一、基于神经网络的短期销售预测（论文文献综述）
任娣声[1]（2021）在《基于深度学习的货架状态画像研究与实现》文中研究指明超市的出现极大地为消费者提供了便利,但当前超市的很多工作需要人工来完成,使得超市管理既耗时、耗财又低效、易错。如何高效地管理超市是当前的研究热点,而超市管理实质是依据货架状态提出行之有效的营销策略。论文研究了货架商品当前、未来状态以及货架当前状态,如是否需要补货,以便管理者对售罄的货架商品及时补货、对畅销商品充分备货、淘汰滞销商品。以下是论文的主要研究工作:（1）论文分析了国内外的目标检测研究现状并对比了不同的目标检测算法的特点。根据超市货架商品“体积小,排列密集”等特点,选择了基于深度学习的且适合小物体识别的Mask R-CNN算法来识别货架上的商品类别。针对该算法准确度高,但是检测速率低的问题,论文分析该算法原理后提出了改进算法,即利用多种固定大小的窗口来分割特征图的思想来替换该算法中的RPN滑动窗口原理。论文利用改进算法构建了货架商品检测模型,并把经过清洗和预处理后的真实场景下的货架商品图片作为货架商品检测模型的数据集。通过模型测试验证了提出的方法对提升商品目标检测速度的有效性。（2）论文分析了商品销量预测的研究现状,并对比分析了几种常见的商品销售预测方法,分析出在选择预测方法时要考虑所研究商品的特点,以及历史数据的特点等因素。由于实验中的货架商品受季节、节假日等因素影响不大,选择了 BP神经网络进行销售预测。为提高预测精度,论文最终在常规BP神经网络的基础上,增加了两层隐含层来构建商品销售预测模型。论文对货架商品以往的销售记录进行清洗和处理后,通过销售预测模型很好实现商品未来一周的销售预测,并分析出货架商品的库存量、是否畅销等货架状态。（3）论文将商品检测模型与销售预测模型结合成一个货架状态画像模型。为方便管理员直观查看货架状态,论文结合了 PyQt5与Qt Designer工具设计了一个简单、易用的系统供管理员操作。超市管理员仅需选择一张含有商品的货架图片后,该系统立即将货架状态画像即货架当前状态、货架商品当前及未来状态直观呈现。通过货架状态画像系统便于查看货架的商品种类、销售情况以及商品未来的销售趋势等状态,能够为超市售罄补货、制定决策提供有力依据,从而促进超市可持续发展。
聂晓洁[2]（2021）在《A公司卷烟销售预测与库存控制策略研究》文中研究说明中国作为世界第一人口大国,也是世界上最大的卷烟生产国与消费国,生产并消费了全球约1/3的卷烟,拥有大约3.2亿的烟民,占到世界吸烟总人数的1/4,烟草还是国家和地方财税的重要经济来源。而由于国家控烟措施的实施和人们健康生活意识的提高,烟草产量延续下降态势。据相关数据统计:自2015年起我国卷烟产量开始下滑,截止2019年中国烟草产量215万吨,比2015年产量下降53万吨。虽然由于税价同增,烟草行业利税规模仍保持增长态势,但烟草需求的降低,势必对烟草行业盈利产生一定影响。本文以A公司为案例进行研究,根据实际调研了解到物流中心卷烟库存分类不合理,采购订货策略单一的情况,提出了针对卷烟销售预测情况进行卷烟库存分类和订货策略的改进策略。（1）本文将使用基于XGBoost和LSTM的加权组合模型对烟草行业的销量进行预测。节假日对烟草销量的影响作用明显,烟草的销售量存在季节性的变化,具有非线性的特征。利用LSTM对序列非线性部分的出色拟合性能以及XGBoost算法高精度的预测能力,对三算法进行加权组合进行预测,以加权处理来减小误差累计对预测结果精度的影响。（2）对烟草行业零售终端销售量预测值、销售价格、提前期以及库存周转率进行分析,应用K-means聚类算法对烟草品种进行聚类分析。通过簇内离差平方和拐点法与轮廓系数法联合确定烟草的分类个数,并得到最终分类结果。（3）本文将针对前期销售预测的情况和烟草品种分类的结果分析各类烟草的特性,并制定出不同的库存控制策略,对不同品种的烟草采取不同的订货模式,并分析其可行性。针对销售情况平稳的卷烟,引用（R,Q）或（t,R,S）等库存控制策略;而面对销售情况非平稳的卷烟,引进基于存销比库存控制策略。通过不同的库存控制策略实现对卷烟库存的良好管理。烟草行业库存管理是烟草商业企业运营管理的重点环节。本文对A公司卷烟物流中心的卷烟销售量进行预测,并进行卷烟聚类,提出相应的订货策略。烟草企业若实现有效地进行库存控制,可以采取依据“出”确定“进”的订货方式来实现卷烟库存有效管理。
张鹤[3]（2021）在《基于集成学习的蔬菜销售预测 ——以昆明某超市为例》文中进行了进一步梳理随着人工智能时代的到来,企业面临着各种成本的挑战,虽然餐饮行业的现代化管理已经日趋成熟,但也由于大量的菜品积压,导致菜品腐烂浪费,从而降低利润,或者菜品供应不足,无法满足消费者需求,从而导致营业额下降,顾客满意度下降。现如今很多超市采用人工预测方式,销售人员依据自身经验来判断第二天所需要采购蔬菜的数量,由于蔬菜的销售受到了多种因素的影响,人为的客观判断准确率很低,这样就造成了某些菜品出现供应不足以及货物短缺的现象。因此,企业要想在市场中脱颖而出,必须从传统的销售管理模式逐渐地向信息化、自动化管理模式发展。针对蔬菜销售预测中的菜品供应不足,菜品浪费等问题,本文提出了一种基于集成学习的蔬菜销售预测方法。首先选取了LightGBM模型、LSTM长短时记忆网络模型2个单项预测模型进行研究,因为销售预测受到线性和非线性的影响,然后将两个模型进行组合,从而提高预测精度,在组合模型权重的求解中选取算术平均法组合预测、熵权法、方差倒数法、集成学习stacking方法进行模型融合对比。实验结果表明,组合模型相比于单项模型具有更高的预测准确率,在组合模型中,采用基于集成学习的stacking方法具有更高的预测准确率,本文所提出的基于集成学习方法中叶菜类蔬菜预测准确率最高达到了94.19%,其次为根茎类92.37%,瓜和茄果类91.95%,最低的为鲜豆和菌类86.63%,整体来看,该方法能够有效的预测蔬菜未来短期内的销量。最后本文设计并实现了蔬菜销售预测的WEB端系统,利用可视化界面方便查看某种蔬菜的未来短期和历史的销量情况,从而为企业制定采购计划,增强企业的生命力,让企业能够在市场得到更好的发展。
