千文

（賀州學(xué)院 廣西壯族自治區(qū)賀州市 542899）

過(guò)去的商品市場(chǎng)營(yíng)銷方式通常是采用廣撒網(wǎng)的形式，但是這種營(yíng)銷方式雖然具有一定的效果，但是隨著現(xiàn)代技術(shù)的不斷發(fā)展，已經(jīng)無(wú)法帶來(lái)更為顯著的效益?；诖吮尘跋?，精準(zhǔn)營(yíng)銷已經(jīng)成為一種新的、有效的營(yíng)銷手段。不斷整合先進(jìn)的營(yíng)銷理念，幫助企業(yè)準(zhǔn)確定位客戶，通過(guò)高度的信息集成實(shí)現(xiàn)精準(zhǔn)營(yíng)銷。該方式不僅能夠降低營(yíng)銷成本，而且可以提高企業(yè)的經(jīng)濟(jì)效益。目前，商業(yè)軟件如SPSS、MATLAB、SAS 被用于數(shù)據(jù)分析。但是這些軟件昂貴，具有龐大的安裝包，安裝過(guò)程非常復(fù)雜。Python 相較于與商業(yè)軟件相比，擁有著非常龐大的標(biāo)準(zhǔn)庫(kù)與第三方庫(kù)，可以實(shí)現(xiàn)對(duì)更加復(fù)雜的數(shù)據(jù)邏輯和更龐大的數(shù)據(jù)集的處理，并且自動(dòng)分析十分方便。Python 成為數(shù)據(jù)分析領(lǐng)域的首選工具。Python 豐富的第三方庫(kù)、開(kāi)源社區(qū)為許多非計(jì)算機(jī)專業(yè)提供了廣泛渠道。因此，本文簡(jiǎn)要介紹了Python 的產(chǎn)品銷售數(shù)據(jù)分析中的思路。

1 相關(guān)技術(shù)

1.1 Python語(yǔ)言

Python 是一種計(jì)算機(jī)編程語(yǔ)言，結(jié)合了可解釋性、編譯和面向?qū)ο蟆ython 語(yǔ)言以其可讀、簡(jiǎn)單、易于維護(hù)和可擴(kuò)展性等眾多優(yōu)勢(shì)成為近年來(lái)最流行的編程語(yǔ)言之一，并且在數(shù)據(jù)科學(xué)和數(shù)據(jù)分析領(lǐng)域具有顯著的應(yīng)用優(yōu)勢(shì)。

1.2 Matplotlib可視化庫(kù)

Python 的二維圖形庫(kù)Matplotlib 是一個(gè)功能強(qiáng)大的通用Python 可視化庫(kù)。Matlab 繪圖工具包提供了一個(gè)類似于Matlab 的繪圖。用戶只需調(diào)用pyplot 模塊中的函數(shù)即可簡(jiǎn)單高效地繪制直方圖、散點(diǎn)圖和條形碼圖。

1.3 Pandas

其是以Numpy 為基礎(chǔ)的一種工具，其創(chuàng)建目的是為了解決數(shù)據(jù)分析任務(wù)，它為時(shí)間序列分析提供了幫助。Pandas中擁有大量的庫(kù)和標(biāo)準(zhǔn)數(shù)據(jù)模型，所以能夠?yàn)樘幚泶笮蛿?shù)據(jù)提供必要的工具。

本文選擇Python 和Java 編程語(yǔ)言進(jìn)行系統(tǒng)開(kāi)發(fā)，選擇Java 語(yǔ)言和預(yù)測(cè)模型進(jìn)行網(wǎng)站開(kāi)發(fā)，并設(shè)計(jì)了Python 語(yǔ)言。前端開(kāi)發(fā)選擇了一個(gè)簡(jiǎn)單的基于layui 的網(wǎng)絡(luò)編程平臺(tái)。程序中使用的基本框架是layui 和jQuery，使用的路由框架是q.js。它是一個(gè)輕型單面前端配線架，設(shè)計(jì)理念是“輕巧而簡(jiǎn)約”。為了使緩存得到更好的利用，同時(shí)減少后端支持，q.js終止了html5state，提供了兩種URL 注冊(cè)方法，分別是關(guān)鍵字和正則表達(dá)；使用的MWM 框架為Pndyls，其是專門為jQuery 編寫(xiě)的。

