LSTM模型在網(wǎng)絡(luò)購(gòu)物數(shù)據(jù)分析預(yù)測(cè)領(lǐng)域的應(yīng)用

摘要：隨著現(xiàn)代科學(xué)技術(shù)的快速發(fā)展，網(wǎng)絡(luò)購(gòu)物蓬勃興起并廣泛普及，銷(xiāo)售額穩(wěn)步增長(zhǎng)。構(gòu)建網(wǎng)絡(luò)購(gòu)物大數(shù)據(jù)分析預(yù)測(cè)模型，以分析和預(yù)測(cè)消費(fèi)者行為趨勢(shì)，對(duì)網(wǎng)絡(luò)購(gòu)物平臺(tái)及供應(yīng)商提前制定營(yíng)銷(xiāo)策略具有指導(dǎo)意義。文章構(gòu)建了一種長(zhǎng)短期記憶網(wǎng)絡(luò)結(jié)構(gòu)（LSTM）模型，應(yīng)用于某電商平臺(tái)交易數(shù)據(jù)的初步分析和預(yù)測(cè)，并通過(guò)實(shí)際數(shù)據(jù)驗(yàn)證了模型的有效性。基于原始數(shù)據(jù)與模型預(yù)測(cè)數(shù)據(jù)的對(duì)比分析，為電商平臺(tái)及供應(yīng)商合理把握網(wǎng)絡(luò)購(gòu)物消費(fèi)高峰期、擴(kuò)大網(wǎng)絡(luò)銷(xiāo)售規(guī)模提供了建議。

關(guān)鍵詞：LSTM模型；網(wǎng)絡(luò)購(gòu)物；大數(shù)據(jù)；分析預(yù)測(cè)；循環(huán)神經(jīng)網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：TP183 " " " 文獻(xiàn)標(biāo)識(shí)碼：A " " "文章編號(hào)：1674-0688（2024）10-0055-05

0 引言

根據(jù)2024年3月中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心（CNNIC）發(fā)布的第53次《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》，截至2023年12月，我國(guó)網(wǎng)民規(guī)模達(dá)10.92億人，較2022年12月增長(zhǎng)了2 480萬(wàn)人；互聯(lián)網(wǎng)普及率達(dá)77.5%，較2022年提高了1.9%。隨著網(wǎng)絡(luò)普及程度的持續(xù)提升，互聯(lián)網(wǎng)應(yīng)用不斷深化，用戶(hù)規(guī)模持續(xù)增長(zhǎng)。其中，網(wǎng)絡(luò)購(gòu)物類(lèi)應(yīng)用的用戶(hù)規(guī)模在2023年12月達(dá)到9.15億人，同比增長(zhǎng)8.2%；2022年網(wǎng)上零售額達(dá)到15.4萬(wàn)億元，同比增長(zhǎng)11%，連續(xù)11年穩(wěn)居全球第一位。面對(duì)國(guó)內(nèi)市場(chǎng)的蓬勃發(fā)展及網(wǎng)絡(luò)購(gòu)物市場(chǎng)的快速增長(zhǎng)，準(zhǔn)確把握消費(fèi)者網(wǎng)絡(luò)購(gòu)物習(xí)慣、預(yù)判消費(fèi)高峰時(shí)期，對(duì)于網(wǎng)絡(luò)購(gòu)物平臺(tái)和電商而言非常重要，這要求平臺(tái)和電商必須做好充分準(zhǔn)備，通過(guò)制定有效的營(yíng)銷(xiāo)策略擴(kuò)大銷(xiāo)售額。因此，基于網(wǎng)絡(luò)購(gòu)物交易數(shù)據(jù)的深入分析，對(duì)未來(lái)交易數(shù)據(jù)進(jìn)行準(zhǔn)確預(yù)測(cè)，為決策提供參考，具有重要的現(xiàn)實(shí)意義。

