（计算机应用技术专业论文）神经网络技术在零售业中的研究和应用.pdf

- i j 山大学硕士学位论文 神经网络技术在零售业中的研究和应 论文题目：神经网络技术在零售业中的研究和应用 专业：计算机应用技术 硕士生：沈进平 指导教师：陈有青副教授 摘要 如何进行正确的决策，对企业的兴衰成败有着重要的影响。计算机在零售 业上的广泛使用使得人们可以利用数据库存储商品销售过程中产生的海量信 息。这些信息蕴减了丰富的经营知识和市场规律。如何有效的利用这些宝贵信 息，从中挖掘出有价值的知识，使之为企业决策服务，成为零售企业的一个迫 切愿望。由于人力和技术的因素，通常的零售业信息分析系统只能够提供一般 的分析数据。而无法提供更多潜在的，预测性的经营建议。因此，充分挖掘出 这些信息蕴含的知识，作为企业决策的参考因素，有重要应用价值。 本文首先介绍了零售业中涉及到的数据仓库，数据挖掘，商业智能，以及 预测技术在零售业上豹应用状况，研究了国内外各行业利用神经网络进行分析 预测的方法。为了实现在零售业上的进行决策分析和预测的目的，重点研究了 人工神经网络的概念和b p 算法，提出了个在零售业上运用人工神经网络进 行预测分析的模型，并应用到广州市东山区科技局支持的项目“零售业数据仓 库系统的研发与应用系统”上。实验结果表明，用b p 网络建立的模型经过训 练后具有良好的预测效果，同其他传统的预测方法相比，在预测的效果上也表 现良好。最后对整个系统的解决方案及其设计和实现做了论述。 关键词：神经网络预测零售业 1 f _ l 山大学硕十学位论文神经网络技术在零售业! = i = j 的研究和应j _ | ；i t i t l e ：r e s e a r c ha n d a p p l i c a t i o n o fn e u r a ln e t w o r kt e c h n o l o g yo n r e t a i l i n g m a j o r ：c o m p u t e ra p p l i c a t i o nt e c h n o l o g y n a m e ：s h e nj i n p i n g s u p e r v i s o r ：c h e ny o u q i n g ( a s s o c i a t ep r o f e s s o r ) a b s t r a c t t h em a k i n go fc o r r e c td e c i s i o n sw i l li n f l u e n c ee n t e r p r i s e s g r e a t l y t h e a p p l i c a t i o no fc o m p u t e r so nr e t a i l i n gt r a d eh e l pp e o p l es t o r ea b u n d a n ti n f o r m a t i o n p r o d u c e di nt h ep r o c e s so fc o m m o d i t ys e l l i n gw i t hd a t a b a s e i ti sa ne m e r g e n tw i s h a n dap r a c t i c a l d i f f i c u l t y t ou s es u c hp r e c i o u si n f o r m a t i o nt om i n ev a l u a b l e i n f o r m a t i o nf o re n t e r p r i s e s d e c i s i o n - m a k i n g f o rt h ef a c t o r so fm a n p o w e ra n d t e c h n o l o g y , u s u a li n f o r m a t i o na n a l y s i