基于ARIMA构建SWECPX模型解决电商需求预测问题

本文针对电商需求预测问题,基于促销节日因素S(Sale)和仓库因素C(Category),借助Matlab、Excel软件进行数据预处理,以ARIMA时间序列模型为核心,建立SWECPX(Sale Ware Effect Category Product X)模型,使用Matlab软件中的X-12-ARIMA选项等方法进行求解,实现了对商品需求量的准确预测,取得较好的1-wrmape指标测试效果。本文最大的创新点是提出了SWECPX模型,对影响商品需求量的要素S和C进行区分和求解,使对商品需求量预测更加精确,1-wrmape值较高。当每日的商品需求量处于较低水平时,预测效果的提升尤为显著,其预测值几乎与实际值相同。因此,我们期望SWECPX模型可以为电商仓储平台的决策提供切实的参考和借鉴。

基于考虑滞后性LSTM模型的电商需求预测

消费者网络购物浏览时间碎片化、对价格更敏感的特征带来滞后性消费。为了掌握顾客消费趋势,通过获取Q企业纸类商品的历史销售数据和消费者购买行为数据,分析消费者行为对销售数据的影响,并利用随机森林分别选取不考虑滞后性和考虑滞后性的特征因子;基于LSTM神经网络建立快消品的需求预测模型;根据Q企业纸类商品的数据进行预测及验证,结果表明考虑滞后性LSTM模型预测相对误差更小,预测精度更高。