2023年1月Jan2023DigitalTechnology&Application第41卷第1期Vol.41No.1数字技术与应用110中图分类号:TP182文献标识码:A文章编号:1007-9416(2023)01-0110-04DOI:10.19695/j.cnki.cn12-1369.2023.01.34基于TCN的电商商品需求预测*郑李园1吴鑫1李君1茅智慧1陈炜伟21.浙江万里学院信息与智能工程学院;2.宁波市海曙区教育局教研室精确的商品需求预测可以有效减少缺货和降低库存积压,帮助企业制定合理的订货策略和库存决策。本文将深度学习模型时间卷积网络TCN引入到电商商品需求预测中,并与长短期记忆神经网络LSTM以及机器学习模型随机森林、CBRT、XGBoost进行对比实验,验证了TCN模型的预测精度最高,有助于TCN模型在商品需求预测中的推广应用。电商发展迅速,同时面临了诸多挑战,如何有效降低库存成本成为决策者的一大难题。如何利用数据挖掘技术实现精确的商品需求预测,成为电商平台降低库存成本,提高自身竞争力的有效手段。但由于电商商品类目繁多,种类庞大,每类商品的需求影响因素不同,而且受季节、节假日、促销活动等影响,使得精确预测电商商品需求量面临着巨大挑战。通过挖掘消费者行为数据,可以有效替代商品自身因素、季节以及节假日等因素对需求量的影响。学者们利用不同方法对商品需求量进行预测,Demiriz[1]利用线性回归模型对服装零售商品每周需求量进行预测研究。ZhangY[2]针对水产养殖产量和出口规模预测中存在的问题,提出了一套优化后的BP神经网络算法的产量预测模型,取得了不错的预测效果。李长春[3]对阿里平台的交易数据进行挖掘,用多元回归、随机森林、神经网络模型预测未来两周商品的需求量,实验结果表明随机森林在各项指标都显示出明显优势。深度学习做预测已在其他领域得到广泛应用[4-8]。近年来,有不少学者将深度学习应用到商品需求预测中。TaghizadehE[9]针对沃尔玛历史销售数据,采用人工神经网络(ANN)模型对极端天气敏感的零售商品未来需求量做预测,研究表明在加入了天气这一影响因素后,ANN比决策树效果更好。包吉祥等人[10]基于LSTM神经网络对某企业纸质类商品需求做预测,实验取得了较好的精度。王渊明[11]将长短期记忆神经网络(LSTM)优化为具有自适应训练能力的神经网络,对某知名电商食品零售商12种SKU的月销量做预测,实验结果表明与手工调整参数相比,该方法更有效。本文对大量买家与卖家的交易数据以及消费者行为数据进行分析,将深度学习模型时间卷积网络TCN引入到电商商品需求预测中,并与长短...