2 商品銷量預(yù)測(cè)模型的構(gòu)建和驗(yàn)證

在對(duì)于商品進(jìn)行預(yù)測(cè)之前，首先需要了解具體流程：包括確定預(yù)測(cè)對(duì)象、預(yù)測(cè)目標(biāo)與需求等。假設(shè)預(yù)測(cè)商品為服裝，此時(shí)需要考慮到衣服銷售季節(jié)，明確衣服場(chǎng)景。預(yù)測(cè)對(duì)象、場(chǎng)景決定了預(yù)測(cè)方法的選擇。另外，確定預(yù)測(cè)時(shí)間，預(yù)測(cè)對(duì)象不同對(duì)于預(yù)測(cè)時(shí)間具有很高的要求。其次，對(duì)于數(shù)據(jù)進(jìn)行處理，收集數(shù)據(jù)之后開(kāi)展預(yù)處理，提高預(yù)測(cè)精度。數(shù)據(jù)預(yù)處理方法非常多，如常見(jiàn)的數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)規(guī)約等。之后可以構(gòu)建模型，銷售預(yù)測(cè)方法則是根據(jù)上述分析到的條件來(lái)選擇適合的算法，并基于此建立預(yù)測(cè)模型。最后，確定評(píng)價(jià)指標(biāo)，通過(guò)指標(biāo)判斷預(yù)測(cè)結(jié)果。

2.1 銷量預(yù)測(cè)方法的選取

表1 所示為銷量預(yù)測(cè)的主流方法。在預(yù)測(cè)和分析商品未來(lái)銷售數(shù)據(jù)時(shí)，根據(jù)現(xiàn)有數(shù)據(jù)，數(shù)據(jù)預(yù)測(cè)方法可分為定性預(yù)測(cè)和定量預(yù)測(cè)。市場(chǎng)預(yù)測(cè)員根據(jù)定性知識(shí)收集各種數(shù)據(jù)，然后根據(jù)市場(chǎng)預(yù)測(cè)員收集數(shù)據(jù)，并基于預(yù)測(cè)人員的知識(shí)水平、主觀判斷和豐富經(jīng)驗(yàn)來(lái)評(píng)估商品的未來(lái)銷售發(fā)展趨勢(shì)。定性預(yù)測(cè)方法具有成本低、時(shí)間短、易于使用，可以綜合多種因素。但這一方式對(duì)于預(yù)測(cè)要求非常高，所以預(yù)測(cè)人員的專業(yè)知識(shí)和經(jīng)驗(yàn)非常重要。

表1： 主流預(yù)測(cè)方法對(duì)比

定性預(yù)測(cè)存在非常高的隨機(jī)性，因此可以采用不同預(yù)測(cè)決策者的加權(quán)平均值，但是預(yù)測(cè)結(jié)果和實(shí)際結(jié)果之間會(huì)出現(xiàn)差異。定量預(yù)測(cè)則是利用數(shù)學(xué)模型來(lái)分析已有的歷史數(shù)據(jù)，經(jīng)過(guò)對(duì)歷史數(shù)據(jù)進(jìn)行統(tǒng)一后，對(duì)于收集到的數(shù)據(jù)進(jìn)行處理，以此來(lái)觀察變量之間的規(guī)律關(guān)系。原則上可以將定量分析分為兩類，其中一類是時(shí)間序列預(yù)測(cè)方法。這一方法能夠預(yù)測(cè)商品的變化規(guī)律，并且得到商品在市場(chǎng)上的演化權(quán)。時(shí)間預(yù)測(cè)序列方法認(rèn)為未來(lái)的發(fā)展形勢(shì)是過(guò)去發(fā)展的延伸。回歸預(yù)測(cè)是一種非常重要的因果分析方法。在預(yù)測(cè)過(guò)程中，使用特定的數(shù)學(xué)模型來(lái)對(duì)于自變量的變化過(guò)程是否存在特定關(guān)系進(jìn)行研究，其因果律不僅表現(xiàn)它的時(shí)間序列中，而且具體表現(xiàn)在變量關(guān)系。