林木兴[4]（2020）在《需求不确定下的大规模数据高斯过程回归的商品销量预测模型研究》文中研究说明随着机器学习在预测/推荐领域为企业带来越来越多的收益,近年来关于销量预测问题的研究也随之不断地深入,尤其是的新零售提出和发展,使得快消商品销量预测研究获得非常高的关注度。传统的预测采用确定性的点预测方法对快消商品销量进行预测,但由于需求的随机性及非线性特征,导致无法展示预测时刻可能出现的情况及其出现的置信度,使得依靠快消商品销量点预测结果的决策风险较大;而高斯过程回归（Gaussian Process Regression,GPR）,虽然可以解决这一问题,但因为计算性能上的限制,难以在大规模数据集上应用。针对快消商品销量确定性预测方法的不足,本文提出利用高斯过程对商品销量进行建模,根据商品的历史销售数据,提取影响销量的特征向量,并将基于核距离的样本点选择策略的滑动窗口与高斯过程回归方法结合,克服高斯过程回归在大规模数据上的计算瓶颈。该模型考虑影响销量的多种因素,基于快消商品销量影响因素随机性的基础,将快消商品销量视作多种影响因素共同作用下的随机过程,并对其进行预测,其预测结果具有概率意义,在保证预测精确度的同时,还能给出预测的置信水平,有利于评价依靠预测结果的决策风险,为商业企业经营决策提供更为科学指导。本文所做的工作如下:首先,简述了高斯过程回归及基于零售销售数据的预测问题的研究现状,对零售数据预处理中的相关技术,做了介绍。并针对基于快消零售销量估计的具体应用问题中,本文在基于相关系数以及提升树模型上进行特征提取,尽可能地减少特征的数量,从而减小了输入数据的维度。其次,基于高斯过程回归以及滑动窗口的思想上提出了大规模数据下基于滑动窗口高斯过程的零售商品销量预测模型,将销量看作一个随机过程,通过高斯过程回归定义了函数的分布,同时基于核距离的样本点选择策略对常规的滑动窗口进行改造,然后将二者结合以改善传统高斯过程回归模型中的核计算性能问题。该模型可以快速适应新的观察数据,并可以评估预测的不确定性,解决销量预测中点预测在不确定性表达能力的有限性以及核计算性能的限制。最后,主要对高斯过程回归方法做了具体的研究并进行了具体实现,将该方法在实际销售场景上进行了应用,得到了不错的结果,并与常见的机器学习方法做了对比实验,实验结果表明了高斯过程回归方法在处理该类问题上具有一定的有效性,说明本文模型克服了样本过大在核函数计算上的限制,在保证一定精度情况下具有较优性能和计算效率。
吴娟娟[5]（2020）在《基于机器学习的零售店销售额预测研究》文中研究表明目前,网上购物已成为时尚并促进了电商行业的飞速发展。但这也给传统的线下实体零售业带来巨大的生存压力,实体商家迫切需要采取有效措施对未来销售的趋势做出可靠预测,帮助其制定合理的销售目标,指导运营后台提前进行合理的资源配置,以降低运营成本从而提高竞争力。因此,本文提出并实现了一种基于机器学习及深度学习理论的零售店销售额预测方法。本文对当前几个主流预测方法进行了分析,发现时间序列预测法仅适用于线性问题,没有考虑到历史销售数据中的非线性问题,导致建立的模型预测精度低;神经网络尽管对非线性问题具有较高的预测精度,但对输入数据特征的形式有很高的要求,缺乏泛化能力及收敛速度慢;组合模型虽然可以对上述两类模型进行优化,取得不错的预测结果,但只适合处理特定问题,同时模型训练时间会更长等不足。针对以上问题,本文使用XGBoost模型、LightGBM树结构模型和长短期记忆网络（LSTM）模型及模型融合方法,以德国Rossmann公司1115家实体店的销售数据作为研究对象,分别使用三种单模型和四种融合模型对销售额进行预测。首先通过特征工程和参数调优对三种单模型进行训练并验证;然后采用三种不同权重的加权平均法和stacking学习法对三种单模型进行融合,通过优化参数和交叉验证方法对四种融合模型进行优化并验证;最后,采用MAPE和RMSPE两个评价指标来对模型进行评价,并对比几种模型的MAPE值及RMSPE值。实验得到单模型的MAPE值及RMSPE值分别在0.049和0.065以上,而融合模型的MAPE值及RMSPE值分别在0.047和0.062以下的结果。表明单一模型法虽然有效、可行,但是融合方法能够有效提高模型的预测精度及泛化能力,可获得比单一模型更好的性能。
苏新[6]（2020）在《基于Prophet-LSTM组合模型的服装销售预测研究》文中认为生成产品级销售预测是快销服装品牌企业健康发展的重要先决条件。由于有着特殊的高度动态且不稳定的商业环境,一款快销服饰存活市场的生命周期较短,因此对于生产分配计划有着更为严格的要求。在激烈的市场竞争中,不适应产品的真实销售情况而一味盲目的减产或补货,会导致产量与实际销售不匹配,从而出现缺货或是库存积压的现象,徒增成本损耗影响企业发展。而通过销售预测,可以在结果有效的基础上,根据数据的动态变化进而调整生产计划,根据预测结果执行动态弹性的调包任务,对企业的商业决策起到重要不可忽视的指导作用。本文为降低全国范围内线下门店供需不匹配情况出现的概率,针对性分析不同地区不同阶段的销售需求。为构建高精度的预测模型所做主要工作如下:1.分析原始数据特征,筛选相关影响变量,对原始数据进行预处理,并根据业务需求对处理后较纯净的数据记录进行多维度合并。