ss y s t e mo fr e t a i l i n gc a nn o to f f e rm o r e p o t e n t i a lf o r e c a s t i n gs u g g e s t i o n so nm a n a g e m e n t s oi t i so fg r e a ts i g n i f i c a n c et o m i n et h ep o t e n t i a lk n o w l e d g es u f f i c i e n t l yf o rt h ee n t e r p r i s ed e c i s i o n - m a k i n g t h et h e s i si n t r o d u c e sd a t aw a r e h o u s eo nd e t a i l i n g ，d a t am i n i n gt e c h n o l o g y , b u s i n e s s i n t e l l i g e n c ea n dt h ea p p l i c a t i o no fp r e d i c t i o no nd e t a i l i n g a n ds t u d i e d a n a l y s i sa n dp r e d i c t i o nm e t h o d so fa n no i lt r a d e s i ti n t r o d u c e sa n na n db p a r i t h m e t i ca n dg i v e sm o d e l su s i n ga n nt op r e d i c to nd e t a i l i n gw h i c hh a sb e e n a p p l i e do nt h ep r o j e c to fd e v e l o p m e n ta n da p p l i c a t i o ns y s t e mo nd a t aw a r e h o u s e o fr e t a i l i n gs u p p l i e db yd o n g s h a ns c i e n c ea n dt e c h n o l o g yb u r e a uo fg u a n g z h o u a c t u a lr e s u l ts h o w st h a ti ti sa na v a i l a b l em e t h o dt oa p p l ya n nt op r e d i c to n d e t a i l i n gf o ri t w i l lg e tg o o dp r e d i c t i o nr e s u ha f t e rt r a i n i n gm o d e l sb a s e do nb p n e t w o r k i ts h o w sp r e d o m i n a n c ec o m p a r et ot r a d i t i o n a lp r e d i c tm e t h o d a tl a s ti t d e s c r i b e saw h o l es c h e m eo f d e s i g na n dr e a l i z a t i o nf o rt h es y s t e m k e yw o r d s ：n e u r a ln e t w o r k ，p r e d i c t , r e t a i l i n g c ”山大学硕士学位论文神经网络技术在零售业l _ i = l 的研究和应h ；i 第一章绪论 1 1 引言 随着信息科学的高速发展，计算机得到了广泛的应用，已经渗透到人们生 活的各个方面，而且其应用的范围不断得以延伸。在计算机的使用过程中，人 们积累了大量的各方面的数据。