基于LSTM的销售预测系统的设计与实现

胡雨阳 张承 郑明 夏定纯

摘要：针对大型商场后台服务器管理系统规模越来越大，结构越来越复杂及服务器负载量过大的问题，选用Java和SSM框架构建中台服务器，承担部分管理功能，缓解大后台服务器压力。同时为增强中台的综合管理水平，适应当前AI技术的迅猛发展，构建LSTM销售预测模型和模型应用接口，为中台提供智能化的预测分析功能。

关键词：销售预测；长短期记忆神经网络；SSM；系统设计

中图分类号：TP311文献标志码：A文章编号：1008-1739（2020）23-65-3

0引言

在商场终端设备和大后台服务器之间，增加一个中台服务器，可以有效减少大后台服务器的压力，同时在后台服务器出现故障时，可以保证商场数据的安全。此中台服务器主要负责商品信息管理、订单管理及支付等功能，商场管理系统的其他功能仍然由商场大后台服务器负责。此外，原有后台服务器采取的仍是传统数据统计分析方法，对商场销售大数据利用率和挖掘程度低。为此，本文采用LSTM神经网络进行销售预测建模分析，并设计与模型相对应的中台系统调用接口，完成可视化销售预测分析，为商场营销决策提供参考[1]。

1基于LSTM的预测模型

1.1 LSTM算法

神经网络主要应用在商业智能领域[2]，LSTM是递归神经网络（RNNs）的一种，解决反向传播过程中存在梯度消失和梯度爆炸现象。通过引入门机制，解决了RNN模型不具备的长记忆性问题[3]。LSTM模型的一个神经元包含1个细胞状态和3个门机制，具体结构如图1所示。

遗忘门：控制上一时刻记忆细胞中的信息是否积累到当前记忆细胞中，记为。

输入门：控制记忆细胞中信息的加入，记为。

输出门：控制当前时刻记忆细胞中的信息是否输出为当前隐藏状态，记为。

1.2 LSTM銷售预测模型的构建

销售预测可分为有参数销售预测和无参数销售预测[4]。有参数预测模型是指根据销售地区、季节、天气、价格等因素来预测未来的销售状况。无参数预测模型是指使用预测目标作为单变量进行预测。本文采用的是无参数预测模型。预测模型构建过程如下：

（1）读取并定义原始销售量时间序列数据，本文模型训练的数据集来自某商城金装奶粉某一年的月销售量数据。

（2）为消除指标间数量级影响，采用min-max标准化公式对原始销售数据进行归一化处理。对应的归一化和反归一化公式分别为：

（3）根据经验，搭建具有2层LSTM隐藏层的神经网络模型，设置时间步长为2。

（4）将标准化的数据划分为训练集和验证集，并转化为可供模型使用的3维数组。

（5）损失函数选择均方误差。

（6）优化器选择AdamOptimizer，实现了Adam算法，优化目标是使均方误差最小。

（7）训练模型，调整超参数，优化拟合效果。

（8）确定超参数，保存为pb格式的模型文件并命名为milkpowder24，同时指定保存会话对象sess，其标签设为mytag。

模型误差曲线图如图2所示，为设计模型调用接口需要，还需将模型中的输入占位符的name属性命名为input_x，模型的预测值pred的name属性命名为predict。

2系统设计

2.1系统功能设计

系统主要面向商场内部工作人员，主要功能模块为：用户登录子模块、员工管理子模块、商品管理子模块、功能接口子模块、订单管理子模块和统计分析子模块。由于系统面向商场内部使用，所以没有注册功能模块，不同的模块对应不同的功能。系统功能结构如图3所示。

用户登录子模块：采用shiro安全框架，将用户登录信息封装为Token令牌并与数据库中的用户信息校验，简化实现用户登录系统验证。

员工管理子模块：商场管理人员根据商场员工的新增或者员工信息的变动，对员工信息实现增删改查功能。

商品管理子模块：调整商品编码、价格等信息，实现对商品信息的增删改查。

功能接口子模块：为POS收银提供系统登录验证、商品查询及订单支付等功能。

订单管理子模块：负责对已支付订单信息的管理。

统计分析子模块：利用数据库中商品过去一段时间产生的月销售数据作为预测输入，调用在jupyter上离线训练好的销售预测模型进行预测，并通过Echarts可视化分析预测结果。

