王長瓊，曹乜蜻，王艷麗，邱 杰，劉曉宇

武漢理工大學(xué) 物流工程學(xué)院，武漢 430063

1 引言

近年來，隨著中國電子商務(wù)爆發(fā)式的增長，用戶需求預(yù)測成為企業(yè)電子商務(wù)戰(zhàn)略的核心部分，并對市場導(dǎo)向與庫存控制具有積極影響。

在電商需求分析方面，李長春對阿里電商平臺的交易數(shù)據(jù)進行挖掘，并運用隨機森林方法對商品需求進行動態(tài)預(yù)測[1]。許圣佳、蔣煒通過利用點擊量和購買量的歷史信息進行需求預(yù)測，運用阿里巴巴大數(shù)據(jù)進行實證分析[2]。Qiu等人在電商環(huán)境下建立客戶購買預(yù)測模型（COREL），并運用京東數(shù)據(jù)調(diào)查客戶動機，挖掘顧客消費偏好[3]。Yang等人通過網(wǎng)站進行市場購物籃分析以挖掘消費者網(wǎng)上購物模式[4]。綜上可知，學(xué)者們已經(jīng)對電商環(huán)境下的需求變化進行了探究，但是單一的預(yù)測模型本身的局限性會影響預(yù)測精度，同時網(wǎng)購用戶訂單需求預(yù)測的相關(guān)研究相對缺乏。

在網(wǎng)絡(luò)搜索應(yīng)用方面，孫燁等人通過加入百度指數(shù)的VAR模型對三清山日游客量進行預(yù)測分析，發(fā)現(xiàn)移動端百度指數(shù)比PC端有更好的預(yù)測效果[5]。張愛華等人以余額寶資產(chǎn)規(guī)模為例，運用ARIMA模型構(gòu)建引入互聯(lián)網(wǎng)搜索量的市場需求預(yù)測模型[6]。Preis通過分析谷歌中與金融相關(guān)的搜索詞的變化，發(fā)現(xiàn)該模式可以成為股票市場波動的“預(yù)警信號”[7]。Hand等人研究發(fā)現(xiàn)谷歌趨勢數(shù)據(jù)可以提高電影錄取預(yù)測模型的準(zhǔn)確性[8]。綜上所述，網(wǎng)絡(luò)搜索產(chǎn)生的影響日益增大，但目前在網(wǎng)絡(luò)搜索對電商用戶訂單預(yù)測方面的研究尚未明確。

在組合預(yù)測模型方面，王寧等人在訓(xùn)練過程中采用網(wǎng)格搜索法對支持向量機回歸模型參數(shù)進行優(yōu)化[9]。丁宏飛等人通過蜂群優(yōu)化算法對參數(shù)進行優(yōu)化，提出了一種基于多模型融合預(yù)測算法的BP神經(jīng)網(wǎng)絡(luò)和支持向量機相結(jié)合的組合預(yù)測方法[10]。丁閃閃等人采用Adaboost算法對BP神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，構(gòu)建了BP_Adaboost預(yù)測模型，以改善傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測性能并利用南京市典型道路數(shù)據(jù)對該方法進行了性能評價[11]。楊波、吳涵等人建立趨勢曲線預(yù)測模型、回歸預(yù)測模型及灰色預(yù)測模型的物流需求單項預(yù)測模型，以Shapley值為權(quán)重確定方法，建立了組合預(yù)測模型，并以重慶空港物流園為例進行應(yīng)用[12]。Tselentis等人比較了統(tǒng)計與貝葉斯組合模型和經(jīng)典單時間序列模型在短期交通預(yù)測中的表現(xiàn)，并證明了組合預(yù)測的風(fēng)險比選擇單一模型的風(fēng)險要低[13]。Voronin等人結(jié)合小波變換、ARIMA模型和神經(jīng)網(wǎng)絡(luò)，建立組合預(yù)測模型，同時對電力需求和價格進行預(yù)測[14]。李翔、朱全銀針對傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)容易陷入局部極小、預(yù)測精度低的問題，提出使用Adaboost算法和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，提高網(wǎng)絡(luò)預(yù)測精度和泛化能力[15]。綜上所述，組合預(yù)測模型在一定程度上可以有效地提高預(yù)測精度，但在電商應(yīng)用方面還較少，選取的數(shù)據(jù)和指標(biāo)較為單一。