2.针对现有的Prophet时序模型进行加权项分解,分析优化各组成项,并采用基于TSTKS算法与滑动窗口相结合的变点选择算法,标注出变点在时间序列的位置,并将其融合到核心组件趋势项里以此优化Prophet模型表现。3.构建参数适宜的LSTM模型,并通过对比选择合适的加权算法,求解得出最佳权重因子,与优化后的Prophet模型相结合,吸取时间序列模型与神经网络模型各自优势,构建得到基于Prophet-LSTM的优化组合模型。4.使用科学指标经实验论证衡定模型表现。实验结果如下:在相同实验条件下,使用传统时间序列ARIMA模型的MAE值为13.284,RMSE值为21.294;经变点选择优化后的Prophet模型MAE值为2.325,RMSE值为3.642;基于Prophet-LSTM的优化组合模型MAE值为1.603,RMSE值为2.518。经实验数据验证表明,传统的时间序列模型在本商业环境下不能很好的达到精度要求,而基于Prophet-LSTM优化的组合模型,在降低单项模型易受到外界影响因素导致变异风险概率的同时,在一定程度上也提高预测的精度。
宋颂[7]（2020）在《多品种小批量注塑机生产的混合式计划决策体系方法研究》文中提出注塑机生产行业多为接单式生产,多品种小批量的生产模式趋于复杂化,传统的生产计划管理方式已经无法满足企业生产的要求。结合行业自身合理运用企业资源计划（Enterprise Resource Planning,ERP）、生产执行系统（Manufacturing Execution System,MES）等管理信息软件,运用先进智能化手段为注塑机行业解决实际问题十分重要。因此本文针对注塑机行业生产计划模块现状,通过研究生产计划相关的业务上游销售预测、下游计划追踪,综合考虑多方面因素,建立混合式计划决策体系,以解决企业生产计划相关问题。首先阐述了销售预测和生产计划的相关理论,介绍了注塑机行业的生产运营流程,并对其问题进行介绍和解析。针对销售预测和生产计划之间的联系和冲突进行分析,并介绍了ERP和MES系统在行业中的应用及不足。结合注塑机行业的生产特点,根据传统理论、精益管理思想、现代优化方法、管理系统等理论和技术,构建了多品种小批量注塑机生产的混合式计划决策体系。针对受销售预测影响的长周期物料存在采购计划误差过大的问题,提出一种基于长周期物料的注塑机整机销售预测模型。构建一个由销售数据及影响因素组成的二维决策表,运用灰色关联分析和粗糙集属性约简对二维决策表进行双维度数据约简,通过附加动量项及调整误差函数,提高BP神经网络的收敛速度及预测准确性。并运用注塑机行业T公司历史销售数据进行实例仿真验证。针对注塑机零散订单进行批量排产,避免人工排产的低效性、误排性、物料不齐套导致缺料停产等问题。提出一种基于齐套分析的整机主计划排产模型,对影响生产的关键物料进行齐套性分析。并将其作为约束条件,联合延期惩罚约束、提前生产约束、计划均衡性约束等,运用改进轮盘赌遗传算法求解。通过修正交叉临界公式和变异概率,对算法进行改进,提高算法的收敛速度,从而对生产计划排产模型进行求解。并以某注塑机公司生产计划进行实例分析。最后针对注塑机行业生产计划系统层,对其生产管控模糊,计划控制水平低等问题,设计实现了基于ERP的计划决策辅助系统,该系统包括基础数据管理、销售预测管理、生产计划管理、计划追踪管理、统计分析报表等功能,为生产计划及相关部门提供了统一管理平台,提高了企业的决策效率、管理智能化程度。
付超达[8]（2019）在《GA-BP神经网络在卷烟销量预测中的应用》文中指出卷烟销售额的预测是一个非常复杂的非线性预测系统,它是对某一时间段内烟草需求所做出的预测,也是企业了解市场需求的一个重要的方式。神经网络算法因其较强非线性表达能力,而使得它非常适合处理复杂的,不稳定的,以及具有一定随机特性的非线性时间序列预测难题。因此,本文对GA-BP（Genetic Algorithm-BP）神经网络在卷烟销量预测中的应用进行了相关研究,并进行优化。本文从宏观层面分析了烟草销量预测模型的建立、预测流程以及预测模型的评价标准。通过对多隐层BP神经网络模型、广义回归神经网络模型以及遗传算法的研究,分别构建不同的卷烟销量预测模型,并进行优化比较。其中,针对原始销售数据的缺失问题,本文提出了权重平均填补法以完善销售数据,保证了销售数据的完整性。针对神经网络模型的训练参数设定的不确定性和网络在训练过程中常出现的局部最优问题,实验中提出了自适应性的学习率设置方法,来优化多隐层BP神经网络,以提升模型预测的精度。同时,实验中还采用了遗传算法优化BP神经网络的初始化参数,构建GA-BP神经网络预测模型,实现对卷烟销量的预测。在实验仿真中,以什邡卷烟厂在2006年10月至2017年11月期间娇子蓝在德阳区域的销量额为基础,利用神经网络相关算法实现了对卷烟销量的预测。实验证明基于GA-BP神经网络的卷烟销量模型,在训练过程中结合自适应学习率的设定方法,相比于BP神经网络和GRNN神经网络模型具有更高的训练效率,同时也提升了模型的预测精度,使得模型的预测平均绝对误差较低为0.72。实验证明,GA-BP神经网络可以很好的建立时间序列中不同销量值之间的非线性关系映射,同时基于遗传算法优化的神经网络模型具有很好的推广性。
