基于組合模型的商品訂單預測研究

(北京物資學院 北京 010000)

一、引言

隨著電商行業的快速發展，電商在運營管理上面臨越來越多的問題，其中重點突出的問題是商品訂單量的庫存計劃不到位，商品短缺和庫存積壓制問題并存，導致資金短缺倉庫利用率低，嚴重制約了電商公司長久發展。傳統的訂單預測分析通常采用時間序列、季節性預測等方法，這種方法使用的數據量小，比較適合傳統銷售模式下的訂單預測問題。針對電商訂單的海量數據特點，使用傳統的預測模型已不能滿足要求。近幾年，機器學習逐漸興起，被廣泛地應用到預測領域，如機場能見度預測[1]、金融風險預測[2]等。本文考慮到訂單量數據線性與非線性的特點，把傳統的預測方法與機器學習的方法結合建立組合模型，實現對商品訂單的預測分析。

二、組合預測模型原理

在組合模型的研究上，丁宏飛[3]提出多模型融合預測算法對快速路行程時間進行預測，楊波、吳涵[4]建立趨勢曲線預測模型、回歸預測模型及灰色預測模型的物流需求單項預測模型，建立了組合預測模型，并以重慶空港物流園為例進行應用。綜上所述，組合預測模型在一定程度上可以有效地提高預測精度。本文采用的組合模型思路是將一系列不同模型的預測結果通過某種規則匯集到一起，從而得到更好的預測結果。這種組合的關鍵在于模型的多樣性，如果各個模型的偏差在不同方向上，那這些偏差就會彼此抵消，組合結果會更加穩定、更加準確?？紤]到電商商品訂單數據的線性和非線性因素，本中選擇了選擇BP神經網絡、XGBoost模型和ARIMA時間序列組成組合預測模型，每個模型的權重通過將Shapley值法[5]確定。

綜上所述，組合預測模型原理如圖1所示：

圖1 組合預測模型原理圖

三、實驗與分析

(一)實驗數據

實驗使用的數據為亞馬遜店家后臺下載的某商品2018年5月-12月以周為單位的共30條數據，共240個數據。該數據共包含了7個解釋變量，分別為登陸次數、登陸人數、成交筆數、收藏人次、瀏覽次數、流量和成交金額。在實驗中，本文假設在預測第t天的訂單量時，第t天之前的數據已知。數據集的劃分為前28周的數據為訓練集，后2周的數據為預測集。

(二)ARIMA模型預測

ARIMA模型建立需要通過：數據平穩性判別、非平穩序列差分處理、模型識別與定階、選定模型擬合、檢驗模型的預測準確性和使用模型進行預測等步驟。對比出最優模型為ARIMA(4，1，0)。

(三)BP神經網絡預測

數據集中前28周數據用于模型訓練和建立，通過該數據對模型進行交叉驗證并確定最優模型。用訓練好的模型對后兩周的訂單進行預測。參數設置如表1：

表1 BP神經網絡參數設置

(四)XGBoost模型預測

模型的建立主要為調參，通過大量實驗，選出模型的最優參數。參數設置如表2：

表2 XGBoost參數設置

(五)組合模型預測

在訓練集上使用這三種模型進行訓練，得到訓練集上的擬合值，計算擬合值與實際值之間的平均相對偏差值(MRD)，其中ARIMA的MRD%為14.66，BP神經網絡的MRD%為10.09，XGBoost的MRD%為5.29。經過計算，組合模型總平均相對偏差MRD%為10.01。根據Shapley值的概念，參與組合預測模型總誤差分攤的“合作關系”的成員為N={1，2，3}，它的所有子集的集合的平均相對偏差值分別為E{1}、E{2}、E{3}、E{1，2}、E{2，3}、E{1，3}、E{1，2，3}，其數值的大小為該子集所包括向量的均值大小如表3所示。

表3 子集誤差值

按照公式的Shapley值的計算方法，求出各成員的Shapley值為E1=6.82、E2=3.40、E3=-0.20。根據權重公式(公式1)

(公式1)

計算各單一預測方法在組合模型中的最終權重為：W1=0.16、W2=0.33、W3=0.51.

故最終組合預測模型為公式2：

Y=0.16Y1+0.33Y2+0.51Y3

(公式2)

四、預測結果分析

根據上文的單一模型和組合模型對未來兩周的訂單進行預測，計算各模型在每周的平均相對偏差和偏差均值，統計結果如表4所示：

表4 各模型的預測結果及相對偏差統計表

由上表可以看出，在預測結果上組合模型的預測效果最好，平均相對偏差僅為2.49%，但也出現了很大的波動，即第一期預測很好，但第二期效果較差。BP神經網絡表現較為穩定，但效果沒有組合模型顯著。組合模型相比于單一模型有明顯提高。各模型MRD波動情況如圖2所示，ARIMA模型的誤差波動最激烈，預測表現最差；BP神經網絡表現較好，除了幾個異常點外，誤差基本維持在10%以內；XGBoost模型沒有明顯波動，在預測后期相比預測前期表現略差；組合模型中有幾個最小誤差也出現在該模型中，說明組合模型能夠很好的修正單一模型的波動，使誤差波動更穩定。

圖2 平均相對偏差MRD波動圖

五、結論

針對電商商品訂單的線性與非線性特征，本文選擇了在線性數據上有優勢的ARIMA模型和適用于非線性數據的BP神經網絡和XGBoost模型建立組合模型。預測結果表明，相比于單一模型，組合模型能夠很好的修正單一模型的波動，使誤差波動更穩定，在預測準確率上有更好的表現。