如果能够正确的使用这些数据，那么可以从中 发现这些数据背后所包含的感兴趣的知识。但是这些数据的数据量是如此之大， 以至于单纯使用人力束完成分析处理是件基本不可能实现的事情。因此，如何 利用计算机来对这些海量级的数据进行分析处理是一个非常重要而迫切的问 题。于是便出现了数据挖掘的概念。 数据挖掘的概念是在1 9 9 5 年a c m 年会上提出，但更早的类似的概念知识 发现则是在1 9 8 9 年便得以提出。目前通常将数据挖掘视为知识发现的一个步 骤。由于传统的数据库很难满足数据挖掘所需要的数据特点，因此人们提出了 数据仓库的概念。通常的数据挖掘则就是建立在数据仓库的基础上。 由于利用数据挖掘可以发现已有数据背后的隐藏的有意义的知识，因此在 各行各业上数据挖掘得到了极为广泛的应用，如电信，金融，保险等。在零售 业上，w a l m a r t 的关于“啤酒和尿布”的规则是数据挖掘所发现的一个极为著名 的例子。数据挖掘一般可以分为描述性数据挖掘和预测性数据挖掘。其中预测 性的数据挖掘可以让人们对将来的可能行为做出判断以辅助于当前的决策。对 于零售业而言，将来的可能行为很大程度的支配着当前的资金，货源等。因此， 预测性的数据挖掘对于零售业的意义尤为重要。零售业上预测包括了潜在客户 源的发现，销售走势的预测，商品的销售预测等。如果能够对这些情况进行准 确的预测，则对未来的决策有着重大的帮助作用。由于影响零售业上销售的因 子众多，所以对其进行预测是件困难的事情。传统的预测方法是使用多元回归 预测模型，但因为线形假设的原因在预测的准确性上受到较大的限制。由于神 经网络方法在非线性问题上具有良好的预测能力，因此可以利用神经网络对于 将来的行为进行预测。其中b p 算法的应用极为广泛。通过实验结果表明，将 b p 算法应用于零售业上的各类预测中，神经网络的方法比传统的预测方法如多 元回归法能够更加准确的进行预测和分析。 山大学硕士学位沦文神经刚络技术在零售业- i t 的研究和府h j 1 2 本文的工作 本文对于神经网络技术在零售业中的应用进行了一些有益的探讨，着重于 将b p 网络应用于零售业的销售预测之中，综合使用了一些适当改进b p 算法的 方法，使之能够在实际应用中更加高效，并且设计和实现了一个利用b p 网络 来进行销售预测的系统。从实现的结果来看该系统具有较好的学习功能和良 好的适用性，能够较为准确的进行预测。同时浚系统的设计方法对于其他分析 预测系统同样具有借鉴的意义。 1 3 本文的组织 接下来的本文各章安排如下： 第二章介绍了数据仓库，数据挖掘，以及预测在零售业上的应用： 第三章介绍了神经网络中的人工神经元模型，神经网络的适用范围，神经 网络中的学习方法和学习规则，几个典型的神经网络模型： 第四章介绍b p 网络和b p 算法，以及其中的不足和改进之处，对b p 网络 在零售业中的应用进行了探讨，对于其中涉及到的预测模型给予了分析，主要 分析了实际应用中的预测模型的各种参数条件等，并且给出了实验的结果，与 传统的预测方法进行了比较； 第五章对于“零售业数据仓库系统的研发与应用系统”进行了 发计和实现， 对该系统的各层进行了洋细的分析，并且给出了最终的实现结果； 第六章为总结；最后为参考文献及其他。 第二章相关知识 2 1 数据仓库 2 1 1 数据仓库的概念 随着市场竞争的加剧和信息社会需求的发展，从大量数据中提取( 检索，查 询等) 制定市场策略的信息就显得越来越重要了。这种需求既要求联机服务，又 巾山大学硕十学位论文 神经刚络技术存零售业r i 的研究和应j ：| j 涉及大量用于决策的数据，而传统的数据库系统已无法满足这种需求。其具体 体现在三个方面： 1 ) 历史数据量很大； 2 1 辅助决策信息涉及许多部门的数据，而不同系统的数据难以集成； 3 ) 出于访问数据的能力不足，它对大量数据的访问性能明显下降。 随着计算机技术的成熟和并行数据库的发展，信息处理技术的发展趋势是 从大量的事务型数据库中抽取数据，并将其清理，转换为新的存储格式，即为 决策目标把数据聚合在一种特殊的格式中。