楊柳青青

（武漢理工大學經(jīng)濟學院，湖北 武漢 430070）

1 研究背景

1.1 智能穿戴設備市場的崛起

早在20世紀60年代，智能穿戴設備的思想和雛形就已出現(xiàn)，直到20世紀80年代真正可以穿戴的智能設備才開始出現(xiàn)在社會大眾眼前。智能穿戴設備是運用穿戴技術對用戶的身體狀況、睡眠狀況、運動狀況等進行監(jiān)測。目前，隨著科學技術的進步，智能穿戴設備市場正在逐步崛起，已有不少學者開始研究智能穿戴設備在智慧養(yǎng)老領域、智能健身、防疫預警等方面的應用。智能穿戴設備的代表產(chǎn)品有Apple Watch蘋果智能手表、華為智能手表、小米手環(huán)等，截至2016年，全球智能設備市場的規(guī)模已達60億元。隨著當今社會逐漸智能化，智能穿戴設備的種類越來越豐富，人們對智能穿戴設備也有了更高的追求，其將極大地影響人們的生活方式。

從傳統(tǒng)時代到互聯(lián)網(wǎng)時代，消費者行為模式[1]經(jīng)歷了從AIDMA（用戶在購買商品前的心理過程）到AISAS（用戶在社會化媒體上產(chǎn)生購買行為前后的過程）的轉變。到了移動網(wǎng)絡時代，消費者的行為特征往往符合AISAS模式。

以移動網(wǎng)絡時代消費者購買當季熱銷商品為例，消費者可能會在微博、小紅書、抖音等熱門平臺偶然刷到有關該商品的相關視頻或相關筆記，消費者認為這個商品的某個方面正好符合自己的需要，消費者通過在網(wǎng)絡平臺上繼續(xù)搜索有沒有關于該商品的相似內(nèi)容，若獲取到的所有信息都達到消費者的預期，那么消費者就會直接購買。

1.2 神經(jīng)網(wǎng)絡技術下銷售預測發(fā)展

銷售預測是商品經(jīng)濟帶來的產(chǎn)物，隨著市場的擴大和商品經(jīng)濟迅速發(fā)展，企業(yè)為了使產(chǎn)品能夠適應市場的需求，對于市場的銷售預測也越來越看重。市場的發(fā)展銷售預測是指通過科學的方法，在研究市場供求變化的諸多因素進行分析和研究基礎上，對該商品未來市場的供需發(fā)展趨勢和價格浮動等影響因素的變化進行分析、判斷和預測。對于企業(yè)來說，有了合理的市場銷售預測，才有可能做出正確的決策和科學的營銷方案。

當前，人們對于市場的預測有許多方法。傳統(tǒng)的預測方法主要有平滑預測法、趨勢線預測法、回歸預測等，但只能用于線性場合，受制因素較多。而近年來，隨著科學技術的迅速發(fā)展，人工神經(jīng)網(wǎng)絡、遺傳算法等非線性的科學技術在許多行業(yè)上的廣泛運用，給銷售預測帶來了新的希望。神經(jīng)網(wǎng)絡算法是通過模仿自然界的生物特征，利用其進化機制，逐漸發(fā)展起來的一種全局優(yōu)化搜索技術。它由自然界的自然選擇以及遺傳學定律的生物進化而衍生的一種計算模型。神經(jīng)網(wǎng)絡技術（Artificial Neural Networks，ANN）是近年來發(fā)展起來的一種高效算法技術，利用其能模仿人腦的內(nèi)部結構及其功能，并制作相應的的信息處理系統(tǒng)。利用這種技術在認識人腦的基礎上，用數(shù)學或物理分析的方法，以信息處理角度為出發(fā)點，對人腦內(nèi)部的神經(jīng)網(wǎng)絡進行簡單抽象化處理，從而建立起來某種模型。

在2006年，深度學習（Deep Learning）技術的出現(xiàn)，使得更加復雜的神經(jīng)網(wǎng)絡模型能夠在預測方向逐漸廣泛應用起來，其中卷積神經(jīng)網(wǎng)絡技術（Convolutional Neural Networks，CNN）能夠在文字識別、圖像識別、語音識別等方面展現(xiàn)比較好的效果，應用循環(huán)神經(jīng)網(wǎng)絡技術（Recurrent Neural Network，RNN）能夠在市場數(shù)據(jù)的預測中也得到顯著效果。

盂祥澤等[2]早先提出一種市場預測方法，該方法基于模糊神經(jīng)網(wǎng)絡的股票市場建模與預測技術，采用遺傳算法來訓練神經(jīng)網(wǎng)絡權值和進行模糊子集的劃分。張帆等[3]提出了通過BP（Back Propagation）神經(jīng)網(wǎng)絡技術對衛(wèi)星的成本進行估算，通過控制同義輸出變量，將輸入變量的模糊數(shù)值作為其學習樣本，對BP神經(jīng)網(wǎng)絡進行深入學習。事實證明，模糊算法和神經(jīng)網(wǎng)絡已經(jīng)得到了比較成熟的發(fā)展。2019年，學者宋歌和馬濤以3 513家上市公司的財務數(shù)據(jù)作為研究樣本，統(tǒng)計相關的財務數(shù)據(jù)，他們通過深度學習技術來構建神經(jīng)網(wǎng)絡模型來預測企業(yè)未來。結果表明，基于深度學習的神經(jīng)網(wǎng)絡模型預測樣本的準確率在72%以上。