隨著技術(shù)的發(fā)展，在社會(huì)各個(gè)領(lǐng)域中開(kāi)始廣泛應(yīng)用支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)。具有非線性預(yù)測(cè)能力的神經(jīng)網(wǎng)絡(luò)方法在神經(jīng)網(wǎng)絡(luò)模型中十分常見(jiàn)，但是因?yàn)樯窠?jīng)網(wǎng)絡(luò)以來(lái)學(xué)習(xí)樣本情況比較嚴(yán)重，所以非常容易陷入局部最優(yōu)，甚至無(wú)法得到最優(yōu)解?；诖饲闆r下，樣本數(shù)據(jù)較小時(shí)，預(yù)測(cè)精度相對(duì)較低；但樣本數(shù)據(jù)較多時(shí)，將會(huì)需求大量訓(xùn)練時(shí)間。由于其自身的特點(diǎn)，支持向量機(jī)在預(yù)測(cè)小樣本數(shù)據(jù)，支持度非常高，預(yù)測(cè)結(jié)果也比較準(zhǔn)確。

而關(guān)于銷售額的預(yù)測(cè)方法也非常多，因此選擇銷售額的預(yù)測(cè)方法需要根據(jù)預(yù)測(cè)場(chǎng)景和預(yù)測(cè)對(duì)象來(lái)選擇。該預(yù)測(cè)方法根據(jù)預(yù)測(cè)對(duì)象和情況進(jìn)行預(yù)測(cè)，有效地減少了預(yù)測(cè)結(jié)果與實(shí)際情況之間的誤差，獲得準(zhǔn)確的商品銷售預(yù)測(cè)結(jié)果。然而，如果我們選擇的預(yù)測(cè)方法沒(méi)有考慮到實(shí)際情況，這不僅會(huì)浪費(fèi)大量人力、物力，還會(huì)浪費(fèi)時(shí)間。另外，預(yù)測(cè)結(jié)果很難在環(huán)境中得到實(shí)際應(yīng)用，導(dǎo)致預(yù)測(cè)結(jié)果和實(shí)際情況之間存在較大的差異。基于訓(xùn)練場(chǎng)景、預(yù)測(cè)對(duì)象等情況來(lái)開(kāi)展預(yù)測(cè)的話，預(yù)測(cè)結(jié)果的精準(zhǔn)度更高。

通過(guò)對(duì)商品銷售現(xiàn)狀的分析和各種預(yù)測(cè)算法的比較，結(jié)合樣本數(shù)據(jù)和短期預(yù)測(cè)時(shí)間的特點(diǎn)，如果選擇一種需要大量數(shù)據(jù)才可以獲得準(zhǔn)確預(yù)測(cè)的預(yù)測(cè)方法，則預(yù)測(cè)時(shí)間會(huì)成倍增加，但精度是相似的。根據(jù)短期銷售預(yù)測(cè)的特點(diǎn)，本研究采用支持向量回歸方法，對(duì)于非線性預(yù)測(cè)數(shù)據(jù)友好，在高維預(yù)測(cè)、小樣本數(shù)據(jù)具有良好的預(yù)測(cè)效果，能較好地滿足商業(yè)銷售預(yù)測(cè)的需要。