本文擬建立基于BP神經(jīng)網(wǎng)絡(luò)、基于Adaboost的BP神經(jīng)網(wǎng)絡(luò)、支持向量機SVM（Support Vector Machine）的組合預(yù)測模型，以避免單一模型的不足。同時，本文將影響網(wǎng)購用戶的直接因素與相關(guān)網(wǎng)絡(luò)指數(shù)結(jié)合，構(gòu)建一套融合百度指數(shù)和電商訂單衍生信息的指標(biāo)體系，以進一步提高組合預(yù)測模型精度。

2 組合預(yù)測模型原理

2.1 組合預(yù)測模型

組合預(yù)測能夠整合單項預(yù)測的優(yōu)勢，較大限度地利用各單項預(yù)測樣本信息，有效彌補單一預(yù)測因隨機因素的影響導(dǎo)致預(yù)測誤差較大的缺點，從而提高整體預(yù)測精度。針對BP神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)化、Adaboost算法對異常樣本的敏感、SVM對大規(guī)模訓(xùn)練樣本的困難性，本文將適用于物流需求預(yù)測的BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法、基于Adaboost的BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法、支持向量機SVM預(yù)測方法三種方法的預(yù)測結(jié)果進行結(jié)合，選擇Shapley組合預(yù)測法對結(jié)果進行處理，得出更為滿意的預(yù)測方案。

步驟1根據(jù)網(wǎng)購訂單量影響因素構(gòu)建融合百度指數(shù)的訂單量預(yù)測指標(biāo)體系，區(qū)分訓(xùn)練數(shù)據(jù)與預(yù)測數(shù)據(jù)，并對原始數(shù)據(jù)進行歸一化等預(yù)處理。

步驟2通過BP神經(jīng)網(wǎng)絡(luò)模型、支持向量機SVM模型對預(yù)處理的數(shù)據(jù)進行預(yù)測分析，得出預(yù)測數(shù)據(jù)。同時，將相同結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)使用Adaboost算法進行優(yōu)化，構(gòu)建基于Adaboost的BP神經(jīng)網(wǎng)絡(luò)模型，得到其預(yù)測數(shù)據(jù)。

步驟3計算各模型訓(xùn)練數(shù)據(jù)的平均相對偏差MRD（Mean Relative Deviation）：

其中，yi為訓(xùn)練原值，為訓(xùn)練所得預(yù)測值，n為訓(xùn)練組數(shù)。

步驟4根據(jù)各模型平均訓(xùn)練MRD，計算各模型Shapley值的分配，并確定組合預(yù)測中各預(yù)測方法的權(quán)重。

步驟5根據(jù)各模型分配的權(quán)重計算預(yù)測數(shù)據(jù)的組合預(yù)測結(jié)果。

組合預(yù)測算法原理如圖1所示。

圖1 組合預(yù)測模型原理圖

2.2 算法詳細(xì)設(shè)計

目前，在物流需求預(yù)測神經(jīng)網(wǎng)絡(luò)方法中主要是采用BP網(wǎng)絡(luò)，但在進行學(xué)習(xí)訓(xùn)練時BP神經(jīng)網(wǎng)絡(luò)隨機初始化權(quán)值與閾值往往會降低其收斂速度，容易陷入局部極值問題。BP神經(jīng)網(wǎng)絡(luò)模型最重要的是輸入層、隱含層、輸出層神經(jīng)元個數(shù)的選擇以及激勵函數(shù)、訓(xùn)練函數(shù)的確定，這需要通過大量實驗來選擇。

