基于阿里巴巴电商数据的商品需求预测研究

在电商供应链的自动化管理过程中，高质量的商品短期需求预测是供应链管理的基础和核心功能。基于电商大数据对商品需求进行准确预测，可以帮助企业降低成本，提升用户体验，对整个电商行业的效率提升都会起到重要作用。由于受用户喜好、价格调整、季节变化等各种动态与间歇性因素影响，使得该项任务具有一定的挑战性。首先创新性的使用商品历史销量走势图作为商品特征，通过深度学习的迁移学习获取图像特征并对商品进行聚类分析，目的是针对相似的商品进行预测；接着将短时段内（天为单位）的商品时序动态特征转为二维矩阵数据，通过卷积神经网络（CNN）自动提取特征，在与商品的固有特征融合后，连接到较长时序（周为单位）的长短期记忆神经网络（LSTM），并通过混合密度网络（MDN）进行预测输出。最后使用阿里巴巴菜鸟网络下的真实电商数据验证了所提算法更加的精确和有效，该算法符合大多数以综合性商品销售为主的电商平台，具有较好的可扩展性和普遍的应用价值。