2.2 商品銷售影響因素分析

商品銷售的影響因素可概括為定量因素和定性因素。其中，定性因素是指在具體數(shù)據(jù)中難以量化的因素，如城市經(jīng)濟(jì)發(fā)展趨勢(shì)、宏觀調(diào)控政策、習(xí)慣差異、城市發(fā)展水平等。由于銷售預(yù)測(cè)只涉及短期，在短期定量預(yù)測(cè)中，當(dāng)?shù)乜側(cè)丝诤途用穸鞲駹栂禂?shù)難以改變，大部分的可支配收入也比較穩(wěn)定。通過(guò)分析影響商品銷售的因素，并且結(jié)合產(chǎn)品的特點(diǎn)，并考慮到影響需求的主要因素，包括氣象條件、節(jié)假日、歷史需求、促銷活動(dòng)等。第二，商品銷售相關(guān)因素的日變化，包括日期類型（休息日、促銷日、工作日、節(jié)假日）、天氣等。

在本次設(shè)計(jì)中，地區(qū)總?cè)丝跀?shù)、居民恩格爾系數(shù)無(wú)較大變化，大部分人的可支配收入也比較穩(wěn)定。本文考慮到眾多影響因素，包括歷史需求、天氣、節(jié)假日、促銷活動(dòng)等，基于此將影響因素分為兩類：第一類為預(yù)測(cè)商品日常銷售所產(chǎn)生的數(shù)據(jù)，從而確定商品需求情況；另一個(gè)是與原材料銷售相關(guān)的影響因素，這些因素每天都在變化，例如日期（促銷日、工作日、休息日、節(jié)假日）等。在預(yù)測(cè)商品銷量前，將數(shù)據(jù)進(jìn)行隸屬函數(shù)的模糊化處理，方便后續(xù)預(yù)測(cè)。由于影響因素較多，所以各影響因素水平較大的情況下，利用影響因素的原始數(shù)據(jù)進(jìn)行分析、預(yù)測(cè)，數(shù)值范圍大的因素影響顯著，數(shù)值范圍大和數(shù)值范圍小的因素影響減小。因此，有必要確保預(yù)測(cè)結(jié)果的更高精度。為最大程度保障結(jié)果準(zhǔn)確性，解決影響數(shù)據(jù)的因素，這些指標(biāo)的尺度相同。

2.3 基于SVR商品預(yù)測(cè)模型的設(shè)計(jì)

在銷售商品的過(guò)程中，需要一個(gè)詳細(xì)的銷售計(jì)劃，以便在短時(shí)間內(nèi)儲(chǔ)存商品。只有提前預(yù)測(cè)商品的未來(lái)銷售量進(jìn)，才能保證在短時(shí)間內(nèi)不出現(xiàn)貨物短缺、庫(kù)存過(guò)剩、腐敗和報(bào)廢等情況，造成經(jīng)濟(jì)損失。因此，商品銷售預(yù)測(cè)是產(chǎn)品銷售過(guò)程中一個(gè)非常重要的環(huán)節(jié)。然而，在目前的銷售預(yù)測(cè)研究中，很少有一個(gè)完整的平臺(tái)。因此，為了促進(jìn)產(chǎn)品銷售行業(yè)的發(fā)展，增加貿(mào)易商的收入，避免誤判造成較大的經(jīng)濟(jì)損失。本次設(shè)計(jì)中模型設(shè)計(jì)采用更可靠的預(yù)測(cè)算法和更精確的預(yù)測(cè)精度來(lái)滿足預(yù)測(cè)的需要。產(chǎn)品銷售量為該回歸模型的因變量，以天氣、周假期和促銷情況等作為回歸模型的自變量。