目前，數(shù)據(jù)分析預(yù)測(cè)領(lǐng)域存在多種算法模型，包括ARIMA（自回歸差分移動(dòng)平均）模型、MLR（多元線(xiàn)性回歸）模型、卡爾曼濾波模型及非參數(shù)回歸模型等。近年來(lái)，深度學(xué)習(xí)技術(shù)在大數(shù)據(jù)分析研究中發(fā)揮了重要作用，深度神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等模型相繼涌現(xiàn)，成為機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等領(lǐng)域的先進(jìn)方法［1-2］。循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)能夠更好地處理時(shí)間序列問(wèn)題，在交通數(shù)據(jù)、客流數(shù)據(jù)分析預(yù)測(cè)等方面發(fā)揮了重要作用。甘萍等［3］ 針對(duì)交通預(yù)測(cè)中的復(fù)雜時(shí)空相關(guān)性問(wèn)題，提出了一種時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)模型，通過(guò)結(jié)合自適應(yīng)圖卷積網(wǎng)絡(luò)和時(shí)空長(zhǎng)短期記憶網(wǎng)絡(luò)，實(shí)現(xiàn)了對(duì)交通數(shù)據(jù)空間特征和時(shí)間特征的聯(lián)合提取，提高了交通預(yù)測(cè)的準(zhǔn)確性和可靠性。曹陽(yáng)等［4］針對(duì)傳統(tǒng)預(yù)測(cè)模型難以挖掘交通流數(shù)據(jù)中強(qiáng)非線(xiàn)性特征方面的問(wèn)題，通過(guò)優(yōu)化GCN（圖卷積網(wǎng)絡(luò)）結(jié)構(gòu)，并分析交通流間的動(dòng)態(tài)時(shí)空關(guān)系，提出了一種基于時(shí)域圖卷積神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)模型，該模型采用時(shí)域卷積網(wǎng)絡(luò)獲取時(shí)間依賴(lài)關(guān)系，同時(shí)緩解了梯度爆炸問(wèn)題，從而有效提高了交通流預(yù)測(cè)模型的性能。張金雷等［5］將深度學(xué)習(xí)的基礎(chǔ)理論和算法相應(yīng)用于軌道交通刷卡數(shù)據(jù)、共享單車(chē)軌跡數(shù)據(jù)、出租車(chē)軌跡數(shù)據(jù)、私家車(chē)軌跡數(shù)據(jù)及空中交通運(yùn)行等5個(gè)具體場(chǎng)景，詳細(xì)闡述了實(shí)現(xiàn)方法，并提供了詳盡的代碼示例。網(wǎng)絡(luò)購(gòu)物消費(fèi)數(shù)據(jù)具有非線(xiàn)性特征，并且具備時(shí)間序列特性。因此，本文基于網(wǎng)絡(luò)購(gòu)物消費(fèi)大數(shù)據(jù)，構(gòu)建長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）結(jié)構(gòu)模型，對(duì)交易數(shù)據(jù)進(jìn)行分析預(yù)測(cè)，并繪制了預(yù)測(cè)數(shù)據(jù)圖表，以分析數(shù)據(jù)模式，為電商平臺(tái)及電商企業(yè)提供直觀反饋與合理建議。

1 研究方法

1.1 數(shù)據(jù)來(lái)源

本文基于某電商平臺(tái)后臺(tái)單位職工購(gòu)買(mǎi)農(nóng)副產(chǎn)品的交易數(shù)據(jù)展開(kāi)分析。首先，對(duì)該平臺(tái)2020—2023年的每日交易數(shù)據(jù)進(jìn)行預(yù)處理，生成按時(shí)間序列展示的單一維度數(shù)據(jù)（見(jiàn)表1）。接著，分析基礎(chǔ)交易額數(shù)據(jù)，全年中網(wǎng)絡(luò)購(gòu)物交易額的最高峰是第三季度中秋國(guó)慶時(shí)段，其次是第四季度11月中旬的“雙十一”期間，再次是第一季度元旦和春節(jié)前后的時(shí)間段?？傮w來(lái)看，第一、二季度的網(wǎng)絡(luò)購(gòu)物交易額相對(duì)較低，僅在元旦和春節(jié)前后出現(xiàn)較高的交易量；而下半年的交易更為活躍，尤其是第四季度的平均日交易額有了顯著提升?；A(chǔ)交易額數(shù)據(jù)反映出該電商平臺(tái)的交易額具有明顯的季節(jié)性波動(dòng)及節(jié)假日集中消費(fèi)的特征。圖1至圖4分別展示了這4個(gè)集中交易時(shí)段在2020—2023年的交易額情況。