随着此过程的发展和完善，这种支 持决策的，特殊的数据存储即被称为数据仓库( d a t aw a r e h o u s e ) 。 w h i n m o n 对数据仓库的定义为：数据仓库是支持管理决策过程的，面 向主题的，集成的，稳定的，不同时间的数据集合。主题是数据归类的标准， 每个主题对应一个客观分析领域，如客户，商店等，它可为辅助决策集成多个 部门不同系统的大量数据。数据仓库包含了大量的历史数据，经集成后进入数 据仓库的数据是极少更新的。数据仓库内的数据时限为5 年至l o 年，主要用于 进行时间趋势分析。数据仓库的数据量很大，一般为1 0 g b 左右。它是一般数 据库( 1 0 0 m b ) 数据量的1 0 0 倍，大型数据仓库达到t b 级。数据仓库主要应 用在两个方面： 1 ) 使用浏览分析工具在d w 中寻找有用的信息： 2 1 数据仓库系统支持在d w 上的应用，形成决策支持系统( d s s ) 。 2 1 2 数据仓库系统 数据仓库系统( d w s ) 由数据仓库，仓库管理和分析工具三部分组成，其应 用是一个典型的c s 结构。其客户端的工作包括客户交互，格式化查询及结果 和报表生成等。服务器端完成各种辅助决策的s q l 查询，复杂的计算和各类综 合功能等。现在，一种越来越普遍的形式是三层结构，即在客户与服务器之间 增加一个多维数据分析服务器。o l a p 服务器能加强和规范决策支持的服务工 作，集中和简化原客户端和d w 服务器的部分工作，降低系统数据传输量，因 此工作效率更高。【2 】 巾山大学倾十学位沦文 神经嘲络技术存零售业i i 的研究和麻州 2 2 数据挖掘 2 2 1 数据挖掘的概念 随着时代的发展，存储在计算机中的数据呈爆炸式的增长。同时，人们希 望可以从这些海量级的数据中获得他们希望的信息。比如超市的经理将不再仅 仅满足于得到于简单的一连串的交易，他更希望可以从这些交易中获取顾客过 去的交易的同时可以预测将来顾客可能的交易。传统意义上的简单查询显然不 可能满足于这个要求的。数据挖掘技术的提出给我们提供了一个可以有效寻找 出数据库中新颖可靠，具有潜在的利用价值并且可以被理解和利用的信息的方 法。由此可见数据挖掘技术的发展可以带来巨大的商业上的利益。反过来，巨 大的商业利益极大的推动着数据挖掘的发展。 数据挖掘可以定义为在数据库中寻找隐藏着的信息【3 】。同时也被称为指数 量级数据分析，数据驱动发现，演绎学习。它是数据库中一个有着及其大的研 究价值的新领域，涉及到数据库，机器学习，统计学，人工智能等多个领域的 知识。许多人视数据挖掘为数据库中的知识发现或者k d d ( k n o w l e d g ed i s c o v e r y i n t h ed a t a b a s e ) 的同义词。但也有人视数据挖掘为k d d 的一个步骤。近年来， k d d 倾向于指由一些步骤组成，而数据挖掘则是其中的一个步骤。【4 】，【5 1 给 出了如下的定义： k d d ：在数据库中寻找有用的信息的过程。 数据挖掘：在k d d 的过程中抽取信息和模式的算法的使用。 k d d 包括如下5 个步骤f 6 1 ： 1 ) 选择( s e l e c t i o n ) 数据挖掘所需的数据可能从许多不同种类的数据源中获 取。第一步就是要从不同的数据库，文件和非电子的资源中获得所需要的数据。 2 ) 预t n ( p r e p r o c e s s i n g ) 即将被整个过程使用的数据可能包含错误的数 据。在这个过程中将使用许多不同的方法根据需要对数据进行处理。错误的数 据可能被删掉或者被更正。而空缺的数据将被替代或者使用预测的数据( 一般 需要使用数据挖掘工具) 。 3 ) 转换( t r a n s f o r m a t i o n ) 从多种数据源中获取的数据必须转换成为同一种 各式的数据以便于处理。