秦震[9]（2019）在《一汽丰田安庆4S店需求预测模型研究》文中认为随着我国经济的快速发展,人民生活水平的不断提高,家用轿车已经逐渐进入普通老百姓家庭,回顾近几十年的家用轿车普及过程,不难发现,作为家用轿车销售服务终端的4S店仍然发挥着非常重要的桥梁作用,既承担着为广大终端客户销售和服务的任务,也承担着为汽车生产厂家反馈各类信息的任务,同时他们还要承担各地区市场的各种不可控风险,这些风险包括来自潜在市场的不可预测性、来自竞争品的威胁、来自自身管理问题的产生、宏观经济等的综合影响。导致了诸多不确定性因素影响了汽车4S店的发展,特别是对于纷繁复杂的市场环境,4S店很难去把握未来的销售需求和方向。很多4S店的局部地域市场特性和缺乏对生产厂家的深入了解和沟通,相应的就限制了其自由发展的空间,更大范围内的宏观经济思维方面存在一定的不足,对国内整体汽车市场缺少信息获取途径,因此,在销售预测能力上存在很大提升空间。所处环境不同就造成了每个4S店存在的问题也多种多样,各不相同,要想一次性解决所有4S店的问题是不可能的事情,作者在一些4S店的实地调研过程中经常会听到有关销售预测和库存管理不合理造成困扰的事情,而4S店疲于应对生存的压力而忙于业务本身或是解决各种经营问题,很少有4S店能静下心来分析产生问题的真正原因和寻求解决问题的办法。因此,本文选择4S店在新车销售过程中的需求预测问题进行深入研究,将一汽丰田安庆4S店的需求预测为例,将安庆4S店2018年和2017年的需求预测数据分别导入到移动平均值预测模型、简单指数平滑模型、Holt预测模型、Winter预测模型,然后比较这4种模型的预测误差评定指标,选出一个更适合该4S店需求预测的基础模型,再通过德尔菲法——调查行业内资深从业专家对多种销售影响因素的主观评级,并将这些因素进行排序、设定修正系数对需求预测基础模型进行修正,从而得到重叠前置预测模型的预测结果,最后将预测结果与2019年安庆4S店的实际需求预测进行比对后发现,采用重叠前置预测模型更适合4S店进行需求预测。
刘恰恰[10]（2019）在《基于环境因素的医药销售预测研究》文中认为随着医药行业的迅速发展,行业内竞争越来越大,企业普遍面临着库存成本高、过期药品多、交货周期长、资金周转慢等方面的压力。因此,如何实现零库存、最大限度降低库存成本已成为研究者和企业的重要研究课题。准确的销量预测是实现零库存的关键。这就迫切需要具备一套有效的药品销量预测方法,为实现零库存提供科学的数据支撑。本文主要研究医药销售预测方法,以某医药企业2017年1月至2018年10月真实销售数据为研究对象。在对数据深入分析的基础上,研究多种预测算法的理论和应用领域,结合环境因素（气象、空气质量因素）,构建基于Xgboost算法的医药销售预测模型。论文主要研究工作如下:（1）按照药品类别将成药和中药分成两类,考虑到临床联合用药的特点,运用FP-growth算法,对两类药品分别进行关联规则挖掘,寻找药品之间的频繁项集,依据所挖掘的频繁项集来分组确定预测对象。该方法在一定程度上解决了因药品种类繁多造成的计算复杂度较高的问题,同时利于企业进行药品组合销售、货架摆放,进而优化库存空间。（2）根据药品属性和环境因素,研究历史销量和环境变化对未来销量的影响。基于环境变化-人体健康-药品使用的关联关系,结合气象、空气质量指标进行有效特征构建;考虑到疾病的潜伏期,同时对销量与气象、空气质量指标进行同期、时滞期的相关性及显着性分析,构造衍生特征。以此为依据进行特征提取和特征选择,产生高维度的训练集,进一步优化特征工程。（3）基于Xgboost算法,结合环境因素特征,构建医药销售预测模型。设置BP神经网络、随机森林两种对比算法,并对实验结果进行分析,说明了环境因素对销量的影响和模型的有效性。实验表明,本文模型具有较高的预测效果及良好的可扩展性,不仅能够适用药品销量预测,还适用于销量和环境因素相关的其它商品销量预测,对销量预测方法的研究具有积极作用。
二、基于神经网络的短期销售预测（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于神经网络的短期销售预测（论文提纲范文）
（1）基于深度学习的货架状态画像研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统的目标检测研究现状 |
| 1.2.2 基于深度学习的目标检测研究现状 |
| 1.2.3 商品销量预测研究现状 |
| 1.3 本论文的主要研究内容 |
| 1.4 本论文创新点与组织结构 |
| 1.4.1 论文创新点 |
| 1.4.2 论文组织结构 |
| 2 相关理论与算法 |
| 2.1 基于深度学习的目标检测算法 |
| 2.1.1 基于深度学习的目标检测算法 |
| 2.1.2 目标检测算法选择 |
| 2.2 货架商品销售预测方法及选择 |
| 2.2.1 常见的预测方法 |
| 2.2.2 货架商品销售预测方法选择 |
| 2.3 深度学习框架 |
| 2.4 本章小结 |
| 3 货架商品目标检测算法改进及实现 |
| 3.1 目标检测Mask R-CNN算法原理 |
| 3.1.1 Mask R-CNN算法网络结构 |
| 3.1.2 主干网络 |
| 3.1.3 ROIAlign技术 |
| 3.1.4 Mask掩码分支 |
| 3.2 目标检测Mask R-CNN算法改进与实现 |
| 3.2.1 RPN工作原理 |
| 3.2.2 算法改进 |
| 3.2.3 改进算法实现 |
| 3.2.4 改进算法实验结果 |
| 3.3 目标检测算法检测结果对比分析 |
| 3.4 本章小结 |
| 4 货架商品状态分析与销售预测研究 |
| 4.1 货架商品状态分析 |
| 4.1.1 货架商品状态字段说明 |
| 4.1.2 货架商品状态数据获取 |
| 4.2 货架商品销售预测模型实现 |
| 4.2.1 预测精度指标 |
| 4.2.2 数据处理 |
| 4.2.3 BP神经网络改进与销售预测模型构建 |
| 4.2.4 商品销售预测结果 |
