基于LSTM-RELM组合模型的电商GMV预测研究

摘要：

随着互联网的发展,内容营销逐渐成为电商营销的主流,而该类营销的日商品交易总额(gross merchandise volume,GMV)直接关系到企业的库存优化控制与广告投放策略.为了提高预测精度,基于真实电商订单数据集,根据内容营销的指标,分析用户行为对于GMV的影响,提出了一种长短期记忆网络(long short-term memory network,LSTM)与正则化极限学习机(regularized extreme learning machine,RELM)的组合模型LSTM-RELM.实验结果表明,相比于传统单一模型与双LSTM、LSTM-SVR、GM(1,1)-BP等组合模型,LSTM-RELM模型具有更精确的预测效果与更快的运行速度,能为相关销售企业提供广告投放策略参考与库存优化建议.

关键词：长短期记忆网络(LSTM)、极限学习机(ELM)、GMV预测、组合预测

所属期刊栏目：59

分类号：TP389.1(计算技术、计算机技术)

资助基金：上海市科技创新行动计划项目19DZ1209600

在线出版日期：2023-05-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：321-327