基于 LSTM 的单品补货量预测及定价策略

本代码使用 Python 和 Keras 库，基于 LSTM 模型实现单品销售量的时间序列预测，并根据预测结果给出补货量建议和定价策略。

代码实现

import pandas as pd
import numpy as np
from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import Dense, LSTM

# 读取数据
data = pd.read_csv('test.csv')

# 数据预处理
data['销售日期'] = pd.to_datetime(data['销售日期'])
data['销售量(千克)'] = data['销售量(千克)'].astype(float)
data = data[['销售日期', '单品编码', '销售量(千克)']]
data = data.groupby(['销售日期', '单品编码']).sum().reset_index()

# 构建时间序列数据
timeseries_data = data.pivot(index='销售日期', columns='单品编码', values='销售量(千克)')
timeseries_data = timeseries_data.fillna(0)

# 归一化
scaler = MinMaxScaler()
scaled_data = scaler.fit_transform(timeseries_data)

# 划分训练集和测试集
train_data = scaled_data[:-7]
test_data = scaled_data[-7:]

# 构建输入和输出
def create_dataset(dataset, lookback=1):
    X, Y = [], []
    for i in range(len(dataset)-lookback):
        X.append(dataset[i:(i+lookback)])
        Y.append(dataset[i+lookback])
    return np.array(X), np.array(Y)

lookback = 3
train_X, train_Y = create_dataset(train_data, lookback)
test_X, test_Y = create_dataset(test_data, lookback)

# 构建模型
model = Sequential()
model.add(LSTM(50, input_shape=(lookback, train_X.shape[2])))
model.add(Dense(train_X.shape[2]))
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(train_X, train_Y, epochs=100, batch_size=16, verbose=0)

# 预测
train_predict = model.predict(train_X)
test_predict = model.predict(test_X)

# 反归一化
train_predict = scaler.inverse_transform(train_predict)
train_Y = scaler.inverse_transform(train_Y)
test_predict = scaler.inverse_transform(test_predict)
test_Y = scaler.inverse_transform(test_Y)

# 输出预测结果
print('7月1日的单品补货量和定价策略：')
for i in range(len(test_predict)):
    for j in range(len(test_predict[i])):
        if test_predict[i][j] > 2.5:
            print('单品编码：', timeseries_data.columns[j])
            print('补货量：', test_predict[i][j])
            print('定价策略：根据市场需求和成本进行定价')
            print('---')

# 报错解决
# 该错误是因为train_data已经是一个numpy数组，不需要使用.values方法。将第37行的代码修改为：
train_X, train_Y = create_dataset(train_data, lookback)

代码说明

数据读取和预处理
- 读取 CSV 文件中的销售数据
- 将'销售日期'列转换为日期类型
- 将'销售量(千克)'列转换为浮点型
- 按'销售日期'和'单品编码'分组并求和，得到每个日期每个单品的销售量
构建时间序列数据
- 使用 pivot() 函数将数据转换为时间序列格式，以'销售日期'为索引，以'单品编码'为列，以'销售量(千克)'为值
- 使用 fillna(0) 填充缺失值
归一化
- 使用 MinMaxScaler() 将数据归一化到 0 到 1 之间，方便模型训练
划分训练集和测试集
- 将数据分为训练集和测试集，用于模型训练和评估
构建输入和输出
- 定义 create_dataset() 函数，将时间序列数据转换为 LSTM 模型所需的输入和输出格式
- 设置 lookback 参数，表示每个样本包含多少个时间步长
构建模型
- 使用 Sequential() 构建模型
- 添加 LSTM 层，设置输入形状为 (lookback, train_X.shape[2])
- 添加 Dense 层，输出维度与输入维度相同
- 使用 'mean_squared_error' 作为损失函数，使用 'adam' 作为优化器
- 使用 fit() 方法训练模型
预测
- 使用 predict() 方法对训练集和测试集进行预测
反归一化
- 使用 inverse_transform() 方法将预测结果反归一化到原始数据范围
输出预测结果
- 输出 7 月 1 日的每个单品的补货量建议和定价策略

总结

该代码利用 LSTM 模型实现了单品销售量的时间序列预测，并根据预测结果给出了补货量建议和定价策略，可以帮助企业更好地管理库存和制定价格策略。

报错解决

代码中出现错误 AttributeError: 'numpy.ndarray' object has no attribute 'values' 是因为 train_data 已经是一个 NumPy 数组，不需要使用 .values 属性。将第 37 行代码修改为 train_X, train_Y = create_dataset(train_data, lookback) 即可解决。

注意事项

该代码只是一个示例，需要根据实际情况进行调整
建议使用更多数据进行训练，以提高模型的预测精度
可以尝试使用其他深度学习模型，例如 GRU 和 CNN
可以使用其他特征，例如价格、促销信息等，以提高模型的预测精度
可以使用更复杂的定价策略，例如动态定价策略
可以使用可视化工具，例如 Matplotlib 和 Seaborn，对预测结果进行可视化分析