| 4.2.5 销售预测检测结果对比分析 |
| 4.3 本章小结 |
| 5 货架状态画像系统设计与实现 |
| 5.1 系统框架设计 |
| 5.2 功能模块设计 |
| 5.3 系统实现 |
| 5.3.1 系统实现平台 |
| 5.3.2 货架状态画像实现界面 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
（2）A公司卷烟销售预测与库存控制策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 销售预测研究现状 |
| 1.2.2 库存控制策略研究现状 |
| 1.2.3 国内外研究述评 |
| 1.3 研究内容与方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 论文创新点 |
| 第2章 相关理论介绍 |
| 2.1 时间序列预测方法 |
| 2.1.1 ARIMA |
| 2.1.2 XGBoost |
| 2.1.3 LSTM |
| 2.2 库存分类方法 |
| 2.2.1 传统ABC分类方法 |
| 2.2.2 基于K-means聚类分析的库存分类方法 |
| 2.3 库存控制相关理论 |
| 2.3.1 订货点法 |
| 2.3.2 供应商管理库存 |
| 2.4 本章小结 |
| 第3章 A公司卷烟库存管理现状及存在的问题 |
| 3.1 A公司简介 |
| 3.2 A公司库存管理现状 |
| 3.2.1 库存分类管理 |
| 3.2.2 采购订货管理 |
| 3.2.3 其他库存管理流程 |
| 3.3 A公司卷烟库存管理存在的问题 |
| 3.3.1 缺乏科学的库存分类策略 |
| 3.3.2 缺乏多样有效的库存控制策略 |
| 3.4 本章小结 |
| 第4章 基于加权组合算法的卷烟销售预测 |
| 4.1 加权组合算法介绍 |
| 4.2 卷烟销售预测 |
| 4.2.1 数据来源 |
| 4.2.2 特征工程 |
| 4.3 预测结果与分析 |
| 4.3.1 特征重要性 |
| 4.3.2 模型预测效果 |
| 4.4 本章小结 |
| 第5章 基于聚类与销售预测的库存控制策略 |
| 5.1 基于K-means聚类算法的烟草库存分类研究 |
| 5.1.1 聚类分析参考准则确定 |
| 5.1.2 聚类数据预处理 |
| 5.1.3 聚类的类别个数确定 |
| 5.1.4 聚类结果 |
| 5.2 基于聚类与销售预测的库存控制策略 |
| 5.2.1 库存控制策略确定 |
| 5.2.2 库存控制策略分析 |
| 5.2.3 库存策略调整前后对比分析 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 A 加权组合算法部分python代码 |
| 附录 B 测试集预测值 |
| 致谢 |
（3）基于集成学习的蔬菜销售预测 ——以昆明某超市为例（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究状况 |
| 1.3.1 国外销售预测研究状况 |
| 1.3.2 国内销售预测研究状况 |
| 1.3.3 研究总结 |
| 1.4 研究内容 |
| 1.5 论文组织结构 |
| 1.6 本章小结 |
| 第2章 相关技术与方法 |
| 2.1 LightGBM模型 |
| 2.1.1 基于Histogram算法 |
| 2.1.2 基于梯度的单边度采样 |
| 2.1.3 带深度限制的Leaf-wise的叶子生长策略 |
| 2.1.4 直接支持类别特征 |
| 2.2 LSTM模型 |
| 2.2.1 LSTM原理 |
| 2.2.2 LSTM学习过程 |
| 2.3 集成学习 |
| 2.3.1 Bagging |
| 2.3.2 Boosting |
| 2.3.3 Stacking |
| 2.4 集成学习融合策略 |
| 2.4.1 平均法 |
| 2.4.2 投票法 |
| 2.5 Django框架 |
| 2.6 深度学习框架Keras |
| 2.7 本章小结 |
| 第3章 蔬菜销售的数据分析与特征提取 |
| 3.1 数据介绍与分析 |
| 3.2 数据预处理 |
| 3.2.1 数据清洗 |
| 3.3 特征选择 |
| 3.4 特征构建 |
| 3.5 特征处理 |
| 3.5.1 类别型数据处理 |
| 3.5.2 数值型数据处理 |
| 3.6 本章小结 |
| 第4章 蔬菜销售预测模型的建立 |
| 4.1 基于LightGBM的销售预测模型研究 |
| 4.2 基于LSTM模型的销售预测研究 |
| 4.3 基于组合模型的销售预测模型研究 |
| 4.3.1 简单加权法 |
| 4.3.2 方差倒数法 |
| 4.3.3 熵权法 |
| 4.3.4 Stacking算法 |
| 4.4 本章小结 |
| 第5章 实验结果与分析 |
| 5.1 蔬菜销售预测结果 |
| 5.1.1 各类蔬菜预测结果 |
| 5.2 预测结果统计分析 |
| 5.3 本章小结 |
| 第6章 基于Django框架的销售预测WEB端实现 |
| 6.1 技术可行性分析 |
| 6.2 系统功能设计 |
| 6.2.1 系统整体组成结构 |
| 6.2.2 系统功能模块设计 |
| 6.3 数据库设计 |
| 6.4 系统功能设计 |
| 6.4.1 系统登录 |
| 6.4.2 销售预测 |
| 6.4.3 销售预测统计 |
| 6.4.4 历史销售数据 |
| 6.4.5 底库信息录入 |