1.2 預(yù)測(cè)方法

1.2.1 分析交易高峰期

詳細(xì)分析元旦、春節(jié)、國(guó)慶（含中秋）以及“雙十一”這4個(gè)高峰期的交易額及其歷年變動(dòng)情況。具體而言，觀察每個(gè)時(shí)間段內(nèi)交易額峰值和低谷的變化趨勢(shì)。例如，國(guó)慶（含中秋）選取節(jié)前20天至節(jié)后10天的交易數(shù)據(jù)；“雙十一”選取活動(dòng)前后各10天的交易數(shù)據(jù)；而元旦與春節(jié)則分別考察其前后各10天的交易數(shù)據(jù)。

1.2.2 建立LSTM模型

將歷史數(shù)據(jù)輸入模型，針對(duì)元旦、春節(jié)、國(guó)慶（含中秋）及“雙十一”這4個(gè)階段的數(shù)據(jù)進(jìn)行深度學(xué)習(xí)訓(xùn)練，并預(yù)測(cè)2024年各階段的銷(xiāo)售額。LSTM模型作為循環(huán)神經(jīng)網(wǎng)絡(luò)的一種，特別適用于處理時(shí)間序列問(wèn)題，其基本的循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、一個(gè)隱藏層和一個(gè)輸出層組成。在此結(jié)構(gòu)中，t時(shí)刻接收到輸入數(shù)據(jù)Xt后，隱藏層的值是St，輸出值是Ot。 St的值不僅由Xt決定，還受前一時(shí)刻隱藏層狀態(tài)St-1的影響，使得當(dāng)前時(shí)刻的信息能在下一時(shí)刻被輸入網(wǎng)絡(luò)應(yīng)用，從而形成了時(shí)間相關(guān)性。神經(jīng)網(wǎng)絡(luò)模型通過(guò)學(xué)習(xí)，將知識(shí)隱含在權(quán)值W中［5］。循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖見(jiàn)圖5。

與傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)不同，LSTM模型設(shè)置了獨(dú)特的記憶單元，能在一定程度上緩解長(zhǎng)期信息傳遞中的信息失能和衰減等情況。LSTM的記憶單元結(jié)構(gòu)復(fù)雜，它通過(guò)單元狀態(tài)C保存長(zhǎng)期信息，并利用3個(gè)控制門(mén)［即遺忘門(mén)（決定前一時(shí)刻單元狀態(tài)Ct-1保留至當(dāng)前時(shí)刻Ct的程度）、輸入門(mén)（決定當(dāng)前時(shí)刻網(wǎng)絡(luò)輸入Xt保存到單元狀態(tài)C中的程度）、輸出門(mén)（決定當(dāng)前單元狀態(tài)Ct輸出至LSTM當(dāng)前輸出值ht的程度）］來(lái)篩選、保存和輸出長(zhǎng)期信息，從而實(shí)現(xiàn)長(zhǎng)期信息的合理保留與利用。LSTM網(wǎng)絡(luò)結(jié)構(gòu)示意圖見(jiàn)圖6。

1.2.3 訓(xùn)練預(yù)測(cè)模型

本文對(duì)2024年元旦、春節(jié)期間的實(shí)際網(wǎng)絡(luò)購(gòu)物數(shù)據(jù)與LSTM模型的預(yù)測(cè)數(shù)據(jù)進(jìn)行對(duì)比，以驗(yàn)證模型預(yù)測(cè)的準(zhǔn)確性。雖然實(shí)驗(yàn)數(shù)據(jù)量有限，預(yù)測(cè)數(shù)據(jù)與實(shí)際數(shù)據(jù)間存在誤差率，但是兩者反映的變動(dòng)趨勢(shì)基本一致，表明該模型對(duì)未來(lái)階段網(wǎng)絡(luò)消費(fèi)額的預(yù)測(cè)具有一定的參考價(jià)值。

2 預(yù)測(cè)結(jié)果分析

2.1 元旦期間網(wǎng)絡(luò)交易額預(yù)測(cè)

元旦期間交易額預(yù)測(cè)數(shù)據(jù)與真實(shí)數(shù)據(jù)對(duì)比結(jié)果見(jiàn)圖7。預(yù)測(cè)交易峰值為43.68萬(wàn)元，而實(shí)際交易值為40.62萬(wàn)元，差異率為7.53%。預(yù)測(cè)數(shù)據(jù)顯示交易峰值出現(xiàn)在元旦后第二天，與實(shí)際數(shù)據(jù)相差1天，基本一致，表明預(yù)測(cè)數(shù)據(jù)具有較好的參考性。從業(yè)務(wù)實(shí)際情況分析，元旦后新一年度的采購(gòu)計(jì)劃開(kāi)始實(shí)施，推動(dòng)了消費(fèi)增長(zhǎng)，預(yù)測(cè)數(shù)據(jù)體現(xiàn)了這一趨勢(shì)。