Adaboost算法是Boosting算法的一種改進算法，能對弱預(yù)測器的誤差進行適應(yīng)性調(diào)整，從而達(dá)到提高任意弱預(yù)測器的預(yù)測精度的目的。但Adaboost算法對異常樣本敏感，異常樣本在迭代中可能會獲得較高的權(quán)重，影響最終的強學(xué)習(xí)器的預(yù)測準(zhǔn)確性。本文以BP神經(jīng)網(wǎng)絡(luò)作為集成模型的弱預(yù)測器，利用Adaboost算法的思想集成BP神經(jīng)網(wǎng)絡(luò)，使用加權(quán)后選取的訓(xùn)練數(shù)據(jù)代替隨機選取的訓(xùn)練樣本，將弱分類器聯(lián)合起來，得到BPAdaboost強預(yù)測器。構(gòu)建的BP-Adaboost強預(yù)測器是由多個BP網(wǎng)絡(luò)組成，能有效克服單一BP神經(jīng)網(wǎng)絡(luò)的缺點。計算流程及模型結(jié)構(gòu)見圖2。

圖2 基于Adaboost的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

支持向量機SVM可用于回歸預(yù)測分析，對訂單量或快遞量進行有效預(yù)測。SVM能夠較好地解決小樣本、非線性、高維數(shù)問題，常被用于識別和預(yù)測。但SVM算法對大規(guī)模訓(xùn)練樣本難以實施。其重點在于：第一，回歸函數(shù)的確定。本文采用極小化優(yōu)化模型來確定回歸函數(shù)。第二，核函數(shù)的確定。核函數(shù)的選擇決定了特征空間的結(jié)構(gòu)。本文采用基于徑向基RBF（Radial Basis Function）核函數(shù)，該函數(shù)能夠很好地實現(xiàn)非線性映射。

Shapley值法是確定各單項預(yù)測方法在組合預(yù)測方法中的權(quán)數(shù)的大小，N種單項預(yù)測方法根據(jù)各自誤差的大小來分配權(quán)重。Shapley值實現(xiàn)的是每個合作成員對該合作聯(lián)盟的貢獻(xiàn)大小，突出反映了各個成員在合作中的重要性。其最大優(yōu)點就是原理和結(jié)果易于被各個合作方視為公平，結(jié)果易于被各方接受。

算法步驟如下：

（1）選取指標(biāo)，并運用不同單預(yù)測模型對因變量進行預(yù)測，得到預(yù)測值。

（2）計算組合預(yù)測中各單預(yù)測方法的權(quán)重。Shapley值的分配公式為：

其中，n為預(yù)測方法數(shù)目，s為集合I={1,2,…,n}中的任意子集，Ei為該預(yù)測模型分得的誤差量（即Shapley值），E(s)為各組合的誤差，w(||s)為加權(quán)因子。根據(jù)上述計算結(jié)果確定組合預(yù)測中各預(yù)測方法的權(quán)重，公式為：

其中，E為組合預(yù)測的總誤差。

（3）計算組合預(yù)測結(jié)果。在t時刻的組合預(yù)測值可表示為：

其中，Yit表示第i種預(yù)測方法在t時刻的預(yù)測值。

2.3 SVM的信息?；瘯r序回歸預(yù)測

如果能知道電商訂單量或快遞量的變化趨勢和變化空間，這對于企業(yè)來說是非常有幫助的。本文利用SVM對進行模糊信息?；蟮碾娚滔嚓P(guān)指數(shù)進行變化趨勢和變化空間的預(yù)測，并選擇W.Pedrycz模糊粒化方法模型進行數(shù)據(jù)處理。

對于給定的時間序列X(x1,x2,…,xN)，考慮單窗口問題，即把整個時序X看成是一個窗口進行模糊化。本文采用三角型模糊粒子，其隸屬函數(shù)如下：

W.Pedrycz模糊?；椒ń⒛：Ｗ拥幕舅枷霝椋海?）模糊粒子可以很好地代表原始數(shù)據(jù)；（2）模糊粒子要有一定特殊性。為了滿足上述的兩個要求，找到兩者的最佳平衡，可考慮建立如下的關(guān)于A的一個函數(shù)：

其中，MA滿足建立模糊粒子的基本思想（1）；NA滿足建立模糊粒子的基本思想（2）。

W.Pedrycz將信息粒化理論用到時間序列分析中，對時間序列進行信息?；?，取得了很好的效果。故本文用W.Pedrycz模糊?；椒▽﹄娚逃唵瘟繒r間序列進行模糊粒化，利用SVM對模糊粒化后的數(shù)據(jù)進行變化趨勢和空間的回歸預(yù)測。

