基于多模型的零售销售预测实战指南

引言：数据驱动的零售决策新时代

在电商崛起与零售业快速发展的背景下，精准的销售预测已成为企业库存管理、供应链优化和营销策略制定的核心能力。本文基于真实Kaggle竞赛数据集（2013-2015年历史销售记录），分享一套完整的预测流程，涵盖数据探索、模型构建与性能对比全流程。

一、数据全景扫描与特征工程

1.1 数据架构解析

使用的数据集来源于Kaggle官网中，该数据集中包含了每日的历史销售数据，旨在预测测试集中每个商店销售的产品总量。sales_train.csv训练集，包含从2013年1月到2015年10月的每日历史数据。test.csv测试集，需要预测2015年11月这些商店和产品的销售量。

数据集包含5个核心文件：

sales_train.csv：293万条日粒度销售记录（2013.1-2015.10）
辅助表：商店/商品/商品类别元数据
关键字段：
- date_block_num：时序编码（2013年1月=0，每月+1）
- item_cnt_day：日销售量（预测目标）
- item_price：动态价格特征
- 数据字段：ID：表示测试集中的（商店，产品）元组的ID。shop_id：商店的唯一标识符。item_id：产品的唯一标识符。item_category_id：产品类别的唯一标识符。item_cnt_day：销售的产品数量。预测的目标是该度量的月度总量。item_price：产品的当前价格。date：日期，格式为dd/mm/yyyy。date_block_num：一个连续的月份编号，便于处理。2013年1月为0，2013年2月为1，...，2015年10月为33。item_name：产品名称。shop_name：商店名称。item_category_name：产品类别名称。

1.2 数据融合与清洗

由于上述表格较多，表之间相互关联，因此对表进行合并。第一步将sales_train_df和shops_df两个数据框按照shop_id列进行左连接（left join）。这样做的目的是将训练集中的商店信息与商店数据框进行合并，将商店的补充信息添加到训练集中的每一行。第二步将第一步合并后的数据框train_df与items_df数据框按照item_id列进行左连接。这样做的目的是将产品信息与训练集合并，将产品的补充信息添加到训练集的每一行。第三步将第二步合并后的数据框train_df与item_categories_df数据框按照item_category_id列进行左连接。这样做的目的是将产品类别信息与训练集合并，将产品类别的补充信息添加到训练集的每一行。最终，train_df数据框将包含训练集的所有信息，包括销售数据、商店信息、产品信息和产品类别信息，最终表中共计2935849行10列数据信息。

python 复制代码

train_df = sales_train_df.merge(shops_df, on='shop_id', how='left')
train_df = train_df.merge(items_df, on='item_id', how='left')
train_df = train_df.merge(item_categories_df, on='item_category_id', how='left')

① 缺失值检测：全字段无缺失（见图1）

② 异常值处理：通过3σ原则过滤价格异常点；排除了位于阈值范围之外的数据点，这些数据点被认为是异常值。箱线图可以显示数据的分布情况以及异常值的存在。

python 复制代码

import seaborn as sns
import matplotlib as mpl
import matplotlib.pyplot as plt
# Target column chart with outliers
sns.boxplot(train["item_price"])
plt.title("Boxplot graph - With outliers")
plt.grid(False)
plt.show()

### Outlier removal

# interest column
Q1 = train['item_price'].quantile(0.25)
Q3 = train['item_price'].quantile(0.75)
IQR = Q3 - Q1

# Set the thresholds to consider a point as an outlier
lower_bound = Q1 - 0.3 * IQR
upper_bound = Q3 + 0.3 * IQR

# Remove outliers
data = train[(train['item_price'] >= lower_bound) & (train['item_price'] <= upper_bound)]

# Calculate the limits for each variable
def remove_outliers(train, column, m=3):
    mean = np.mean(train[column])
    std_dev = np.std(train[column])
    lower_bound = mean - m * std_dev
    upper_bound = mean + m * std_dev
    return lower_bound, upper_bound

