基于BP算法和LSTM算法的汽車銷售預(yù)測(cè)模型比較研究

李釗慧 張康林

摘 要：汽車銷售過程中存在新車與二手車銷售不平均、放款受季節(jié)影響等問題。而人工神經(jīng)網(wǎng)絡(luò)適用于處理不規(guī)則、非線性的汽車銷量數(shù)據(jù)，基于BP算法和LSTM算法建立15日的汽車銷售預(yù)測(cè)模型，比較二者的預(yù)測(cè)效果，可以幫助銷售商處理放款量及放款金額的不確定性問題。結(jié)果顯示，LSTM模型對(duì)于受季節(jié)因素影響的汽車銷售數(shù)據(jù)在銷售臺(tái)數(shù)和銷售金額趨勢(shì)預(yù)測(cè)方面更為有效合理，在模型預(yù)測(cè)的精度上比BP模型效果更優(yōu)，可為汽車行業(yè)的銷售預(yù)測(cè)提供參考。

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò);銷售預(yù)測(cè);BP算法;LSTM算法

中圖分類號(hào)：F724.7 ? ? ?文獻(xiàn)標(biāo)志碼：A ? ? ?文章編號(hào)：1673-291X（2020）20-0084-05

引言

隨著我國人們生活水平的提高，我國汽車銷售市場(chǎng)重心開始下沉，汽車行業(yè)痛點(diǎn)顯現(xiàn)。在此競(jìng)爭(zhēng)局面下，以經(jīng)銷商的銷售能力為中心解決強(qiáng)壓庫存的難題，以節(jié)約汽車相關(guān)企業(yè)的經(jīng)營成本和經(jīng)營風(fēng)險(xiǎn)為目標(biāo)顯得尤為重要。通過建立汽車銷售預(yù)測(cè)模型，合理規(guī)劃產(chǎn)能安排放款金額，免掉不必要的多余費(fèi)用，是降低經(jīng)營成本的重要舉措。

BP算法是人工神經(jīng)網(wǎng)絡(luò)中重要的一個(gè)算法，在解決非線性系統(tǒng)問題時(shí)優(yōu)勢(shì)明顯，不少學(xué)者通過進(jìn)行持續(xù)改進(jìn)[1-3]，在預(yù)測(cè)股價(jià)、電力、鋼鐵等方面應(yīng)用價(jià)值突出[4-6]。楊婷、楊根科、潘常春[7]（2009）利用BP神經(jīng)網(wǎng)絡(luò)定性分析每個(gè)因素的權(quán)重，建立了汽車故障率預(yù)測(cè)模型。羅戎蕾、劉紹華、蘇晨[8]（2014）將對(duì)服裝銷售影響因子分為季節(jié)、節(jié)假日和品類因素，建立3層BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)銷售預(yù)測(cè)網(wǎng)絡(luò)模型。王錦、趙德群[9]（2018）將BP神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合，發(fā)現(xiàn)可以更好地預(yù)測(cè)北京市某大型超市的大米日銷量。而LSTM算法是循環(huán)神經(jīng)網(wǎng)絡(luò)的一種變體，在深度學(xué)習(xí)后能更好地處理序列化數(shù)據(jù)，其在電力負(fù)荷、流量等預(yù)測(cè)具有良好的預(yù)測(cè)效果[10-13]。李鵬、何帥等[14]（2018）使用自適應(yīng)矩估計(jì)算法進(jìn)行深度學(xué)習(xí)發(fā)現(xiàn)LSTM算法在預(yù)測(cè)中精度較高。李珍珍、吳群[15]（2019）在Pytorch框架下搭建LSTM模型對(duì)上證、深證指數(shù)和國內(nèi)特定4支股票的最高價(jià)進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)在短時(shí)間內(nèi)股票預(yù)測(cè)結(jié)果與真實(shí)值接近程度高，長時(shí)間則出現(xiàn)相差較大的問題。宋剛、張?jiān)品濉紕缀颓爻琜16]（2019）通過自適應(yīng)學(xué)習(xí)策略的PSO優(yōu)化算法對(duì)LSTM模型的關(guān)鍵參數(shù)進(jìn)行尋優(yōu)，提高股票價(jià)格預(yù)測(cè)精度。因此，本文選擇使用BP神經(jīng)網(wǎng)絡(luò)和LSTM神經(jīng)網(wǎng)絡(luò)解決汽車銷售相關(guān)的預(yù)測(cè)問題。

一、BP算法和LSTM算法原理

（一）BP算法簡(jiǎn)介

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)由Rumelhart和McClelland等科學(xué)家[17]（1986）提出，用梯度下降法的基本理念和梯度搜索技術(shù)，目標(biāo)是求得網(wǎng)絡(luò)的實(shí)際輸出值和期望輸出值的誤差均方差為最小。BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層和輸出層三部分組成，結(jié)構(gòu)示意如圖1所示。