3 基于融合百度指數(shù)和電商用戶訂單信息的指標(biāo)模型

由于網(wǎng)購訂單量受多重因素的影響，涉及到的行業(yè)和企業(yè)也是五花八門，不同行業(yè)和企業(yè)在電商預(yù)測方面所采用的指標(biāo)也不盡相同。因此，通過分析影響因素來構(gòu)建一個適用于網(wǎng)購訂單量的綜合評價指標(biāo)體系，就具有十分重要的理論與現(xiàn)實意義。針對電商整體環(huán)境和市場運營方式，本文總結(jié)了以下兩類影響因素：

（1）電商網(wǎng)購訂單直接影響因素

①用戶行為導(dǎo)向因素，即用戶的行為對電商交易額和交易量的影響因素。從當(dāng)前市場環(huán)境下的需求方來說，用戶行為主要包括商品瀏覽、商品加入購物車、店鋪收藏、用戶登錄次數(shù)等方面。

②商家行為導(dǎo)向因素，即商家為維持、促進店鋪交易額從而獲取利潤的行為對市場的影響。從市場供應(yīng)方來說，商家行為主要包括商品單價、商品折扣力度、同行業(yè)水平、用戶評價展示和預(yù)售等方面。

③交易行為導(dǎo)向因素，即在供需雙方交易的過程中產(chǎn)生的數(shù)據(jù)流對下筆交易所產(chǎn)生的影響。通常包括交易額、交易量、訂單筆數(shù)、下單用戶數(shù)、第三方支付方式等因素。

（2）網(wǎng)絡(luò)搜索間接影響因素

搜索引擎所記錄下的海量數(shù)據(jù)與電商用戶的興趣、需求、“用戶關(guān)注度”甚至未來行為必然存在著關(guān)聯(lián)。如果能夠有效挖掘“搜索數(shù)據(jù)”中的用戶需求信息并加以利用，這些影響因素對于電商交易訂單需求預(yù)測精度的提高和市場趨勢把握力度的增大會是很強助力。目前，將網(wǎng)絡(luò)搜索數(shù)據(jù)作為影響因素來預(yù)測電商訂單需求量的研究還較少，本文會結(jié)合百度指數(shù)關(guān)鍵詞搜索對預(yù)測精度的影響展開研究。關(guān)鍵詞的選取方法主要包括直接取詞法、相關(guān)取詞法、技術(shù)取詞法等?？紤]到數(shù)據(jù)的可獲得性，本文會通過對基準(zhǔn)關(guān)鍵詞的直接搜索來建立影響因素指標(biāo)體系。此外，由于移動端百度指數(shù)比PC端使用廣泛、更具代表性，選擇移動端指數(shù)可以使得預(yù)測結(jié)果更為精確。

本文通過對用戶行為日志數(shù)據(jù)的處理，結(jié)合上述影響因素，通過SPSS軟件對影響因素指標(biāo)和評價因素指標(biāo)之間進行相關(guān)性分析，選取通過顯著性檢驗且相關(guān)系數(shù)大于0.85的指標(biāo)作為最終指標(biāo)，構(gòu)建了基于融合百度指數(shù)和電商用戶訂單信息的指標(biāo)體系，如表1所示。

表1 電商物流需求預(yù)測指標(biāo)體系

4 實例分析

4.1 樣本收集與預(yù)處理

本文選取了某一時間段內(nèi)百度指數(shù)關(guān)鍵詞搜索量和某電商平臺68萬條數(shù)據(jù)，以周為單位對這些數(shù)據(jù)進行分類整合，按照上文所構(gòu)建的指標(biāo)體系整理出了連續(xù)32周的數(shù)據(jù)，選取前31組數(shù)據(jù)訓(xùn)練，用第32組數(shù)據(jù)測試。如表2所示。在軟件運用方面，針對各影響因素和評價指標(biāo)之間相關(guān)關(guān)系的問題，采用SPSS軟件進行檢驗；針對組合預(yù)測建模，采用Matlab軟件進行求解。