根據(jù)預(yù)測(cè)數(shù)據(jù)和變動(dòng)情況，電商平臺(tái)及供應(yīng)商應(yīng)提前掌握簽約機(jī)構(gòu)的全年計(jì)劃，盡早規(guī)劃，利用元旦假期擴(kuò)大銷(xiāo)售規(guī)模，為全年銷(xiāo)售額增長(zhǎng)奠定良好基礎(chǔ)。

2.2 春節(jié)期間網(wǎng)絡(luò)交易額預(yù)測(cè)

春節(jié)期間交易額預(yù)測(cè)數(shù)據(jù)與真實(shí)數(shù)據(jù)對(duì)比結(jié)果見(jiàn)圖8。預(yù)測(cè)交易峰值為35.52萬(wàn)元，實(shí)際交易峰值為34.91萬(wàn)元，差異率僅為1.75%，并且峰值出現(xiàn)的日期一致，表明預(yù)測(cè)數(shù)據(jù)具有較高的參考性。預(yù)測(cè)數(shù)據(jù)顯示，春節(jié)期前6～10天為交易額高峰期，這與消費(fèi)者節(jié)前集中采購(gòu)年節(jié)禮物的習(xí)慣相符合。自春節(jié)前一周起，購(gòu)物額迅速下降，直至春節(jié)前2天至假期結(jié)束，每日交易額維持在低位，假期結(jié)束后才有所恢復(fù)。這一現(xiàn)象反映了消費(fèi)者春節(jié)期間忙于休假，以及供應(yīng)商歇業(yè)、物流延遲等春節(jié)特有因素導(dǎo)致的交易量減少。

根據(jù)預(yù)測(cè)數(shù)據(jù)和變動(dòng)情況，電商平臺(tái)及供應(yīng)商應(yīng)把握節(jié)奏，力爭(zhēng)在春節(jié)前一周左右完成銷(xiāo)售目標(biāo)，以契合消費(fèi)者購(gòu)物習(xí)慣，同時(shí)確保春節(jié)期間運(yùn)營(yíng)平穩(wěn)。

2.3 中秋國(guó)慶期間網(wǎng)絡(luò)交易額預(yù)測(cè)

中秋國(guó)慶期間交易額預(yù)測(cè)結(jié)果見(jiàn)表9。全年網(wǎng)絡(luò)消費(fèi)交易最活躍且交易額最高的時(shí)段為中秋國(guó)慶雙節(jié)期間。預(yù)測(cè)顯示，2024年中秋國(guó)慶將出現(xiàn)兩個(gè)交易峰值，分別位于中秋與國(guó)慶前夕，均超過(guò)60萬(wàn)元，較2023年增長(zhǎng)20%。其中，2024年中秋節(jié)為9月17日，交易高峰將提前3天于中秋節(jié)前出現(xiàn)，國(guó)慶前交易高峰則提前7天。由于雙節(jié)間隔近兩周，因此形成了兩個(gè)交易高峰?？傮w來(lái)看，交易高峰出現(xiàn)在國(guó)慶前15天左右，與2020—2023年實(shí)際情況基本一致。此外，國(guó)慶節(jié)前2天至假期結(jié)束，預(yù)測(cè)交易額將快速下降，假期后逐步恢復(fù)，這反映了消費(fèi)者的消費(fèi)習(xí)慣。

根據(jù)預(yù)測(cè)數(shù)據(jù)和變動(dòng)情況，電商平臺(tái)及供應(yīng)商應(yīng)一方面緊抓中秋國(guó)慶熱點(diǎn)，精心策劃營(yíng)銷(xiāo)活動(dòng)，為擴(kuò)大全年銷(xiāo)售額奠定堅(jiān)實(shí)基礎(chǔ)；另一方面，合理安排營(yíng)銷(xiāo)節(jié)奏，提前預(yù)熱，在中秋前和國(guó)慶前兩周左右集中開(kāi)展，以契合消費(fèi)者習(xí)慣，提升營(yíng)銷(xiāo)效率。

2.4 “雙十一”期間網(wǎng)絡(luò)交易額預(yù)測(cè)

