- 项目背景与目标
在电子商务和零售行业中，热门商品的销量预测和成长性分析是优化库存管理、制定营销策略的关键环节。传统的静态预测方法难以捕捉时间序列中的动态模式和复杂依赖关系，而基于深度学习的模型能够有效挖掘这些特征。本项目旨在设计并实现一个基于长短期记忆网络（LSTM）结合注意力机制（Attention Mechanism）和加权链路预测的混合模型，用于分析动态热门商品的销量增长率（成长性），并预测未来趋势。通过引入多维特征和可视化分析，本方法不仅提升预测精度，还为商业决策提供数据驱动的洞察。
项目目标包括：
- 构建一个改进的LSTM+Attention模型，预测未来30天的商品销量。
- 计算并分析销量增长率，评估商品的成长性。
- 引入加权链路预测方法，增强对动态趋势的捕捉能力。
- 通过丰富的可视化手段，展示模型性能、注意力分布和成长性分析结果。
- 理论基础
2.1 长短期记忆网络（LSTM）
LSTM是一种特殊的循环神经网络（RNN），通过引入更新门（Update Gate）、遗忘门（Forget Gate）和输出门（Output Gate），能够有效捕捉时间序列中的长期依赖关系。在销量预测场景中，LSTM适用于处理历史销售数据中的季节性、趋势性和随机波动。
2.2 注意力机制（Attention Mechanism）
注意力机制通过为每个输入时间步分配不同的权重，使模型能够动态关注对预测最重要的历史信息。在本项目中，注意力机制增强了LSTM对关键时间点的敏感性，例如促销活动或季节变化的影响。
2.3 加权链路预测
加权链路预测是一种时间序列分析方法，通过对历史数据的变化率（增长率）进行加权平均，预测未来的趋势。本项目采用指数加权方式，赋予近期数据更高的权重，以反映动态商品销量的短期波动特性。
2.4 销量增长率（成长性）
成长性定义为商品销量的相对变化率，通常以百分比形式表示。在本项目中，成长性通过计算相邻时间段的销量差异与前期销量的比值获得，并结合加权方法进行趋势分析。
- 数据预处理
3.1 数据来源
本项目使用的数据来源于一个平滑后的销售数据集（假设文件名为smoothed_ES_sku023.csv），包含日期（date）、销量（sale）和温度（temperature）等字段。数据时间跨度足够长，能够反映商品销量的动态变化。
3.2 特征工程
为提升模型性能，设计了以下特征：
- 时间特征：提取周数（week_number）和月份（month），捕捉周期性和季节性。
- 滞后特征：计算上周销量（last_week_sale），引入历史信息。
- 成长性特征：计算7天周期的销量增长率（sale_growth_rate），直接反映商品的动态变化。
- 环境特征：保留温度（temperature）作为外部影响因素。
3.3 数据标准化
使用MinMaxScaler将所有特征缩放到[0, 1]区间，确保不同量纲的特征对模型训练的贡献均衡。
3.4 序列构建
将数据转换为时间序列格式，输入序列长度为30天（过去数据），预测步长为30天（未来数据）。数据集按80%训练集和20%测试集划分。
- 模型设计
4.1 模型架构
本项目设计了一个LSTM+Attention混合模型，主要包括以下模块：
- LSTM层：多层LSTM结构，捕捉时间序列的长期依赖关系。
- 注意力层：计算每个时间步的权重，生成上下文向量，增强对关键信息的关注。
- 全连接层：两层全连接网络（带ReLU激活和Dropout），将LSTM输出映射到预测结果。
- 输出层：生成未来30天的销量预测。
4.2 训练配置 - 损失函数：均方误差（MSE），衡量预测值与实际值的偏差。
- 优化器：Adam优化器，学习率为0.001。
- 超参数：隐藏层大小为64，LSTM层数为2，Dropout率为0.2，训练轮数为50。
4.3 加权链路预测
在预测销量后，计算每日的增长率，并使用指数加权平均方法（权重随时间指数衰减）生成加权增长率，作为商品成长性的评估指标。
- 实验与分析
5.1 模型性能评估
- 评估指标：
- 均方误差（MSE）：衡量预测的整体误差。
- 平均绝对误差（MAE）：反映预测偏差的平均水平。
- 加权平均增长率：评估预测与实际成长性趋势的一致性。
- 结果示例：观看视频
5.2 可视化分析 - 训练过程：绘制训练和测试损失曲线，验证模型收敛性。
- 注意力分布：通过热图展示注意力权重，分析模型对历史时间步的关注模式。
- 销量预测：对比测试集的实际销量与预测销量，展示预测精度。
- 增长率分析：绘制预测与实际增长率曲线，评估成长性预测能力。
- 未来趋势：结合历史数据可视化未来30天的预测销量。
5.3 成长性分析
通过加权增长率，评估商品在未来30天的成长潜力。例如，若加权增长率持续为正且稳定，表明商品具有较高的成长性；若波动较大，则可能受外部因素影响明显。
- 结果与应用
6.1 预测结果
模型成功预测了未来30天的销量，并生成了包含日期和预测销量的结果表。结果保存为CSV文件，便于后续分析和商业应用。