一些数据可能需要被重新编码或者被转换成为更加常 中山大学硕士学位论文神经网络技术在零售业i l 的研究和应_ l i ； 用的格式。这样可以使数据更加易于被处理和有效，可以提供更加有意义的结 果。 4 ) 数据挖掘( d a t am i n i n g ) 基与数据挖掘的任务，这一步将应用适合的算法 从转换后的数据中产生需要的结果。 5 ) 解释评价( i n t e r p r e t a t i o n e v a l u a t i o n ) 数据挖掘的结果如何呈现在使用者 的面前将是一个非常重要的问题。因为后者决定着结果的有用性。在这一个步 骤中不同的可视化和g u i 方法常常会被用到。 数据挖掘过程本身是相当复杂的。可供选择的算法亦非常多，在实际应用 中必须选择合适的算法咀产生更好的效率。所发现的模式必须被f 确的阐述， 并且进行适当的评价确使结果的正确性和有效性。 2 2 2 数据挖掘的基本任务和方法 数据挖掘的任务可以分成2 类：描述性的数据挖掘和预测性的数据挖掘。 前者描述了一个简洁和概括性的形式，并且表达数据的普遍的有价值的性质。 后者产生一个或多个模型，并可以预测新的数据集的行为和属性。以下是几个 常见的数据挖掘的基本任务，不同的任务之间甚至存在着某种程度的交叉：【7 】 1 ) 分类( c l a s s i f i c a t i o n ) 将数据归类于事先定义好的分组或者类中。 2 ) 回归( r e g r e s s i o n ) 将数据与不同的预测进行比较，以期望得到最佳的匹 配。 3 ) 时间序列分析( t i m es e r i e sa n a l y s i s ) 利用时间序列分析，属性的值随着 时间的变化将被检测。 4 1 预测( p r e d i c t i o n ) 可被视为一种分类。不同之处在于预测将来的数据而不 是当前的数据。 5 ) 聚类( c l u s t e r i n g ) 类似于分类，但是分组或者类并没有被事先给与定义， 而是根据数据得以定义。 6 ) 关联规l j ( a s s o c i a t i o nr u l e s ) 描述数据库中数据项之间存在的潜在关系 的规则。 数据挖掘中涉及的方法众多，往往需要根据具体实际情况进行选择，其大 致分类为统计方法，机器学习方法，神经网络方法和数据库方法，进一步细分 l l _ l 山大学硕：卜学位沦文 神经网络技术在零售业巾的研究和戍川 可以归纳为：【8 】 1 ) 统计方法：回归分析( 多元回归、自回归等) 、判别分析( 贝叶斯判别、 费歇尔判别、非参数判别等) 、聚类分析( 系统聚类、动态聚类等) 、探索性分 析( 主元分析法、相关分析法等) 、以及模糊集、粗糙集、支持向量机等。 2 ) 机器学习方法：归纳学习方法( 决策树、规则归纳等) 、基于范例的推理 c b r 、遗传算法、贝叶斯信念网络等。 3 ) 神经网络方法：前向神经网络( b p 算法等) 、白组织神经网络( 自组织 特征映射、竞争学习等) 等。 4 ) 数据库方法：基于可视化的多维数据分析或o l a p 方法。 2 2 3 数据挖掘的应用领域 在数据库和信息技术广泛应用的商业和工业领域，数据挖掘有着广泛的利 用价值。下面给出一些已知的应用【9 】 1 0 】： 1 ) 欺诈检测：发现存在欺诈的交易 2 ) 信用贷款：预测要求贷款的客户的信用 3 ) 投资分析：预测投资上的回报 4 ) 市场和销售数据分析：发现潜在的客户源；预测销售计划的效果 5 ) 制造过程分析：确定制造过程出现的问题的原因 6 ) 试验结果分析：总结试验结果并且预测新的模型 7 1 科学数据分析 8 ) 智能a g e n t 和网络浏览 2 3 商业智能( b d 2 3 1b i 的定义和功能 b i ( b u s i n e s si n t e l l i g e n c e ，商业智能) 是一种运用数据仓库技术来处理和分析 数据的崭新分析工具，其工作原理主要是通过对数据进行抽取、清洗、聚类、 挖掘、预测等处理来产生可透析的各种展示数据。