“雙十一”期間交易額預(yù)測(cè)結(jié)果見(jiàn)圖10。“雙十一”為全年網(wǎng)絡(luò)購(gòu)物交易額的第二高峰，預(yù)測(cè)2024年“雙十一”交易峰值將達(dá)到45.19萬(wàn)元，同比增長(zhǎng)18%。預(yù)測(cè)數(shù)據(jù)顯示，“雙十一”期間集中消費(fèi)趨勢(shì)不明顯，整體交易保持活躍，日均交易額達(dá)28.25萬(wàn)元。這主要是因?yàn)椤半p十一”消費(fèi)熱潮已在社會(huì)上產(chǎn)生廣泛影響，使得11月整體處于優(yōu)惠時(shí)段，導(dǎo)致交易數(shù)據(jù)集中度不高，但日均交易金額較高。

基于預(yù)測(cè)，電商平臺(tái)及供應(yīng)商應(yīng)主動(dòng)順應(yīng)“雙十一”消費(fèi)優(yōu)惠趨勢(shì)，合理規(guī)劃的營(yíng)銷(xiāo)活動(dòng)，以促進(jìn)消費(fèi)額增長(zhǎng)。

3 結(jié)論

本文利用LSTM模型對(duì)某電商平臺(tái)近年來(lái)的交易數(shù)據(jù)進(jìn)行了深度學(xué)習(xí)，旨在預(yù)測(cè)元旦、春節(jié)、中秋國(guó)慶、“雙十一”這4個(gè)高峰時(shí)段的網(wǎng)絡(luò)購(gòu)物交易金額，并分析了消費(fèi)高峰的變動(dòng)模式，結(jié)論如下。

（1）LSTM模型的預(yù)測(cè)數(shù)據(jù)與實(shí)際數(shù)據(jù)的變動(dòng)趨勢(shì)一致，驗(yàn)證了LSTM模型在預(yù)測(cè)網(wǎng)絡(luò)購(gòu)物變動(dòng)趨勢(shì)方面的可行性，為電商平臺(tái)提供了網(wǎng)絡(luò)購(gòu)物數(shù)據(jù)預(yù)測(cè)的有效參考方法。

（2）全年網(wǎng)絡(luò)購(gòu)物呈現(xiàn)出明顯的節(jié)假日集中特點(diǎn)，電商平臺(tái)及供應(yīng)商應(yīng)充分利用關(guān)鍵節(jié)假日，以實(shí)現(xiàn)消費(fèi)額的快速增長(zhǎng)，從而提高全年銷(xiāo)售額，因此建議將更多的營(yíng)銷(xiāo)資源投向節(jié)假日。

（3）在中秋國(guó)慶和春節(jié)這兩個(gè)高峰時(shí)段，消費(fèi)者網(wǎng)絡(luò)購(gòu)物的高峰值通常出現(xiàn)在節(jié)假日前的1～2周，隨后消費(fèi)意愿急劇下降。針對(duì)這一特點(diǎn)，電商平臺(tái)應(yīng)在節(jié)假日前的兩周內(nèi)集中開(kāi)展多樣化的營(yíng)銷(xiāo)活動(dòng)，以高效地將消費(fèi)者流量轉(zhuǎn)化為銷(xiāo)售額。

4 參考文獻(xiàn)

［1］劉建偉，劉媛，羅雄麟.深度學(xué)習(xí)研究進(jìn)展［J］.計(jì)算機(jī)應(yīng)用研究，2014，31（7）：1921-1930，1942.

［2］路思恒，尹紅.基于BP神經(jīng)網(wǎng)絡(luò)的居民消費(fèi)水平的預(yù)測(cè)模型：以安徽省為例［J］.現(xiàn)代電子技術(shù)，2022，45（21）：83-87.

［3］甘萍，林基明，農(nóng)麗萍，等.一種用于交通預(yù)測(cè)的自適應(yīng)時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)［J］.桂林電子科技大學(xué)學(xué)報(bào)，2023，43（1）：7-13.

［4］曹陽(yáng)，朱镕琦，沈琴琴，等.基于時(shí)域圖卷積神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)模型［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2023，44（12）：3700-3706.

［5］張金雷，楊立興，高自友.深度學(xué)習(xí)與交通大數(shù)據(jù)實(shí)戰(zhàn)［M］.北京：清華大學(xué)出版社，2022：132-134.