# Define the variables of interest
columns = ["date_block_num","shop_id","item_id", "item_cnt_day","item_price"]

# Set a standard deviation threshold multiplied by m
m = 3

# Calculate limits for each variable and remove outliers
for columns in columns:
    lower_bound, upper_bound = remove_outliers(data, column, m)
    data = train[(train[column] >= lower_bound) & (train[column] <= upper_bound)]

# Reset the index
data.reset_index(drop=True, inplace=True)

③ 将时间列转为年月类型：首先，将日期列转换为日期时间格式，并从中提取出月份和年份信息。然后，按照年份、月份、商店和产品对销售数据进行分组，并计算每月每个商店和产品的销售总量。最终的结果是生成了一个包含月度销售总量的数据框，这将作为模型的训练数据，用于分析销售趋势和模式。

④ 将数据进行标准化。该数据集属于大数据集，标准化具有以下好处：
消除尺度差异：大数据集中的不同特征可能具有不同的尺度范围，例如某些特征可能取值在几十到几百之间，而其他特征可能在几千到几百万之间。这种尺度差异可能会影响某些机器学习算法的性能，导致对取值范围较大的特征给予过多权重。通过标准化，可以将所有特征转换为相同的尺度，消除尺度差异，确保每个特征对模型的贡献平衡。
提高算法的收敛速度：数据标准化可以加快算法的收敛速度，使优化过程更快地达到最优解。

二、关键业务洞察可视化

1. 周期性规律挖掘

显著峰值：每年12月（假日经济效应）
稳定基线：非年末月份销量波动≤15%

2. 渠道与品类分析

python 复制代码

figure, ax = plt.subplots()
figure.set_size_inches(12, 6)

group_shop_sum_df = train_df.groupby('shop_id').agg({'item_cnt_day': 'sum'})
group_shop_sum_df = group_shop_sum_df.reset_index()

group_shop_sum_df = group_shop_sum_df[group_shop_sum_df['item_cnt_day'] > 10000]

sns.barplot(x='shop_id', y='item_cnt_day', data=group_shop_sum_df)
ax.tick_params(axis='x', labelrotation=90)

头部商店：莫斯科ТРК "Атриум"(25)、ТЦ "Семеновский"(31)
长尾分布：60%商店贡献<10%总销量

三、多模型对比实验

1. 四类模型架构

模型类型	核心参数
LSTM	2层LSTM(50神经元)+Dropout(0.2)
随机森林	sklearn默认参数
决策树	sklearn默认参数
XGBoost	默认参数

2. 性能对比结论

由图中可知：

冠军模型 ：随机森林（RMSE=5.273）
时序模型表现 ：LSTM未达预期（RMSE=8.089），需增加训练轮次
效率排序：决策树 > XGBoost > 随机森林 > LSTM

随机森林RMSE值更低，表示在四种模型中，其效果最好，而针对于时序处理的LSTM模型效果没有随机森林好，可能是由于数据集过大，只训练了20轮，未能使模型充分训练，因此效果较差。

四、未来优化方向

特征增强
- 引入外部数据：天气/促销活动/宏观经济指标
- 构建滞后特征（lag features）捕捉短期依赖
模型升级

python 复制代码

# 深度集成方案
ensemble_model = StackingRegressor([
    ('rf', RandomForestRegressor()),
    ('xgb', XGBRegressor()),
    ('lstm', KerasRegressor(build_lstm_model))
])

基于多模型的零售销售预测实战指南

一、数据全景扫描与特征工程​​

​​1.1 数据架构解析​

​​1.2 数据融合与清洗​

二、关键业务洞察可视化​​

三、多模型对比实验​

四、未来优化方向​​

一、数据全景扫描与特征工程

1.1 数据架构解析

1.2 数据融合与清洗

二、关键业务洞察可视化

三、多模型对比实验

四、未来优化方向