表2 某區(qū)域電商訂單需求預(yù)測指標(biāo)統(tǒng)計數(shù)據(jù)

4.2 預(yù)測與結(jié)果分析

4.2.1 模型參數(shù)設(shè)置

根據(jù)指標(biāo)體系，BP網(wǎng)絡(luò)輸入層神經(jīng)元個數(shù)為7，輸出層神經(jīng)元個數(shù)為1，通過實驗選取隱含層神經(jīng)元個數(shù)為7。此外，根據(jù)實驗對比分析，最終選取logsig函數(shù)作為激勵函數(shù)，trainlm函數(shù)作為訓(xùn)練函數(shù)，訓(xùn)練次數(shù)200 000，訓(xùn)練目標(biāo)100E-05。

在基于Adaboost的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型中，采用10個BP神經(jīng)網(wǎng)絡(luò)作為弱預(yù)測器組成的強預(yù)測器對訂單量進行預(yù)測，把弱預(yù)測器預(yù)測誤差超過0.1的測試樣本作為應(yīng)該加強學(xué)習(xí)的樣本。BP神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置與上文相同。

在SVM預(yù)測模型中，使用matlab中l(wèi)ibsvm工具箱進行SVM回歸，默認(rèn)徑向基函數(shù)（RBF）作為SVM的核函數(shù)，通過matlab編程、采用交叉驗證方法實現(xiàn)對回歸最佳懲罰參數(shù)c和核函數(shù)參數(shù)g的尋找。

4.2.2 結(jié)果分析

單項預(yù)測方法的預(yù)測結(jié)果和平均相對偏差MRD如表3所示?？梢钥闯?，BP神經(jīng)網(wǎng)絡(luò)對這組數(shù)據(jù)適應(yīng)度較好，基于Adaboost的BP神經(jīng)網(wǎng)絡(luò)和SVM的訓(xùn)練擬合程度相對較差，但從后文的第32組數(shù)據(jù)看，其預(yù)測能力均高于BP神經(jīng)網(wǎng)絡(luò)。

計算各成員Shapley值，再根據(jù)權(quán)重計算公式調(diào)整權(quán)重，故最終組合預(yù)測模型為：

Y=0.640Y1+0.185Y2+0.175Y3

利用組合模型對第32組數(shù)據(jù)進行預(yù)測，預(yù)測結(jié)果如表4所示。

（1）組合預(yù)測結(jié)果分析

結(jié)合表3、表4，可以看出，組合預(yù)測模型的預(yù)測誤差可以收斂到1.25%，達(dá)到很好的預(yù)測效果。而預(yù)測誤差最低值所使用的SVM模型，其訓(xùn)練誤差卻高達(dá)5.47%；與此相反，在訓(xùn)練過程中表現(xiàn)突出的BP神經(jīng)網(wǎng)絡(luò)模型，預(yù)測時的誤差卻是最大值2.95%。Shapley值組合預(yù)測的預(yù)測值會比較平穩(wěn)，不像其他單一模型的預(yù)測值波動較大，這也是組合預(yù)測模型的一大優(yōu)勢。而且Shapley值法科學(xué)合理的分配各單一模型權(quán)重，使其誤差也會與精度最優(yōu)的模型相差不大。組合預(yù)測模型還具有現(xiàn)實可操作性和較強的實用性。

表3 各單預(yù)測模型訓(xùn)練結(jié)果和訓(xùn)練相對誤差

表4 組合預(yù)測結(jié)果

（2）誤差MRD波動分析

各模型MRD波動情況如圖3所示。

圖3 平均相對偏差MRD波動圖（融合百度指數(shù)）

SVM模型和基于Adaboost的BP神經(jīng)網(wǎng)絡(luò)模型在前31組的訓(xùn)練中表現(xiàn)較差，但第32組的預(yù)測結(jié)果精度很高；BP神經(jīng)網(wǎng)絡(luò)的前期訓(xùn)練結(jié)果非常好，但在預(yù)測過程中誤差猛增，且由于神經(jīng)網(wǎng)絡(luò)本身隨機性較強，使得實驗結(jié)果并不穩(wěn)定，在實驗過程中甚至出現(xiàn)誤差非常大的個別情況。Shapley值組合預(yù)測模型的預(yù)測結(jié)果相對穩(wěn)定，始終保持在5%以內(nèi)，即使在SVM模型出現(xiàn)較大失誤的情況下也可以快速修正，且最終的預(yù)測誤差非常低。