这些数据可直观显示分析者 索要探询的某种经营属性或市场规律。【1 1 】 b i 除了通过动态表展现数据外，还可通过丰富多彩的图形去展现，并且能 6 巾山大学硕士学位论文 神经网络技术在零售业一卜的研究和廊h j 对图形去展现，并且能对图形做拉伸、分块、旋转、透视等多种处理，以更直 观可见的方式来展现数据规律。同时还可对数据做各种标识。如特别好的销售 数据勇绿色表示，特别差的销售数据用红色表示。另外，还可对数据进行跟踪 分析。b i 还有一个很优秀的功能就是设定一个边界条件进行挖掘工作，从杂乱 无章的数据中找出内在的联系，沃尔玛著名的啤酒与尿布的故事就是这样产生 的。主要代表功能有：综合分析，趋势分析等。它不仅适用于零售业，同时在 金融、保险等行业得到了广泛应用。 2 3 2b i 在零售业中的决策 在国外，b i 在零售业已有较好的应用，并产生了相关的指标体系理论。在国 内，b i 的运用还处于初级阶段，但其本身所具有的灵活性和强大性，使得它在 零售业界迅速度崛起，呈现出高速上升的趋势。在b i 市场上，成熟的b i 软件 产品和解决方案来自于国际厂商，如b o ，h y p e r i o n ，c o g n o s 等。国内的b i 提 供商大多在代理国外产品或开发简单b i 工具。通常一个b i 平台的授权需要2 0 万人民币，加上实施约5 0 万人民币，而完整的平台和商业模型需要上百万美元。 由于这些工具使用的是一些全球通用的标准模型，因此有时不一定适台国内用 户。从成本知识产权，扩展性方面考虑，国内的企业一般根据自己的需求去 开发和研究模型，只有极少数大型企业如宝钢，h s b c 等向其他企业购买自行 开发并已经投入应用的业务模型，但这种方式是极其昂贵的。 b i 晟常见的应用就是辅助建立信息中心，产生各种工作报表和分析报表。 在零售业上常见的分析有：【1 2 】 1 ) 销售分析主要用于分析各项销售指标( 如毛利、毛利率、坪效、交叉比、 进销比、盈利能力、周转率、同比、环比等等) ，可从管理架构、类别、品牌、 日期、时段等分析维角度来观察，这些分析维又可采用多级钻取，从而获得相 当透彻的分析思路；同时，根据海量数据产生预测信息、告警信息等分析数据； 还可根据各种销售指标产生新的透视表( 如最常见的a b c 分类表、商品敏感分 类表、商品盈利分类表等) 。这些复杂的指标在普通的信息数据库中是难以实现 的。 2 ) 商品分析商品分析的主要数据来自销售数据和商品基础数据。据此产生 i | j 山大学颂士学位沦文 神经m 络技术在零售业- ：| l 的研究和应h j 以分析结构为主线的分析思路。主要的分析数据有：商品的类别结构、品牌结 构、价格结构、毛利结构、结算方式结构、产地结构等，从对这些数据的分析 中产生商品广度、商品深度、商品淘汰率、商品引进率、商品置换率、重点商 品、畅销商品、滞销商品、季节商品等多种指标，通过对这些指标的分析来指 导企业调整商品结构，加强商品的竞争能力和合理配置。 3 ) 顾客分析顾客分析主要是指对顾客群体的购买行为的分析。例如可将顾 客分成“富人”和“穷人”。如果企业有会员卡，可以通过会员登记的月收入来 区分；但如果没有会员 可以通过小票的每单金额来假设。掘此，又可以派生 出很多其他分析思路。如“富人”喜欢什么样的商品，“穷人”喜欢什么样的商 品，“富人”购买的时间和“穷人”购买的时问；本企业的商圈旱是“富人”多 还是“穷人”多；“富人”给商场做出的贡献大还是“穷人”做出的贡献大；“富 人”喜欢用什么来支付，“穷人”喜欢用什么方式来支付等等。此外，还有商圈 的客单量分析、商圈里的购物高峰分析、假日经济对企业的影响分析等等分析 思路。 4 ) 供应商分析通过对供应商在选定的时间段内的各项指标( 订货量、订货 额、进货量、进货额、到货时间、库存量、库存额、退换量、退换额、销售量、 销售额、所供商品毛利率、周转率、交叉比率等) 进行分析，为供应商的引进、 储备及淘汰( 或淘汰部分品种) 和供应商库存商品的处理提供依据。