| 6.4.6 模型录入 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 工作总结 |
| 7.2 工作展望 |
| 参考文献 |
| 附录 |
| 附录 A 叶类蔬菜销售图 |
| 附录 B 根茎类蔬菜销售图 |
| 附录 C 瓜和茄果类蔬菜销售图 |
| 附录 D 鲜豆和菌类蔬菜销售图 |
| 致谢 |
| 攻读学位期间发表的论文和研究成果 |
（4）需求不确定下的大规模数据高斯过程回归的商品销量预测模型研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景 |
| 1.2 研究目的及意义 |
| 1.3 国内外研究现状 |
| 1.4 研究内容及创新点 |
| 1.5 论文组织结构与技术路线 |
| 1.6 本章小结 |
| 2 高斯过程相关理论研究 |
| 2.1 高斯过程概述 |
| 2.2 高斯过程回归 |
| 2.3 高斯过程回归与神经网络等机器学习算法的关系 |
| 2.4 本章小结 |
| 3 基于滑动窗口高斯过程回归的商品销量预测模型 |
| 3.1 问题建模 |
| 3.2 基于SWGPR的商品销量预测模型描述 |
| 3.3 基于SWGPR的商品销量预测模型实现 |
| 3.4 本章小结 |
| 4 实验及结果分析 |
| 4.1 实验设计 |
| 4.2 数据预处理 |
| 4.3 特征选择 |
| 4.4 实验结果分析 |
| 4.5 本章小结 |
| 5 总结及展望 |
| 5.1 研究结论 |
| 5.2 不足及展望 |
| 参考文献 |
| 附录 |
| 在学期间发表论文的清单 |
| 致谢 |
（5）基于机器学习的零售店销售额预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究方法内容及技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 主要研究技术路线 |
| 1.4 论文组织结构 |
| 第二章 模型的相关理论研究 |
| 2.1 XGBoost模型 |
| 2.1.1 GBDT原理 |
| 2.1.2 XGBoost原理 |
| 2.1.3 XGBoost模型的参数说明 |
| 2.1.4 XGBoost算法的优缺点 |
| 2.2 LightGBM模型 |
| 2.2.1 LightGBM原理 |
| 2.2.2 LightGBM参数设置 |
| 2.2.3 LightGBM的优点 |
| 2.3 LSTM模型 |
| 2.3.1 循环神经网络原理 |
| 2.3.2 LSTM原理 |
| 2.3.3 TensorFlow基本框架 |
| 2.4 模型融合 |
| 2.4.1 模型融合思想 |
| 2.4.2 模型融合方法 |
| 2.5 本章小结 |
| 第三章 数据分析及特征工程 |
| 3.1 数据的来源 |
| 3.2 可视化分析 |
| 3.3 特征工程 |
| 3.3.1 数据预处理 |
| 3.3.2 特征提取 |
| 3.3.3 特征选择 |
| 3.4 本章小结 |
| 第四章 销售额预测模型的建立与分析 |
| 4.1 评价指标 |
| 4.2 实验环境 |
| 4.3 基于XGBoost模型的销售预测模型建立与实现 |
| 4.3.1 XGBoost模型建立 |
| 4.3.2 实验结果及特征重要性分析 |
| 4.4 基于LightGBM模型的销售预测模型建立与实现 |
| 4.4.1 LightGBM模型建立 |
| 4.4.2 实验结果及特征重要性分析 |
| 4.5 基于LSTM模型的销售预测模型建立与实现 |
| 4.5.1 LSTM模型模型建立 |
| 4.5.2 实验结果分析 |
| 4.6 基于模型融合的销售额预测模型建立与实现 |
| 4.6.1 融合模型建立 |
| 4.6.2 基于优化融合的销售额预测模型建立与实现 |
| 4.7 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（6）基于Prophet-LSTM组合模型的服装销售预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究背景及意义 |
| 1.2.1 快销服装销售预测的研究背景 |
| 1.2.2 快销服装销售预测的研究意义 |
| 1.3 国内外研究现状以及发展趋势 |
| 1.4 本文主要内容 |
| 1.5 论文结构安排 |
| 1.6 本章小结 |
| 第2章 预测模型相关技术理论研究 |
| 2.1 时间序列基础概念 |
| 2.2 常见传统时序模型算法 |
| 2.2.1 平滑模型 |
| 2.2.2 AR模型 |
| 2.2.3 MA模型 |
| 2.2.4 ARMA模型 |
| 2.2.5 ARIMA模型 |
| 2.3 Prophet算法模型 |
| 2.3.1 趋势项模型 |
| 2.3.2 季节性趋势 |
| 2.3.3 节假日效应 |
| 2.3.4 模型拟合 |
| 2.4 LSTM模型 |
| 2.5 本章小结 |
| 第3章 改进的单项预测模型 |
| 3.1 原始数据处理 |
| 3.1.1 数据变量分析 |
| 3.1.2 数据预处理 |
| 3.2 模型评估指标 |
| 3.2.1 平方绝对误差 |
| 3.2.2 平均绝对百分比误差 |
| 3.2.3 均方根误差 |
| 3.2.4 评价指标的对比使用 |
| 3.3 改进的Prophet算法模型 |
| 3.3.1 模型预测流程 |
| 3.3.2 模型优化设计 |
