胡雨陽 張承 鄭明 夏定純

摘要：針對大型商場后臺服務(wù)器管理系統(tǒng)規(guī)模越來越大，結(jié)構(gòu)越來越復(fù)雜及服務(wù)器負(fù)載量過大的問題，選用Java和SSM框架構(gòu)建中臺服務(wù)器，承擔(dān)部分管理功能，緩解大后臺服務(wù)器壓力。同時為增強(qiáng)中臺的綜合管理水平，適應(yīng)當(dāng)前AI技術(shù)的迅猛發(fā)展，構(gòu)建LSTM銷售預(yù)測模型和模型應(yīng)用接口，為中臺提供智能化的預(yù)測分析功能。

關(guān)鍵詞：銷售預(yù)測；長短期記憶神經(jīng)網(wǎng)絡(luò)；SSM；系統(tǒng)設(shè)計

中圖分類號：TP311文獻(xiàn)標(biāo)志碼：A文章編號：1008-1739（2020）23-65-3

0引言

在商場終端設(shè)備和大后臺服務(wù)器之間，增加一個中臺服務(wù)器，可以有效減少大后臺服務(wù)器的壓力，同時在后臺服務(wù)器出現(xiàn)故障時，可以保證商場數(shù)據(jù)的安全。此中臺服務(wù)器主要負(fù)責(zé)商品信息管理、訂單管理及支付等功能，商場管理系統(tǒng)的其他功能仍然由商場大后臺服務(wù)器負(fù)責(zé)。此外，原有后臺服務(wù)器采取的仍是傳統(tǒng)數(shù)據(jù)統(tǒng)計分析方法，對商場銷售大數(shù)據(jù)利用率和挖掘程度低。為此，本文采用LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行銷售預(yù)測建模分析，并設(shè)計與模型相對應(yīng)的中臺系統(tǒng)調(diào)用接口，完成可視化銷售預(yù)測分析，為商場營銷決策提供參考[1]。

1基于LSTM的預(yù)測模型

1.1 LSTM算法

神經(jīng)網(wǎng)絡(luò)主要應(yīng)用在商業(yè)智能領(lǐng)域[2]，LSTM是遞歸神經(jīng)網(wǎng)絡(luò)（RNNs）的一種，解決反向傳播過程中存在梯度消失和梯度爆炸現(xiàn)象。通過引入門機(jī)制，解決了RNN模型不具備的長記憶性問題[3]。LSTM模型的一個神經(jīng)元包含1個細(xì)胞狀態(tài)和3個門機(jī)制，具體結(jié)構(gòu)如圖1所示。

遺忘門：控制上一時刻記憶細(xì)胞中的信息是否積累到當(dāng)前記憶細(xì)胞中，記為。

輸入門：控制記憶細(xì)胞中信息的加入，記為。

輸出門：控制當(dāng)前時刻記憶細(xì)胞中的信息是否輸出為當(dāng)前隱藏狀態(tài)，記為。

1.2 LSTM銷售預(yù)測模型的構(gòu)建

銷售預(yù)測可分為有參數(shù)銷售預(yù)測和無參數(shù)銷售預(yù)測[4]。有參數(shù)預(yù)測模型是指根據(jù)銷售地區(qū)、季節(jié)、天氣、價格等因素來預(yù)測未來的銷售狀況。無參數(shù)預(yù)測模型是指使用預(yù)測目標(biāo)作為單變量進(jìn)行預(yù)測。本文采用的是無參數(shù)預(yù)測模型。預(yù)測模型構(gòu)建過程如下：

（1）讀取并定義原始銷售量時間序列數(shù)據(jù)，本文模型訓(xùn)練的數(shù)據(jù)集來自某商城金裝奶粉某一年的月銷售量數(shù)據(jù)。

（2）為消除指標(biāo)間數(shù)量級影響，采用min-max標(biāo)準(zhǔn)化公式對原始銷售數(shù)據(jù)進(jìn)行歸一化處理。對應(yīng)的歸一化和反歸一化公式分別為：