本文基于以上背景，以神經(jīng)算法和神經(jīng)網(wǎng)絡為基礎，對中國智能產(chǎn)品的銷售進行預測，并提出相應的建議。

2 預測模型設計

2.1 BP神經(jīng)網(wǎng)絡特點

1986年，以RUMELHART為首的美國科研團隊首先提出了BP神經(jīng)網(wǎng)絡模型；1987年，著名學者WHITE通過BP神經(jīng)網(wǎng)絡模型對股票市場進行了第一次預測，盡管此次試驗效果不理想，但是這次預測實驗為其他學者應用BP神經(jīng)網(wǎng)絡預測時間序列數(shù)據(jù)奠定了基礎。

當前，BP網(wǎng)絡相對于其他神經(jīng)網(wǎng)絡算法最為成熟，其特點如表1所示。盡管它也有一些例如學習過程中收斂速度較慢、其網(wǎng)路結構難以確定等問題，但在處理復雜、煩瑣的非線性問題時，其具有強大的應用潛力。

表1 BP神經(jīng)網(wǎng)絡的特點

BP神經(jīng)網(wǎng)絡的運用逐漸得到普及，不僅在原有領域有著越來越深入的研究，同時還越來越多地與其他學科領域進行交叉。通過優(yōu)勢互補，能夠更好地發(fā)揮各自的長處，從而不斷完善自身。目前，BP神經(jīng)網(wǎng)絡在應用過程中的一個趨勢是與其他現(xiàn)代智能計算方法相結合，如模擬遺傳學機理的遺傳算法、模糊系統(tǒng)理論等。

2.2 神經(jīng)網(wǎng)絡的算法

神經(jīng)網(wǎng)絡算法是由大量的簡單處理單元相互聯(lián)結組成的復雜網(wǎng)絡系統(tǒng)，作為一種非參數(shù)的分類方法，它克服了選擇模型函數(shù)形式的困難，同時對樣本及變量的分布特征沒有限制。

BP神經(jīng)網(wǎng)絡是一種廣泛使用的用于訓練前饋神經(jīng)網(wǎng)絡的算法，與其他人工神經(jīng)網(wǎng)絡（ANN）和一般函數(shù)一樣，存在反向傳播的推廣，這些類型的算法統(tǒng)稱為“反向傳播”。在擬合神經(jīng)網(wǎng)絡時，“反向傳播”與簡單直接地計算相對于每個權重的梯度不同，這種方式使得使用梯度方法訓練多層網(wǎng)絡、更新權重以最小化損失變得可行；通常使用梯度下降或隨機梯度下降等變體。其工作原理為通過鏈式法則來計算，分析出損失函數(shù)相對各個權重的梯度指標，多次計算并向后迭代。以此來避免鏈式法則中不必要的計算。

BP網(wǎng)絡模型的基本結構如圖1所示，其模型表達方程為：g（x）=f L｛WLf L-1[W L-1…f1（W1x）…]｝。

圖1 BP神經(jīng)網(wǎng)絡結構圖

數(shù)據(jù)輸入層為集中海量法構建的數(shù)據(jù)。第3層是輸出層，本文增加了一個損失函數(shù)，使計算結果更加準確。當前神經(jīng)網(wǎng)絡的輸出不僅取決于當前和過去的輸入，還取決于過去的輸出，其輸入集和最終輸出可以表示為：

式（1）（2）中：X（t）為神經(jīng)網(wǎng)絡的輸入；Δt為用于時域耦合分析的時間步長；p和q分別為輸入和輸出反饋的延遲階數(shù)；pΔt和qΔt為延遲的時間長度；yt為輸出結果；f為BP經(jīng)網(wǎng)絡結構建立的映射關系模型；w為權重參數(shù)。

