1、PDF外文：http:/ 基于数据挖掘的服装销售预测 原文出处： 1. Celia Frank,Balaji Vemulapalli,Les M.Sztandera,Amar Raheja.Forecasting Women s Apparel Sales Using Mathematical ModelingJ.National Textile Center Annual Report,2003,11:110. 2. Sebastien Thomassey,Michel Happie
2、tte,Jean Marie Castelain.A short and mean-term automatic forecasting system-application to textile logisticsJ.European Journal of Operational Research,2005,161 :275284. 译文 1： 基于数学建模的女性服装销售预测 目标 这项工作的目的是为了演示在服装销售预测中，类似人造的神经网络和模糊逻辑模型的一些简单计算方法。 1、摘要 销售预测是服装供应链 锁管理中的主
3、要部分，并且对于收益性来说非常重要。服装管理者需要一个精细的预测工具，像尺寸、价格、颜色、气候数据、价格变动、营销策略等外因和时间这样的内因都必须被考虑进去。尽管用一贯的气象学统计预报工具来建立模型是很常见的，但是它们本质上反应出来的仅仅只是历史数据和一个线性趋势。非常规的人工智能工具例如模糊逻辑和人工神经网络，可以有效地将销售模型的外因和内因考虑进去，并且允许从任意非线性近似函数得出直接的推导。在这个研究中，预测模型是建立在单变量分析和多变量分析的基础上的。建立在多元模糊逻辑分析学上的模型比那 些建立在其他基础上的模型要好得多。模型的效力是通过比较拟合优度统计资料、 R2中的一个来测试的，也
4、包含不同形态服装的实际销售和预测销售的比较。五个月的销售数据（ 2001.8-12）当做原始数据用于我们的模型，然后做出一个 2002年一个月份的销售预测。模型的效力是通过比较拟合优度统计资料、 R2中的一个来测试的，也包含实际销售和预测销售的比较。一个 0.93的 R2由多变量分析获得（ 0.75是单变量分析），这明显比由单季性的指数平滑获得的 0.90和冬季的三项参数模式得来的 0.75要高得多。另一种模型，基于人工神经网络 模型的方法，给 R2一个 0.82的多变量分析平均值和 0.92的单变量分析平均值。 2、最近的研究 在重要的产品变量如颜色、时间和尺寸的基础
5、上，一个多变量模糊模型已经建立起来。该模型正在被扩展到包括其他变数如气候、经济条件等 ,将用于建设一座综合预测软件。 3、数据搜集 由于我们目前的研究是基于多变量分析方法 ,包含多个自变量的销售数据被用于多变量模糊逻辑与神经网络模型。销售数据格式样本见表 1。 4、资料转换 为了建立模型，一个能被熟练用于简单算法的精炼的数字简化形式是必须的。转换后的数据格式见表 2。 5、方法 会影响到两种产品服装销售的变量：颜色、时间和尺寸，被拿出来做模型。转换后的数据根据不同的尺寸分类组合，提炼，然后利用人工神经网络和
6、模糊逻辑模型为每个组预测销售。分组后的数据格式样本见表 3。 日销售量是通过组别的销售估算出来的，利用以下两种方法： a.分数贡献法 b.温特斯三参数模型 预测后的日销售量再通过统计拟合优度、 R2来与实际销售量做比较。 6、模糊逻辑模型 模糊逻辑学允许算法的形成里有人类决策和评估的陈述，它是人类逻辑的数学表现形式。由从属函数规定的模糊集合的使用构成 了模糊逻辑学。（冯 阿尔特洛克， 1995） 模糊集合
7、：是一个在 0, 1区间上的分等级的组。 从属函数：是变量属于模糊集合的函数。 销售模糊逻辑控制器的组成： 模糊性：语言上被定义为所有的输入变量（颜色和尺寸） 模糊推论：规章由数据库制定，在此基础上，言语输出变量的价值也就确定了。模糊推论由两个部分组成： 集合体：规则的条件部分。 构成：规则的 THEN部分。 去模糊化： 把由前阶段获得的输出变量（销售）的语言值（ s）转换成一个真实的输出值。 这可以
8、通过处理基值来 完成，新结果要在平衡所有结果后找出来。 模糊逻辑模型应用于分组数据模型，销售价值计算每个尺寸类的组合。这整段时间的总销售额是通过总结所有分组项目的销售额来计算的。 n趋向于一系列尺寸颜色组合的点。 为了计算 日常销售，要用到两种不同的方法： 6.1 分数贡献法 根据观察，每个工作日的分数贡献对于整个周销售来说是恒定不变的。表格 4和图形 2描述了一个工作 日对于周销售的分数贡献， 从预测的周销售能预测日常销售。