（3）根據(jù)經(jīng)驗，搭建具有2層LSTM隱藏層的神經(jīng)網(wǎng)絡(luò)模型，設(shè)置時間步長為2。

（4）將標(biāo)準(zhǔn)化的數(shù)據(jù)劃分為訓(xùn)練集和驗證集，并轉(zhuǎn)化為可供模型使用的3維數(shù)組。

（5）損失函數(shù)選擇均方誤差。

（6）優(yōu)化器選擇AdamOptimizer，實現(xiàn)了Adam算法，優(yōu)化目標(biāo)是使均方誤差最小。

（7）訓(xùn)練模型，調(diào)整超參數(shù)，優(yōu)化擬合效果。

（8）確定超參數(shù)，保存為pb格式的模型文件并命名為milkpowder24，同時指定保存會話對象sess，其標(biāo)簽設(shè)為mytag。

模型誤差曲線圖如圖2所示，為設(shè)計模型調(diào)用接口需要，還需將模型中的輸入占位符的name屬性命名為input_x，模型的預(yù)測值pred的name屬性命名為predict。

2系統(tǒng)設(shè)計

2.1系統(tǒng)功能設(shè)計

系統(tǒng)主要面向商場內(nèi)部工作人員，主要功能模塊為：用戶登錄子模塊、員工管理子模塊、商品管理子模塊、功能接口子模塊、訂單管理子模塊和統(tǒng)計分析子模塊。由于系統(tǒng)面向商場內(nèi)部使用，所以沒有注冊功能模塊，不同的模塊對應(yīng)不同的功能。系統(tǒng)功能結(jié)構(gòu)如圖3所示。

用戶登錄子模塊：采用shiro安全框架，將用戶登錄信息封裝為Token令牌并與數(shù)據(jù)庫中的用戶信息校驗，簡化實現(xiàn)用戶登錄系統(tǒng)驗證。

員工管理子模塊：商場管理人員根據(jù)商場員工的新增或者員工信息的變動，對員工信息實現(xiàn)增刪改查功能。

商品管理子模塊：調(diào)整商品編碼、價格等信息，實現(xiàn)對商品信息的增刪改查。

功能接口子模塊：為POS收銀提供系統(tǒng)登錄驗證、商品查詢及訂單支付等功能。

訂單管理子模塊：負(fù)責(zé)對已支付訂單信息的管理。

統(tǒng)計分析子模塊：利用數(shù)據(jù)庫中商品過去一段時間產(chǎn)生的月銷售數(shù)據(jù)作為預(yù)測輸入，調(diào)用在jupyter上離線訓(xùn)練好的銷售預(yù)測模型進(jìn)行預(yù)測，并通過Echarts可視化分析預(yù)測結(jié)果。

2.2系統(tǒng)架構(gòu)設(shè)計

由于B/S架構(gòu)具有客戶端零維護(hù)、數(shù)據(jù)實時性較強(qiáng)等特點[5]，所以系統(tǒng)采用B/S系統(tǒng)架構(gòu)。同時為了使系統(tǒng)具有良好的擴(kuò)展性和跨平臺性[6]，采用Java語言編寫并使用IntelliJ IDEA 2019來搭建SSM框架，服務(wù)器選擇tomcat，在數(shù)據(jù)庫方面，采用Mysql數(shù)據(jù)庫存儲數(shù)據(jù)。在SSM框架中，Spring扮演著整個應(yīng)用大管家的角色。整個應(yīng)用中所有對象的創(chuàng)建、初始化、銷毀以及對象間關(guān)聯(lián)關(guān)系的維護(hù)，均由Spring來管理。SpringMVC作為View層的實現(xiàn)者，完成用戶請求接收功能。SpringMVC的Controller作為整個應(yīng)用的控制器，完成用戶請求的轉(zhuǎn)發(fā)及對用戶的響應(yīng)。MyBatis作為DAO層的實現(xiàn)者，完成對數(shù)據(jù)庫的增刪改查功能。系統(tǒng)整體架構(gòu)如圖4所示。

3 LSTM銷售預(yù)測模型在系統(tǒng)中的應(yīng)用

3.1 LSTM銷售預(yù)測模型調(diào)用接口設(shè)計

由于系統(tǒng)沒有對模型在線學(xué)習(xí)的需求，只需要模型離線訓(xùn)練好，部署在線上即可。因此選擇Tensorflow的Java版本API實現(xiàn)Java調(diào)用模型在線預(yù)測。模型調(diào)用接口設(shè)計步驟如下：