主要分析 的主题有供应商的组成结构、供应商的送货情况、供应商所供商品的情况( 比 如销售贡献、利润贡献等) 、供应商的结算情况等。比如发现，有些供应商所提 供的商品销售一直不错，从而他在某个时间段里的结款非常稳定，而这个供应 商的结算方式是代销，那么如果资金不紧张，而这个供应商所供商品的销售风 险又不大，则考虑将其改为购销是一种可以降低成本的途径。 5 ) 人员分析通过对公司的人员指标进行分析，特别是对销售人员指标( 着 重销售指标，毛利指标为辅) 和采购员指标( 销售额、毛利、供应商更换、购 销商品数、代销商品数、资金占用、资金周转等) 的分析，达到考核员工业绩、 提高员工积极性、为人力资源的合理利用提供科学依据的目的。主要分析主题 有员工的人员构成情况、销售人员的人均销售情况、丌单销售的个人的销售业 绩情况、各管理架构的人均销售情况、毛利贡献情况、采购员分管商品的进货 中山大学硕士学位沦文 神经嘲络技术在零售业l _ = 1 的研究和应j ! f 情况、购销代销比例情况、引进的商品销售情况如何等等。 b i 对零售业的分析远不止以上所述，至少还有资金运转分析、库存分析和 结算分析等等。这些分析在实际经营中有着重要的利用价值，通过对自己的经 营做出正确的分析，就能及时修正自己的经营方针和政策，就能在竞争中处于 有利地位。 2 4 零售业上的预测 2 4 1 零售业上的预测 信息预测是指在收集了足够的信息的基础上，根据历史资料和现实情况， 通过定性和定量的主观估计和科学计算，研究目标在当前已知因素和未来某些 可以确定的因素之间的关系，通过寻找事物的发展规律，来发现其未来的发展 趋势，为决策者制定方法，进行决策提供可靠的依据。 零售业上的预测主要是根据在零售业中所涉及到的各类信息，通过定性和 定量的分析判断，发现未来的发展趋势，为决策者所参考使用。虽然零售业上 的预测范围局限于零售业上，但是从方法上而言，同其他范围类的预测没有本 质上的区别。目前，零售业上广泛的使用p o s 机( c h e c k o u ts c a n n e r ) 进行收款。 其最初用途是基于操作上的方便，在增加付款速度，精确定价，库存控制方面 起到很大的作用。但是p o s 机的另外一个重要的作用，就是产生了大量的数据。 而这些数据的利用则对决策有着重大的影响。零售业不仅仅收集了客户购买商 品的信息，而且也收集了v i p 客户的各类信息。通过对这些信息的研究则可以 进行未来的消费方面的预测。比如通过发现的关联规则，就编写一段优待券打 印程序或者提供一种优待券措施，当一个客户购买某种商品时，向该客户提供 该商品有关商品的优待券。这样就可以刺激该客户下次的购物。通过对序列模 式的发掘，对于v i p 客户则可以分析其购买历史，向其发放下次可能会购买的 商品的优待券。这些手段都可以刺激客户的下次的购买行为。【1 3 】事实上，预 测在零售业上的应用并不仅仅局限于对于下次客户可能购买行为的预测，而根 据以往的给类信息可以对零售业进行多方面的预测，如可以预测将来的零售额， 商品的销售数量，潜在的客户源等等。目前比较流行的c r m ( c u s t o m e r r e l a t i o n s h i pm a n a g e m e n t ) 则可以实现部分的所需要的预测功能，为企业建立一 i i i 山大学顺十学位论文神经网络技术在零售业t f i 的研究干鹿h j 个客户信息收集，管理，分析，利用的信息系统，其基本功能包括客户分类管 理，联系人管理，时间管理，销售管理，电话销售，客户服务，智能市场分析 等，事实上已经包括了一些预测的功能。 2 4 2 常用的方法 比较传统的预测方法是回归分析法。因为预测必然是存在于研究对象的某 一可能的因果过程之中，但研究对象的因果关系并不能严格遵循通过某个数学 关系。但事实上，人们期望通过某些函数关系式来对研究对象进行定量表达。 基于这种思想产生了回归分析。