本次設(shè)計(jì)中輸入變量為：

W：當(dāng)天周屬性；

IsP：當(dāng)天是否進(jìn)行促銷活動(dòng)；

SV：當(dāng)天的商品銷量；

IsH：當(dāng)天是否為節(jié)假日。

本文選擇上述的幾種核函數(shù)構(gòu)建商品銷售數(shù)據(jù)預(yù)測(cè)模型，通過(guò)SVR(kernel+“poly”)構(gòu)建SVR多項(xiàng)式核的預(yù)測(cè)模型、線性核預(yù)測(cè)模型、高斯核模型。

2.4 評(píng)估預(yù)測(cè)效果

在模型開(kāi)發(fā)中的預(yù)測(cè)模型的評(píng)估是一個(gè)非常重要的部分。如果構(gòu)建的模型太過(guò)簡(jiǎn)單那么訓(xùn)練模型非常容易發(fā)生欠擬合現(xiàn)象；而模型復(fù)雜程度過(guò)高的話，則容易過(guò)擬合。所以需要評(píng)估預(yù)測(cè)模型，保證變化平衡。通過(guò)對(duì)模型進(jìn)行評(píng)估，基于評(píng)估結(jié)果可以找到最佳模型，從而更直觀地了解模型的預(yù)測(cè)性能。

2.4.1 模型評(píng)估的方法

數(shù)據(jù)挖掘采用驗(yàn)證(Hold.out)與交叉驗(yàn)證(Cross.Validation)方法，這兩種方法可以幫助模型對(duì)于新數(shù)據(jù)集性能進(jìn)行預(yù)測(cè)。

（1）保持法驗(yàn)證。將數(shù)據(jù)集隨機(jī)分為三個(gè)子集，分別是訓(xùn)練集、驗(yàn)證集和測(cè)試集；驗(yàn)證集：對(duì)于培訓(xùn)階段得到的模型結(jié)果數(shù)據(jù)集進(jìn)行評(píng)估，但不是所有模型算法都需要驗(yàn)證集；測(cè)試集：該測(cè)試集可以避免新數(shù)據(jù)的訓(xùn)練結(jié)果導(dǎo)致訓(xùn)練模型的大偏差。如果模型和訓(xùn)練集比測(cè)試集更合適，則可能是因?yàn)檫^(guò)擬合；訓(xùn)練集：主要是用來(lái)確定預(yù)測(cè)訓(xùn)練模型的數(shù)據(jù)集，并且為優(yōu)化模型參數(shù)、模型選擇提供了實(shí)驗(yàn)平臺(tái)。

（2）K 折交叉驗(yàn)證。當(dāng)樣本數(shù)據(jù)有限的情況下，可以將有限的數(shù)據(jù)分成k 組，以便對(duì)模型性能進(jìn)行無(wú)偏估計(jì)。在每個(gè)訓(xùn)練過(guò)程中，為所選子集創(chuàng)建驗(yàn)證集，本次訓(xùn)練集選擇k.1 組的剩余子集。在進(jìn)行一輪訓(xùn)練時(shí)，根據(jù)所有數(shù)據(jù)都可以得到k 組模型?；谠撃Ｐ万?yàn)證集的平均分類準(zhǔn)確率的平均數(shù)作為k.cv 下分類器的性能指標(biāo)。該方法的優(yōu)勢(shì)在于能夠從有限樣本數(shù)據(jù)的學(xué)中得到盡可能多的有效信息。在這一過(guò)程中，可以從多個(gè)角度來(lái)學(xué)習(xí)有限的樣本數(shù)據(jù)。這個(gè)學(xué)習(xí)

過(guò)程可以避免陷入局部極值。訓(xùn)練樣本和測(cè)試樣本在這個(gè)過(guò)程中均得到最多的學(xué)習(xí)，結(jié)果說(shuō)服力更強(qiáng)大。