圖1中，Xi表示來自第i個(gè)神經(jīng)元的輸入，Wh表示從輸入層到隱藏層第i個(gè)神經(jīng)元的連接權(quán)重，ho表示偏置項(xiàng)，f（x）表示激活函數(shù)，O表示模型計(jì)算輸出值，y表示最終輸出值。本文選取的是Sigmoid+Adaline模型。

在上述模型的基礎(chǔ)上，又細(xì)分為4組。

由其特性，本文將收集到的汽車銷售數(shù)據(jù)分為15天為一周期，將對(duì)象分為二手車、新車，使得BP算法在應(yīng)用于解決本文中汽車銷售放款問題時(shí)可以一定程度上避免陷入局部極小值。

（二）LSTM算法簡(jiǎn)介

LSTM（Long Short Term Mermory network）神經(jīng)網(wǎng)絡(luò)在1997年由Sepp Hochreiter[19]等人提出，主要改良了循環(huán)神經(jīng)網(wǎng)絡(luò)在處理距離較遠(yuǎn)的序列時(shí)的梯度消失問題。LSTM實(shí)現(xiàn)了3個(gè)門計(jì)算，即遺忘門、輸入門和輸出門。？滓表示sigmoid激活函數(shù)，wf表示遺忘門的權(quán)重矩陣，wi表示輸入門的權(quán)重矩陣，w′c表示更新門的權(quán)重矩陣，wo表示輸出門的權(quán)重矩陣，bf表示遺忘門的偏置，bi表示輸入門的偏置，b′c表示更新門的偏置，bo表示輸出門的偏置，ht表示t時(shí)刻的輸出，C′t表示t時(shí)刻更新的細(xì)胞狀態(tài)。

二、某公司汽車銷售預(yù)測(cè)分析

（一）處理數(shù)據(jù)

1.日期整理

本文收集并整理了某公司汽車銷售數(shù)據(jù)，并非傳統(tǒng)連續(xù)型數(shù)據(jù)，時(shí)間范圍為2017年9月30日至2019年2月20日，共510個(gè)離散數(shù)據(jù)，補(bǔ)全缺失的數(shù)據(jù)。

2.數(shù)據(jù)分類

按照汽車類別分為兩類：①新車;②二手車。按照汽車銷售屬性分為兩類：①銷售臺(tái)數(shù);②銷售金額。做預(yù)測(cè)時(shí)分別預(yù)測(cè)臺(tái)數(shù)和金額，給公司的庫存系統(tǒng)和業(yè)務(wù)員的業(yè)績(jī)重點(diǎn)提供參考。為了避免陷入局部極小值和梯度消失等問題，將510天的數(shù)據(jù)每隔15天為一周期進(jìn)行合計(jì)，缺失值以0為記錄，構(gòu)建完整有效的數(shù)據(jù)集，預(yù)處理后得到：①15天新車臺(tái)數(shù);②15天新車銷售金額;③15天二手車臺(tái)數(shù);④15天二手車銷售金額。

（二）BP算法和LSTM算法參數(shù)設(shè)計(jì)

本文的硬件環(huán)境和軟件環(huán)境，具體如表1所示。

根據(jù)對(duì)數(shù)據(jù)的預(yù)處理分析，BP和LSTM訓(xùn)練模型的參數(shù)設(shè)置總結(jié)如表2所示。

本文選取均方誤差（MSE）以及決定系數(shù)（R2）作為兩個(gè)模型預(yù)測(cè)精準(zhǔn)度的評(píng)價(jià)指標(biāo)[21，22]，其中，均方誤差是指參數(shù)估計(jì)值與參數(shù)真值之差平方的期望值，計(jì)算公式如（1）;決定系數(shù)也稱擬合優(yōu)度，計(jì)算公式如（2）。

（三）預(yù)測(cè)結(jié)果對(duì)比分析

某公司2017年9月30日至2019年2月20日的日銷售數(shù)據(jù)共計(jì)510條，分別對(duì)15天新車臺(tái)數(shù)、15天新車銷售金額、15天二手車臺(tái)數(shù)和15天二手車銷售金額共4類需要進(jìn)行預(yù)測(cè)的數(shù)據(jù)進(jìn)行預(yù)測(cè)。左圖為BP模型的預(yù)測(cè)結(jié)果，右圖為LSTM模型的預(yù)測(cè)結(jié)果，藍(lán)色表示真實(shí)數(shù)據(jù)，紅色表示預(yù)測(cè)數(shù)據(jù)。預(yù)測(cè)結(jié)果如下。