（3）預(yù)測值與原始值的擬合程度分析

Shapley值組合預(yù)測值與原始值的擬合圖如圖4所示。可以看出組合模型的預(yù)測值與數(shù)據(jù)原始值的擬合程度非常高，可以有效地對電商訂單量的波動做出正確的判斷和預(yù)測。

圖4 擬合趨勢圖

本文用可決系數(shù)R2來衡量預(yù)測值與原始值的擬合程度?？蓻Q系數(shù)R2越大，說明模型對原始值的擬合程度越好。擬合數(shù)據(jù)結(jié)果如表5所示。

表5 擬合數(shù)據(jù)結(jié)果

從可決系數(shù)R2反映的數(shù)據(jù)來看，組合模型的預(yù)測值與原始值的擬合程度在4種模型中排名第一，高達(dá)99%，說明各樣本預(yù)測點與回歸線靠得非常近，由樣本回歸做出解釋的離差平方和與總離差平方和十分相近，也就是擬合優(yōu)度非常高。這就證明了本文所提出的組合預(yù)測模型對于電商訂單量預(yù)測的適應(yīng)性和準(zhǔn)確性。同時，將每個指標(biāo)中準(zhǔn)確度排名靠前的兩組數(shù)據(jù)在表中標(biāo)出，可以直觀清楚地看到，本文所提出的組合預(yù)測模型在三項指標(biāo)中全部表現(xiàn)出色。相對于單項預(yù)測模型的單項預(yù)測評價指標(biāo)，組合預(yù)測模型的預(yù)測精度有所降低，但組合預(yù)測模型仍然可以較好地刻畫電商訂單量的整體變化趨勢，預(yù)測結(jié)果可以為電商管理人員提供有價值的參考信息。

在電商訂單量不斷變化的今天，組合預(yù)測模型可以更好地適應(yīng)不斷變化的數(shù)據(jù)，避免單一模型對數(shù)據(jù)不適應(yīng)性而導(dǎo)致的預(yù)測失真。

4.2.3 百度指數(shù)比較分析

為了研究加入了百度指數(shù)作為預(yù)測指標(biāo)后模型的有效性，本文另做了一組6個輸入指標(biāo)（不包括百度指數(shù)）的實驗，與上述實驗對比分析，實驗結(jié)果如圖5所示。

圖5 預(yù)測誤差對比分析圖

從實驗結(jié)果可以看出，6個指標(biāo)輸入的實驗誤差相對較大，融合了百度指數(shù)作為預(yù)測指標(biāo)的實驗，尤其是對于基于Adaboost的BP神經(jīng)網(wǎng)絡(luò)模型、本文所構(gòu)建的組合預(yù)測模型來說，預(yù)測結(jié)果更為精確。該研究證明了網(wǎng)絡(luò)搜索關(guān)鍵詞對電子商務(wù)訂單量預(yù)測的起著明顯的影響作用，可以作為反映電商訂單量預(yù)測趨勢的影響因素。

4.3 趨勢預(yù)測

趨勢結(jié)果如圖6、圖7所示。Low=2 076.77,r=2 595.56,Up=2 595.56，即，在接下來的兩周中，訂單量的變化趨勢和變化空間為[2 076.77,2 595.56]。這個結(jié)果可對物流公司或供應(yīng)鏈企業(yè)車輛調(diào)配、提前調(diào)貨等方面提供有力依據(jù)。