2.4.2 預(yù)測(cè)中的誤差

從幾個(gè)方面來(lái)研究預(yù)測(cè)模型中存在的預(yù)測(cè)誤差情況，包括偏差和分差引起的，在模型最小方差與偏差之間尋求平衡。基于誤差來(lái)得到診斷模型的結(jié)果，從而促進(jìn)數(shù)據(jù)擬合過(guò)程的優(yōu)化，防止發(fā)生欠擬合現(xiàn)象和過(guò)擬合現(xiàn)象，獲得更準(zhǔn)確的模型。根據(jù)偏差和方差的概念，誤差預(yù)測(cè)可分為兩類：

（1）方差誤差：模型在給定數(shù)據(jù)點(diǎn)的可變性，如果模型出現(xiàn)重復(fù)構(gòu)建情況，方差意味著模型不同實(shí)現(xiàn)之間在給定點(diǎn)的預(yù)期值的變化程度。

（2）偏差誤差：其是模型預(yù)期值、平均值和模型正確值之間的差值。當(dāng)存在多個(gè)模型的狀態(tài)下，每次新收集數(shù)據(jù)然后創(chuàng)建新模型后，基于原始數(shù)據(jù)的隨機(jī)性，所以生成模型存在許多預(yù)測(cè)。偏差是判斷模型預(yù)測(cè)值和正確值之間距離的因素。

2.5 數(shù)據(jù)收集和處理

本文的銷售數(shù)據(jù)選擇某市場(chǎng)的服裝銷售數(shù)據(jù)，收集數(shù)據(jù)為2020 年1 月1 日至2021 年1 月1 日的銷售數(shù)據(jù)?；谟绊戜N售數(shù)據(jù)的因素，將其開(kāi)展模糊化處理，然后保存在數(shù)據(jù)庫(kù)中。經(jīng)過(guò)對(duì)原始數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)原始數(shù)據(jù)中存在殘缺值，這樣表示信息存在空白，并且還會(huì)對(duì)預(yù)測(cè)產(chǎn)生影響，數(shù)據(jù)集的處理直接影響到預(yù)測(cè)的準(zhǔn)確性。為了應(yīng)對(duì)殘缺值問(wèn)題，可以采用均值填充。如果缺失值是影響因素中的數(shù)值型數(shù)據(jù)值的情況下，基于該屬性在其他所有對(duì)象的取值平均值來(lái)對(duì)于缺失的屬性值進(jìn)行填充。

3 管理預(yù)測(cè)平臺(tái)的設(shè)計(jì)和實(shí)現(xiàn)

3.1 管理預(yù)測(cè)系統(tǒng)整體流程

本系統(tǒng)的目的是讓商品的銷售單位準(zhǔn)確了解市場(chǎng)上商品的銷售情況。同時(shí)，通過(guò)系統(tǒng)預(yù)測(cè)，可以預(yù)測(cè)短期銷售情況，促進(jìn)商品銷售的定制化。系統(tǒng)流程如圖1 所示。

圖1： 銷量管理預(yù)測(cè)系統(tǒng)流程圖

3.2 程序開(kāi)發(fā)平臺(tái)

該項(xiàng)目的開(kāi)發(fā)平臺(tái)分為兩部分：銷售數(shù)據(jù)模型用Python編寫(xiě)。在開(kāi)發(fā)過(guò)程中，選擇Pycharm 作為Python 的開(kāi)發(fā)平臺(tái)，其擁有智能提示、代碼跳轉(zhuǎn)、實(shí)時(shí)查看變量/內(nèi)存、代碼格式化、版本控制、代碼單元測(cè)試、斷點(diǎn)提示等工具與插件，這些可以提高Python 開(kāi)發(fā)效率。Web 平臺(tái)的開(kāi)發(fā)選擇IntelliJ，有一個(gè)更高效的項(xiàng)目管理模式，一個(gè)不同但清晰的settings 目錄，支持更高效的插件開(kāi)發(fā)和其他JCSS 項(xiàng)目。此外，它有許多快捷鍵，以方便用戶開(kāi)發(fā)。

3.3 管理預(yù)測(cè)平臺(tái)的實(shí)現(xiàn)