| 3.3.3 基于TSTKS算法的变点选择优化 |
| 3.4 构建LSTM算法模型 |
| 3.5 本章小结 |
| 第4章 组合预测模型研究 |
| 4.1 权重的求解 |
| 4.1.1 线性加权 |
| 4.1.2 非线性加权 |
| 4.2 组合模型的构建流程 |
| 4.3 实验设置及结果分析 |
| 4.3.1 实验数据 |
| 4.3.2 实验工具和环境 |
| 4.3.3 实验流程 |
| 4.3.4 实验结果分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（7）多品种小批量注塑机生产的混合式计划决策体系方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 销售预测国内外研究现状 |
| 1.2.2 生产计划国内外研究现状 |
| 1.3 论文研究思路和内容 |
| 1.4 本章小结 |
| 第二章 多品种小批量注塑机生产的混合式计划决策体系 |
| 2.1 预测与生产计划理论基础 |
| 2.1.1 销售预测相关理论基础 |
| 2.1.2 生产计划相关理论基础 |
| 2.2 注塑机行业现有计划决策体系分析 |
| 2.2.1 注塑机行业生产运营现状 |
| 2.2.2 注塑机行业生产运营问题及解析 |
| 2.2.3 ERP/MES系统在注塑机行业应用现状 |
| 2.3 多品种小批量注塑机生产的混合式计划决策体系构建 |
| 2.3.1 技术体系 |
| 2.3.2 集成体系及系统架构 |
| 2.4 本章小结 |
| 第三章 基于长周期物料的注塑机整机销售预测模型 |
| 3.1 多品种小批量注塑机销售预测问题描述 |
| 3.2 多品种小批量注塑机销售预测模型建立 |
| 3.3 基于改进BP神经网络的销售预测模型求解 |
| 3.3.1 灰色关联分析 |
| 3.3.2 粗糙集属性约简 |
| 3.3.3 BP神经网络 |
| 3.4 实例分析 |
| 3.5 本章小结 |
| 第四章 基于齐套约束的整机主计划排产模型 |
| 4.1 物料齐套性分析 |
| 4.2 多目标约束的生产计划排产模型 |
| 4.3 基于改进轮盘赌遗传算法生产计划排产模型求解 |
| 4.3.1 遗传算法理论介绍 |
| 4.3.2 基于改进轮盘赌遗传算法的模型求解 |
| 4.4 实例分析 |
| 4.5 本章小结 |
| 第五章 基于ERP的计划决策辅助系统设计与实现 |
| 5.1 系统分析 |
| 5.2 需求与业务流程分析 |
| 5.2.1 销售预测业务流程分析 |
| 5.2.2 生产计划业务流程分析 |
| 5.2.3 生产管理业务流程分析 |
| 5.3 基于ERP的计划决策辅助系统主要功能实现 |
| 5.3.1 登入界面 |
| 5.3.2 基础数据管理 |
| 5.3.3 销售预测管理 |
| 5.3.4 生产计划管理 |
| 5.3.5 生产管理 |
| 5.3.6 统计分析报表 |
| 5.4 本章小结 |
| 第六章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士研究生期间发表的学术论文和参加的科研项目 |
（8）GA-BP神经网络在卷烟销量预测中的应用（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 卷烟销量预测研究的背景和意义 |
| 1.2 卷烟销量预测的国内外发展状况 |
| 1.2.1 神经网络有关理论发展状况 |
| 1.2.2 烟草预测模型有关理论发展状况 |
| 1.3 论文的内容安排和模型改进 |
| 1.3.1 论文的主要内容 |
| 1.3.2 论文的模型改进 |
| 2 卷烟销售预测研究 |
| 2.1 销售预测的研究分析 |
| 2.2 卷烟销售预测的模型评判标准 |
| 2.3 预测流程分析 |
| 2.4 小结 |
| 3 神经网络和遗传算法的理论研究 |
| 3.1 BP神经网络 |
| 3.1.1 BP神经网络基本结构 |
| 3.1.2 BP神经网络学习算法描述 |
| 3.1.3 梯度下降法的调优 |
| 3.2 广义回归神经网络 |
| 3.2.1 GRNN的网络结构 |
| 3.2.2 模型训练 |
| 3.3 遗传算法与GA-BP神经网络 |
| 3.3.1 遗传算法步骤描述 |
| 3.3.2 GA-BP神经网络 |
| 3.4 小结 |
| 4 基于神经网络的卷烟销量预测模型实现与仿真 |
| 4.1 实验数据说明和预处理 |
| 4.1.1 数据源 |
| 4.1.2 数据预处理 |
| 4.2 基于神经网络的预测模型建立和仿真 |
| 4.2.1 实验设计说明 |
| 4.2.2 基于BP神经网络的卷烟销量预测及改进 |
| 4.2.3 基于GRNN的卷烟销量预测结果及分析 |
| 4.2.4 基于GA-BP神经网络的卷烟销量预测结果及分析 |
| 4.3 小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
（9）一汽丰田安庆4S店需求预测模型研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究的背景与意义 |
| 1.1.1 研究的背景 |
| 1.1.2 研究的意义 |
| 1.2 研究的思路和方法 |
| 1.2.1 研究的思路 |
| 1.2.2 研究的方法 |
| 1.3 论文的结构和框架 |
| 1.3.1 论文的结构 |
| 1.3.2 论文的框架 |
| 第二章 预测理论相关文献综述 |