①將之前訓(xùn)練并保存為pb格式的模型文件放入此預(yù)測系統(tǒng)項目文件夾中。

②通過maven工程的pom文件導(dǎo)入tensorflow的JAR包。

③創(chuàng)建名為MilkPowderUtils的接口類，由于模型輸入要求為三維數(shù)組，所以同時創(chuàng)建形參為float類型的三維數(shù)組、返回值為float類型數(shù)值的靜態(tài)模型調(diào)用方法。

④在靜態(tài)模型調(diào)用方法中實現(xiàn)模型調(diào)用預(yù)測的功能邏輯。在此階段，SaveModelBundle類負(fù)責(zé)Java程序與pb模型文件建立連接。此類通過調(diào)用load方法，傳入模型文件的絕對地址和模型會話對象保存的mytag標(biāo)簽作為參數(shù)加載模型對象。進(jìn)而通過模型對象獲取模型會話對象和name屬性為predict的預(yù)測操作對象。

⑤將預(yù)測操作作為參數(shù)，實例化Output類。

⑥形參傳入數(shù)據(jù)通過Tensor類的create方法轉(zhuǎn)化為Tensor類型并賦值給名為input_x的Tensor對象。

⑦最終調(diào)用模型會話對象，輸入需要的數(shù)據(jù)，計算預(yù)測操作結(jié)果并將此預(yù)測結(jié)果處理后作為方法返回值。

⑧Java程序查詢Mysql獲取預(yù)測需要的數(shù)據(jù)，歸一化處理并封裝，調(diào)用靜態(tài)模型調(diào)用方法，傳入封裝數(shù)據(jù)，獲取預(yù)測值，反歸一化后通過Echarts可視化分析預(yù)測結(jié)果。

3.2模型應(yīng)用效果

圖5是銷售預(yù)測可視化分析界面，系統(tǒng)預(yù)測可視化分析功能運(yùn)行正常。將實際值和預(yù)測值可視化對比分析，直觀地展示了金裝奶粉上半年的銷售情況。

4結(jié)束語

隨著商業(yè)智能的迅速發(fā)展，神經(jīng)網(wǎng)絡(luò)預(yù)測技術(shù)已經(jīng)成為銷售預(yù)測系統(tǒng)的關(guān)鍵。本文提出的基于LSTM的銷售預(yù)測系統(tǒng)的設(shè)計，實現(xiàn)了對商品銷售信息管理和對商業(yè)數(shù)據(jù)的可視化預(yù)測分析，系統(tǒng)運(yùn)行正常。通過可視化分析，直觀、明了地展示了銷售情況，為管理者制定營銷策略提供重要的參考價值。后期主要的研究工作是改進(jìn)預(yù)測模型，不斷完善銷售預(yù)測系統(tǒng)。

參考文獻(xiàn)

[1]閆博，李國和，黎旭.基于ARMA的銷售預(yù)測方法與系統(tǒng)實現(xiàn)[J].計算機(jī)與現(xiàn)代化，2014（5）：131-135.

[2]邱俊，張瑞林.基于遺傳算法的循環(huán)神經(jīng)網(wǎng)絡(luò)在銷售預(yù)測中的應(yīng)用[J].浙江理工大學(xué)學(xué)報，2007（3）：266-270.

[3]葛娜，孫連英，石曉達(dá)，等.Prophet-LSTM組合模型的銷售量預(yù)測研究[J].計算機(jī)科學(xué)，2019，46（S1）：446-451.

[4]李儒勛，張洪偉.基于BP的CRM系統(tǒng)銷售預(yù)測的數(shù)據(jù)挖掘[J].計算機(jī)應(yīng)用，2004（11）：100-103.

[5]張式富，姜濤，吳效明.基于B/S的智慧社區(qū)健康監(jiān)護(hù)管理系統(tǒng)軟件的設(shè)計與實現(xiàn)[J].計算機(jī)應(yīng)用與軟件，2014，31（3）：4-6.

[6]李躍軍，桂嵐，劉飛.基于B/S結(jié)構(gòu)的交通運(yùn)輸預(yù)測系統(tǒng)設(shè)計與實現(xiàn)[J].交通與計算機(jī)，2002（2）：17-20.