3.3.1 用戶信息模塊

用戶信息模塊的主要操作流程如圖2 所示，該模塊主要負(fù)責(zé)用戶登錄。

圖2： 信息管理流程

3.3.2 歷史銷量模塊

在這一模塊中包括本次設(shè)計(jì)中的數(shù)據(jù)展示的頁(yè)面，主要是銷量歷史數(shù)據(jù)的管理和查快時(shí)主要展示內(nèi)容。歷史數(shù)據(jù)頁(yè)面為歷史數(shù)據(jù)展示和管理，方便用戶維護(hù)歷史數(shù)據(jù)和管理歷史數(shù)據(jù)。用戶在進(jìn)入平臺(tái)的歷史銷量模塊之后，這一頁(yè)面上所呈現(xiàn)的歷史銷量數(shù)據(jù)內(nèi)容主要包括商品名稱、各種商品當(dāng)日銷量。每天數(shù)據(jù)均可以刪除和修改，方便用戶查詢歷史數(shù)據(jù)，并對(duì)比每天銷量的對(duì)比。

3.3.3 意見(jiàn)與通告模塊

為了方便溝通的及時(shí)性，設(shè)計(jì)了該模塊。在這一模塊中，用戶可以上傳文字、視頻、圖片、文檔等眾多類型的信息。

3.3.4 預(yù)測(cè)模塊

調(diào)用SVR 預(yù)測(cè)模型，對(duì)配置文件中的參數(shù)、數(shù)據(jù)等進(jìn)行訪問(wèn)，讀取預(yù)測(cè)時(shí)間的準(zhǔn)備數(shù)據(jù)，從而提供銷售預(yù)測(cè)數(shù)據(jù)。在本項(xiàng)目中，系統(tǒng)將對(duì)下周的銷售開(kāi)展下一周的銷量預(yù)測(cè)。由Python 編程模塊執(zhí)行定時(shí)任務(wù)，這一模塊中可以實(shí)現(xiàn)定時(shí)人物，包括每分鐘、每小時(shí)、每天、周幾等特定時(shí)期。通過(guò)對(duì)歷史銷售數(shù)據(jù)的分析，結(jié)合相關(guān)銷售因素，采用SVR模型來(lái)預(yù)測(cè)商品的銷售情況?；赑ython 在機(jī)器學(xué)習(xí)中的應(yīng)用，本研究采用Python 作為預(yù)測(cè)模型開(kāi)發(fā)語(yǔ)言，在用戶填寫(xiě)了商品銷售預(yù)測(cè)所需要的名稱、時(shí)間等信息之后，系統(tǒng)將首先評(píng)估是否存在預(yù)測(cè)數(shù)據(jù)。不存在預(yù)測(cè)數(shù)據(jù)的話，將會(huì)調(diào)用預(yù)測(cè)模型開(kāi)展預(yù)測(cè)，選擇預(yù)測(cè)周期和商品類別，然后進(jìn)入銷售預(yù)測(cè)頁(yè)面；如果存在，則直接讀取。

4 總結(jié)

綜上所述，本文使用Python 實(shí)現(xiàn)商品的銷售預(yù)測(cè)模型，采用Java 作為編程平臺(tái)，選擇支持小樣本數(shù)據(jù)的SVR 算法來(lái)構(gòu)建商品的銷售預(yù)測(cè)模型，能夠?yàn)樯唐肺磥?lái)的銷售預(yù)測(cè)提供依據(jù)。用戶還可以在平臺(tái)上查看商品的歷史銷售數(shù)據(jù)，掌握商品的銷售情況。本文所設(shè)計(jì)的平臺(tái)是一個(gè)具有監(jiān)控和預(yù)測(cè)功能的銷售管理平臺(tái)。該平臺(tái)旨在為該地區(qū)的市場(chǎng)管理員、商戶等提供便利。