輸入輸出的延遲效應使BP具有一定的記憶能力。

本文所使用的銷售預測分數(shù)線性神經(jīng)網(wǎng)絡BP算法是一種迭代逼近算法，性能指標函數(shù)如下：

2.3 預測模型的設計

本文所介紹的銷售預測模型在BP神經(jīng)網(wǎng)絡模型的基礎上，通過神經(jīng)算法優(yōu)化整個銷售模型。預測模型算法流程如圖2所示。通過收集和統(tǒng)計數(shù)據(jù)，確定影響智能產(chǎn)品銷售過程的影響因素，并建立相應的神經(jīng)網(wǎng)絡結構，給予網(wǎng)格中的各連接點權值閾值。隨后通過神經(jīng)算法來對神經(jīng)網(wǎng)絡的各個連接層的權值閾值進行優(yōu)化。通過計算誤差絕對值找出商品的適應度函數(shù)，并計算其函數(shù)值。通過反復的訓練，使其產(chǎn)生新的衍生個體，再重新計算和比較衍生個體的適應度函數(shù)值，得出最優(yōu)函數(shù)值，找到最優(yōu)個體。隨后利用BP神經(jīng)網(wǎng)絡對未來5年智能產(chǎn)品的銷售情況進行預測，將上一步得到的最優(yōu)個體通過賦值傳遞給BP神經(jīng)網(wǎng)絡中各個連接層，反復進行訓練和學習，不斷計算輸出層、中間層各單元的誤差，并通過計算得出的誤差反饋給輸出層、輸入層到隱含層的各個連接權值閾值，直到預測精度滿足模型要求，從而得出相應的預測結果。

圖2 預測模型的工作流程

3 數(shù)據(jù)收集與驗證

3.1 數(shù)據(jù)收集和處理

據(jù)調(diào)查，2019年全球智能手表銷售量同比增加44%，其中Apple Watch蘋果智能手表占據(jù)市場份額第一，達到46%，而三星和Fitbit則位居第二和第三，且二者的市場份額之和也達不到蘋果公司一家的市場份額，蘋果公司的Apple Watch可謂是智能手表市場的巨頭。

而在中國智能穿戴設備的銷售量也是年年增加，2016年僅為3 876萬臺，到2021年已達到了12 686萬臺，增長率高達69.4%。且在中國的智能穿戴設備廠商中，占市場份額前三的分別是華為、小米、步步高。對于對智能穿戴設備功能性要求不高的用戶來說，智能手環(huán)可能更勝一籌，因為其價格親民且基礎功能應有盡有；而眾所周知的“小天才電話手表”，則是步步高集團在兒童智能設備穿戴市場的一個重大突破。

3.2 銷售預測模型驗證

經(jīng)過訓練，某品牌的手表和手環(huán)的適應度曲線如圖3、圖4所示，可以看出，適應度函數(shù)值一直在下降并且趨于穩(wěn)定，說明網(wǎng)絡系統(tǒng)的訓練誤差在逐漸減小。

圖3 某品牌智能手表樣本訓練過程中的適應度曲線

圖4 某品牌智能手環(huán)樣本訓練過程中的適應度曲線

圖5為使用BP神經(jīng)網(wǎng)絡基礎上通過神經(jīng)算法優(yōu)化后的預測函數(shù)。①號線代表期望輸出，②號線代表網(wǎng)絡訓練的預測輸出。網(wǎng)絡參數(shù)為隱含層節(jié)點數(shù)為6，學習率為0.1，誤差為0.001。

圖5 基于神經(jīng)網(wǎng)絡系統(tǒng)的某品牌智能設備銷售預測圖

分析圖5可知，通過BP神經(jīng)網(wǎng)絡系統(tǒng)對某品牌智能設備進行銷量預測，預測的銷量值能夠清楚地展示出實際的銷量值，誤差范圍在84.6%～92.3%，由此可知，本文介紹的銷售預測系統(tǒng)能夠指導智能產(chǎn)品銷售過程中的商品組合方案。

4 問題與建議

4.1 智能穿戴設備存在的問題

智能穿戴設備的發(fā)展離不開現(xiàn)代電子通信技術的發(fā)展，但從目前市場上已經(jīng)研發(fā)出的產(chǎn)品來看，大多數(shù)用戶越來越看重的是智能穿戴設備的準確度和待機時間。

隨著智能穿戴設備市場的崛起，市場上的產(chǎn)品大同小異，同質(zhì)化問題非常嚴重[4]，不少品牌缺乏屬于自己的個性化設計，這將使智能穿戴設備在用戶心中的分量大打折扣。對于用戶來說，各大品牌的智能穿戴設備的功能基本相同，那么他們就將通過性價比和待機時間等來區(qū)分。

4.2 對策與建議

產(chǎn)品定制是未來智能穿戴設備的重點發(fā)展方向，只有先發(fā)展產(chǎn)品定制的品牌才能吸引更多的用戶；人機交互是未來智能穿戴設備的重點突破方向，未來的發(fā)展重點應該放在實現(xiàn)人機交互，這將體現(xiàn)在體感交互、語音交互等的無縫連接中[5]；健康服務是未來智能穿戴設備的重點研究方向，隨著大數(shù)據(jù)的整合，智能穿戴設備應詳細到不同群體，比如目前很多品牌正在著手研發(fā)的針對老年人的緊急預警設備。

總之，智能穿戴設備的未來發(fā)展一定要回歸用戶本身，隨著用戶消費觀念的變化，智能穿戴設備市場帶來的是挑戰(zhàn)也是機遇，在未來它將成為人與智能技術連接的重要紐帶，對社會發(fā)展有重要意義。