圖6 Low趨勢擬合圖

圖7 Up趨勢擬合圖

5 結(jié)束語

本文對電商環(huán)境下的用戶訂單量預(yù)測進行研究。實驗證明，組合預(yù)測模型比BP神經(jīng)網(wǎng)絡(luò)模型、基于Adaboost的BP神經(jīng)網(wǎng)絡(luò)模型、支持向量機SVM模型更能適應(yīng)動態(tài)變化的數(shù)據(jù)，訓(xùn)練和預(yù)測過程中都能保持較小穩(wěn)定偏差波動，準(zhǔn)確度達(dá)到98.75%。同時，本文構(gòu)建了基于融合百度指數(shù)和電商用戶訂單信息的指標(biāo)體系模型，將百度指數(shù)關(guān)鍵詞“快遞”的移動端搜索數(shù)據(jù)量融入電商訂單量變化的影響因素。通過對比試驗，融合百度指數(shù)的組合預(yù)測模型準(zhǔn)確度比未融合模型高2.67%，證明了百度指數(shù)作為網(wǎng)購訂單量預(yù)測影響因素的有效性，為電商企業(yè)預(yù)測用戶需求提供了一種新思路。

[1]李長春.大數(shù)據(jù)背景下的商品需求預(yù)測與分倉規(guī)劃[J].數(shù)學(xué)的實踐與認(rèn)識，2017，47（7）：70-79.

[2]許圣佳，蔣煒.電子商務(wù)環(huán)境下基于點擊流的需求預(yù)測模型和企業(yè)庫存優(yōu)化[J].上海管理科學(xué)，2016，38（2）：18-27.

[3]Qiu Jiangtao，Lin Zhangxi，Li Yinghong.Predicting customer purchase behavior in the e-commerce context[J].Electronic Commerce Research，2015，15（4）：427-452.

[4]Yang Yinghui，Liu Hongyan，Cai Yuanjue.Discovery of online shopping patterns across websites[J].Informs Journal on Computing，2013，25（1）：161-176.

[5]孫燁，張宏磊，劉培學(xué)，等.基于旅游者網(wǎng)絡(luò)關(guān)注度的旅游景區(qū)日游客量預(yù)測研究——以不同客戶端百度指數(shù)為例[J].人文地理，2017（3）：152-160.

[6]張愛華，韓怡嘉.基于互聯(lián)網(wǎng)搜索信息的預(yù)測模型研究——以余額寶產(chǎn)品需求為例[J].北京郵電大學(xué)學(xué)報：社會科學(xué)版，2015，17（3）：36-41.

[7]Preis T，Moat H S，Stanley H E.Quantifying trading behavior in financial markets using Google trends[J].Scientific Reports，2013，3：1684.

[8]Hand C，Judge G.Searching for the picture：Forecasting UK cinema admissions using Google trends data[J].Applied Economics Letters，2012，19（11）：1051-1055.

[9]王寧，謝敏，鄧佳梁，等.基于支持向量機回歸組合模型的中長期降溫負(fù)荷預(yù)測[J].電力系統(tǒng)保護與控制，2016，44（3）：92-97.

[10]丁宏飛，李演洪，劉博，等.基于BP神經(jīng)網(wǎng)絡(luò)與SVM的快速路行程時間組合預(yù)測研究[J].計算機應(yīng)用研究，2016，33（10）：2929-2932.

[11]丁閃閃，王維鋒，季錦章，等.基于時空關(guān)聯(lián)和BP_Adaboost的短時交通參數(shù)預(yù)測[J].公路交通科技，2016，33（5）：98-104.

[12]楊波，吳涵.基于組合預(yù)測模型的物流園區(qū)物流需求預(yù)測——以重慶空港物流園為例[J].數(shù)學(xué)的實踐與認(rèn)識，2015，45（20）：16-25.

[13]Tselentis D I，Vlahogianni E I，Karlaftis M G.Improving short-term traffic forecasts：To combine models or not to combine?[J].Intelligent Transport Systems Iet，2015，9（2）：193-201.

[14]Voronin S，Partanen J.Forecasting electricity price and demand using a hybrid approach based on wavelet transform，ARIMA and neural networks[J].International Journal of Energy Research，2014，38（5）：626-637.

[15]李翔，朱全銀.Adaboost算法改進BP神經(jīng)網(wǎng)絡(luò)預(yù)測研究[J].計算機工程與科學(xué)，2013，35（8）：96-102.