2.2系统架构设计

由于B/S架构具有客户端零维护、数据实时性较强等特点[5]，所以系统采用B/S系统架构。同时为了使系统具有良好的扩展性和跨平臺性[6]，采用Java语言编写并使用IntelliJ IDEA 2019来搭建SSM框架，服务器选择tomcat，在数据库方面，采用Mysql数据库存储数据。在SSM框架中，Spring扮演着整个应用大管家的角色。整个应用中所有对象的创建、初始化、销毁以及对象间关联关系的维护，均由Spring来管理。SpringMVC作为View层的实现者，完成用户请求接收功能。SpringMVC的Controller作为整个应用的控制器，完成用户请求的转发及对用户的响应。MyBatis作为DAO层的实现者，完成对数据库的增删改查功能。系统整体架构如图4所示。

3 LSTM销售预测模型在系统中的应用

3.1 LSTM销售预测模型调用接口设计

由于系统没有对模型在线学习的需求，只需要模型离线训练好，部署在线上即可。因此选择Tensorflow的Java版本API实现Java调用模型在线预测。模型调用接口设计步骤如下：

①将之前训练并保存为pb格式的模型文件放入此预测系统项目文件夹中。

②通过maven工程的pom文件导入tensorflow的JAR包。

③创建名为MilkPowderUtils的接口类，由于模型输入要求为三维数组，所以同时创建形参为float类型的三维数组、返回值为float类型数值的静态模型调用方法。

④在静态模型调用方法中实现模型调用预测的功能逻辑。在此阶段，SaveModelBundle类负责Java程序与pb模型文件建立连接。此类通过调用load方法，传入模型文件的绝对地址和模型会话对象保存的mytag标签作为参数加载模型对象。进而通过模型对象获取模型会话对象和name属性为predict的预测操作对象。

⑤将预测操作作为参数，实例化Output类。

⑥形参传入数据通过Tensor类的create方法转化为Tensor类型并赋值给名为input_x的Tensor对象。

⑦最终调用模型会话对象，输入需要的数据，计算预测操作结果并将此预测结果处理后作为方法返回值。

⑧Java程序查询Mysql获取预测需要的数据，归一化处理并封装，调用静态模型调用方法，传入封装数据，获取预测值，反归一化后通过Echarts可视化分析预测结果。

3.2模型应用效果

图5是销售预测可视化分析界面，系统预测可视化分析功能运行正常。将实际值和预测值可视化对比分析，直观地展示了金装奶粉上半年的销售情况。

4结束语

随着商业智能的迅速发展，神经网络预测技术已经成为销售预测系统的关键。本文提出的基于LSTM的销售预测系统的设计，实现了对商品销售信息管理和对商业数据的可视化预测分析，系统运行正常。通过可视化分析，直观、明了地展示了销售情况，为管理者制定营销策略提供重要的参考价值。后期主要的研究工作是改进预测模型，不断完善销售预测系统。

参考文献

[1]闫博，李国和，黎旭.基于ARMA的销售预测方法与系统实现[J].计算机与现代化，2014（5）：131-135.

[2]邱俊，张瑞林.基于遗传算法的循环神经网络在销售预测中的应用[J].浙江理工大学学报，2007（3）：266-270.

[3]葛娜，孙连英，石晓达，等.Prophet-LSTM组合模型的销售量预测研究[J].计算机科学，2019，46（S1）：446-451.

[4]李儒勋，张洪伟.基于BP的CRM系统销售预测的数据挖掘[J].计算机应用，2004（11）：100-103.

[5]张式富，姜涛，吴效明.基于B/S的智慧社区健康监护管理系统软件的设计与实现[J].计算机应用与软件，2014，31（3）：4-6.

[6]李跃军，桂岚，刘飞.基于B/S结构的交通运输预测系统设计与实现[J].交通与计算机，2002（2）：17-20.