí)段t末的光滑季節(jié)指數(shù) m Yt+m的預(yù)測(cè)范圍長(zhǎng)度 等式4是用來(lái)計(jì)算級(jí)數(shù)的總體值的，等式5中的St是調(diào)整后的趨勢(shì)，用來(lái)延長(zhǎng)時(shí)段t末的銷售。在等式7中St是用來(lái)進(jìn)行預(yù)測(cè)的。等式5通過(guò)使St和St-1的不同光滑值的變光滑來(lái)估算趨勢(shì)。這樣就估算了級(jí)數(shù)Yt的周期到周期的變化趨勢(shì)。等式6闡述了光滑季節(jié)指數(shù)的計(jì)算。這個(gè)季節(jié)性的因素用來(lái)估算下一個(gè)周期的預(yù)測(cè)，它常常用于一個(gè)或者多個(gè)向前的季節(jié)循環(huán)預(yù)測(cè)值。 ，和這三個(gè)值是根據(jù)標(biāo)準(zhǔn)挑選出來(lái)用作最小化均方誤差的。利用一個(gè)根據(jù)五個(gè)月的銷售數(shù)據(jù)建立的預(yù)測(cè)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(shí)際銷售值與預(yù)測(cè)銷售值。7、神經(jīng)網(wǎng)絡(luò)模型 一個(gè)神經(jīng)網(wǎng)絡(luò)，一個(gè)信息自動(dòng)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(gè)預(yù)測(cè)工具，因?yàn)樗軌蜃R(shí)別非線性關(guān)系，這在實(shí)現(xiàn)銷售預(yù)測(cè)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(gè)簡(jiǎn)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(gè)神經(jīng)原的輸出層，30個(gè)神經(jīng)原的隱藏層和1個(gè)神經(jīng)原的輸出層來(lái)實(shí)施。用到了不少于十個(gè)月的分組化銷售數(shù)據(jù)，其中前32行用作訓(xùn)練集，接下來(lái)的34行用于測(cè)試集，最后234行用于生產(chǎn)集。7.1 分?jǐn)?shù)貢獻(xiàn)法 基于模糊邏輯學(xué)的分?jǐn)?shù)貢獻(xiàn)法用來(lái)實(shí)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(shí)際日銷售和預(yù)測(cè)日銷售之間的相關(guān)系數(shù)。圖表6給出了實(shí)際銷售值和預(yù)測(cè)銷售值。 7.2 溫特斯三參數(shù)模型 基于模糊邏輯學(xué)的溫特斯三參數(shù)模型可以用來(lái)實(shí)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(shí)際日銷售和預(yù)測(cè)日銷售之間的相關(guān)系數(shù)。圖表7給出了實(shí)際銷售值和預(yù)測(cè)銷售值。 8、單變量預(yù)測(cè)模型 預(yù)測(cè)模型以單變量分析為基礎(chǔ)，且運(yùn)用到傳統(tǒng)的統(tǒng)計(jì)學(xué)模型和非傳統(tǒng)的例如人工神經(jīng)網(wǎng)絡(luò)的微計(jì)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(gè)模型都不能精準(zhǔn)的進(jìn)行預(yù)測(cè)，因?yàn)樗鼈兪怯靡粋€(gè)單一變量時(shí)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(shí)際銷售和預(yù)測(cè)銷售。 10、模型比較 11、總結(jié) 經(jīng)過(guò)我們的結(jié)果證明，多變量的模糊邏輯模型能夠成為一個(gè)有效的銷售預(yù)測(cè)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(shí)別輸入的數(shù)據(jù)間的非線性關(guān)系的能力。然而，這個(gè)相關(guān)系數(shù)用于短期預(yù)測(cè)效果較好，不適合于長(zhǎng)期預(yù)測(cè)。無(wú)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(gè)更加綜合的模型，可以通過(guò)考慮其他因素來(lái)完成，如：天氣，折扣，營(yíng)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(cè)系統(tǒng)現(xiàn)代紡織物流應(yīng)用摘要 為了降低他們的庫(kù)存量和限制庫(kù)存中斷，紡織公司需要一個(gè)特質(zhì)而且精確的銷售預(yù)測(cè)系統(tǒng)。尤其是，紡織分配牽涉到不同交付期的預(yù)測(cè):中期（一年）和短期（平均為一周）。這篇論文提出兩個(gè)新補(bǔ)充出來(lái)的預(yù)測(cè)模型，適用于紡織市場(chǎng)的需求。第一個(gè)模型（AHFCCX）允許通過(guò)模糊技術(shù)量化解釋變量的影響來(lái)獲得中期預(yù)測(cè)。第二個(gè)模型AMANFIS),基于神經(jīng)模糊方法,通過(guò)加載真實(shí)銷售來(lái)調(diào)整中期預(yù)測(cè)模型，再執(zhí)行短期預(yù)測(cè)。為確保預(yù)測(cè)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(shí)商品銷售系列進(jìn)行了比較。1、引言 為了建立生產(chǎn)

14、和處理產(chǎn)品時(shí)需要的所有運(yùn)籌程序，紡織品經(jīng)營(yíng)者們必須使用預(yù)測(cè)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(cè)的準(zhǔn)確性。 紡織工業(yè)的銷售預(yù)測(cè)是非常復(fù)雜的。確實(shí)，一個(gè)大范圍的紡織項(xiàng)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(gè)周期，2年以52周算）并且會(huì)被很多既不能嚴(yán)格控制也不能鑒定的因素?cái)_亂。這些因素可能取決于物料項(xiàng)目（顏色，價(jià)格），經(jīng)銷商（店員，推銷），客戶（時(shí)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(duì)銷售有不同的影響。 不同階段紡織項(xiàng)目發(fā)展的持續(xù)意味著預(yù)測(cè)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(lái)制造，特別是在早期從遙遠(yuǎn)的國(guó)家進(jìn)口物品的情況下。 根據(jù)當(dāng)?shù)刂瞥善返闹匦逻M(jìn)貨來(lái)看，這對(duì)于在預(yù)期使用期限內(nèi)的紡織品的預(yù)測(cè)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(cè)。 一些預(yù)測(cè)模型已經(jīng)被熟練的運(yùn)用于不同的應(yīng)用程序中。包括復(fù)原模型，時(shí)間序列模型，神經(jīng)網(wǎng)絡(luò)或者模糊系統(tǒng)。一般來(lái)說(shuō)，這些模型提供的是不同的結(jié)果。事實(shí)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(cè)目標(biāo)、用戶體驗(yàn)和預(yù)測(cè)范圍。當(dāng)使用不完善的、被解釋變量嚴(yán)重?cái)_亂的歷史數(shù)據(jù)時(shí)，傳統(tǒng)的模型通常是不適合的。