| 2.1 国内外预测研究情况 |
| 2.1.1 国外研究情况 |
| 2.1.2 国内研究情况 |
| 2.2 主要预测理论在汽车行业的具体运用 |
| 2.3 本章小结 |
| 第三章 中国汽车市场发展状况及区域汽车市场近几年特征 |
| 3.1 中国汽车市场状况 |
| 3.1.1 中国汽车市场的发展 |
| 3.1.2 中国汽车品牌4S店的发展变化情况 |
| 3.2 中国区域汽车市场状况 |
| 3.2.1 区域汽车市场变化的影响因素 |
| 3.2.2 华中区域汽车市场容量及安庆汽车市场近几年特征 |
| 3.3 本章小结 |
| 第四章 一汽丰田供应链管理模式及需求预测模型 |
| 4.1 一汽丰田供应链管理模式 |
| 4.1.1 一汽丰田终端客户订单式需求管理 |
| 4.1.2 经销店(4S店)终端客户订单生成过程 |
| 4.1.3 代理商(一汽丰田)在供应链上的重要枢纽作用 |
| 4.1.4 代理商(一汽丰田)区域经理管理制度 |
| 4.2 一汽丰田安庆4S店需求预测案例分析 |
| 4.2.1 4S店需求预测的数据获取 |
| 4.2.2 安庆4S店2018 年需求预测分析 |
| 4.3 基于安庆4S店2018 年需求预测的模型分析 |
| 4.3.1 基于需求预测数据的移动平均值预测模型 |
| 4.3.2 基于需求预测数据的简单指数平滑预测模型 |
| 4.3.3 基于需求预测数据的Holt预测模型 |
| 4.3.4 基于需求预测数据的Winter预测模型 |
| 4.3.5 基于需求预测数据的重叠前置预测模型 |
| 4.4 本章小结 |
| 第五章 结论和展望 |
| 5.1 结论 |
| 5.1.1 存在的不足 |
| 5.1.2 今后的计划 |
| 5.2 展望 |
| 5.2.1 今后的建议 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录1 |
| 附录2 |
（10）基于环境因素的医药销售预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 研究现状 |
| 1.3.1 销售预测的研究现状 |
| 1.3.2 医药销售预测的研究现状 |
| 1.3.3 环境变化与健康的研究现状 |
| 1.4 研究内容及创新点 |
| 1.4.1 研究内容 |
| 1.4.2 论文创新点 |
| 1.5 论文结构及框架 |
| 2 相关理论研究 |
| 2.1 特征工程理论 |
| 2.1.1 特征提取 |
| 2.1.2 特征选择 |
| 2.2 Xgboost算法 |
| 2.2.1 基本原理 |
| 2.2.2 正则化 |
| 2.3 BP神经网络 |
| 2.3.1 BP神经网络结构 |
| 2.3.2 BP神经网络算法 |
| 2.4 随机森林算法 |
| 2.5 本章小结 |
| 3 药品关联规则挖掘 |
| 3.1 关联规则基本概念 |
| 3.2 FP-growth算法原理 |
| 3.3 FP-growth算法应用 |
| 3.3.1 预测药品选择 |
| 3.3.2 属性子集选择 |
| 3.3.3 数据抽取 |
| 3.3.4 频繁项集挖掘 |
| 3.4 本章小结 |
| 4 数据预处理 |
| 4.1 医药销售数据预处理 |
| 4.2 气象要素数据预处理 |
| 4.2.1 气象数据获取 |
| 4.2.2 气象数据预处理 |
| 4.3 空气质量数据预处理 |
| 4.3.1 空气质量数据获取 |
| 4.3.2 空气质量数据预处理 |
| 4.4 本章小结 |
| 5 特征工程 |
| 5.1 特征提取 |
| 5.1.1 气象指标特征提取 |
| 5.1.2 空气质量特征提取 |
| 5.1.3 其他相关特征提取 |
| 5.2 特征选择 |
| 5.2.1 原始特征重要性分析 |
| 5.2.2 衍生特征重要性分析 |
| 5.2.3 特征集合划分 |
| 5.2.4 特征子集选择 |
| 5.3 本章小结 |
| 6 模型构建与实验对比 |
| 6.1 实验数据集 |
| 6.2 评价指标 |
| 6.3 Xgboost参数设置 |
| 6.4 实验结果及分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 后记 |
四、基于神经网络的短期销售预测（论文参考文献）
- [1]基于深度学习的货架状态画像研究与实现[D]. 任娣声. 西安理工大学, 2021(01)
- [2]A公司卷烟销售预测与库存控制策略研究[D]. 聂晓洁. 山东财经大学, 2021(12)
- [3]基于集成学习的蔬菜销售预测 ——以昆明某超市为例[D]. 张鹤. 云南师范大学, 2021(08)
- [4]需求不确定下的大规模数据高斯过程回归的商品销量预测模型研究[D]. 林木兴. 暨南大学, 2020(04)
- [5]基于机器学习的零售店销售额预测研究[D]. 吴娟娟. 长安大学, 2020(06)
- [6]基于Prophet-LSTM组合模型的服装销售预测研究[D]. 苏新. 江苏科技大学, 2020(03)
- [7]多品种小批量注塑机生产的混合式计划决策体系方法研究[D]. 宋颂. 浙江理工大学, 2020(04)
- [8]GA-BP神经网络在卷烟销量预测中的应用[D]. 付超达. 西南科技大学, 2019(08)
- [9]一汽丰田安庆4S店需求预测模型研究[D]. 秦震. 电子科技大学, 2019(04)
- [10]基于环境因素的医药销售预测研究[D]. 刘恰恰. 兰州财经大学, 2019(08)