回归分析是在探讨两个或两个属量变量以上之 关系。根据变量之间的关系能否由自变量的值来完全确定因变量的值可以分为 2 类：函数关系和统计关系。变量间如果呈现统计关系，则回归分析的目的在 于找出一条适当的数学方程式来表示二者的关系，通过自变量的变化来解释因 变量的变化，从而由自变量的取值预测因变量的可能值，此方程式称为回归方 程式。若方程式为线性，则称为线性回归，否则称为非线性回归。在回归分析 中有一因变量为随机变量，一般以y 表示。同时必须有一个或一个以上的自变 量，一般以x 表示。若只有一个自变量，则称为简单回归，否则称为复回归。 回归预测的步骤如下： 1 ) 获取自变量和因变量的观测值 2 ) 绘制x y 散点图 3 ) 得出带未知参数的回归方程 4 ) 确定回归方程中参数值 5 ) 判断回归方程的拟合优度 6 1 进行预测 巾山大学硕十学位论文神经嘲封f 技术在零售业i _ | = l 的研究和廊j _ | j 第三章人工神经网络模型及算法 3 1 基本概念 3 1 1 人工神经元模型 受到生物神经元模型的启发，人们提出了人工神经网络，其研究获取了许 多方面的进展和成果，包括提出了大量的神经网络模型，发现了多种学习算法， 对神经网络的系统理论进行了成功的探讨和分析。在此基础上，人工神经网络 在数据挖掘，模式识别，机器学习，智能计算，组合优化，信号处理，联想记 忆，编码理论，决策支持，专家系统等方面得到广泛而有效的应用。目前，虽 然人工神经网络与生物神经网络之间存在着很多差异，如智能性，神经元的数 量等等，但是在一些重要的特性上是一致的，如并行性和分布性，可塑性，冗 余性等。随着研究工作的不断深入，这种差异必然会越来越小。【1 4 】 神经元是神经网络中的基本单位，是生物神经元的一种模拟和简化，但具 备完成生物神经元最基本的三种处理过程：评价输入信号，决定每个输入信号 的强度：计算所有输入信号的权重之和，并且与处理单元的或值进行比较；决 定处理单元的输出。1 9 4 3 年，m c c u l l o c h 和p i t t s 定义了一种简单的人工神经元 模型，成为m - p 模型。这一模型用图表示如下： 1 5 1 图3 - 1 人工神经元模型 y 从外部环境或者其他神经元的输出构成输入向量g 。，x ：，。) 7 ，其中一为其他神 经元的输出。连接2 个神经元之间的称为权值。所有和神经元，相连接的权值 i i 山大学硕十学位论文 神经州坌 技术在零售业q 1 的研究和虑h j 构成向量= “胪w ，r ，其中w j i 代表处理单元f 和，之间多的连接权 值。神经元的或值为e j ，神经元的输出表示为 y = 厂( ? x 一口，) 或者表示为y = 厂( w 一一口，) ，其中厂成为激发函数或者响应函数。 根据不同的需要，f 有不同的形式，比较常用的如下： 1 6 1 1 1 或值型函数 m ) = 托 m ，= e 3 ) 双曲函数 m ) = 等 x 口 疗为神经元或值 x 0 为当前温度，丑为( o ，1 ) l 盲j 的随机数。 选择未被考察的隐含层节点返回 令t = t + 1 ，r ( ，) = r 身嘉，瓦为初始温度。 返回，直到对于i 1 ，2 ，q ) ，a e i = 0 为止。至此认为网络达到平 衡状态，且全局能量最低。 对于输入4 作隐含层节点状态的纪录，存入向量d 3 ) 统计对称性。对于输入a 以及输出c ，隐含层节点的稳定态d 。统 计第h 个输入节点与第i 个隐含层节点状态相同的概率g ，和第f 个隐含层节点 与第j 个输出层节点状态相同的概率r o 脚，= 佬暑 4 ) 令t = l ，将4 。置于输入端，重复2 ，3 ，全局能量变化为a e , = 吲6 j ， 并计算相应概率分布叫，r ： 5 1 调整网络权结构 阡z = d ( 绕。一残) 啄= a ( r 。一月：) 刁 驴， 叶 磁 ， r 陲降 一p一p l i = 幺 r l = | _ l 山大学硕十学位论文 神经刚缃技术存零售业| l 的研究和麻j _ | ：