摘要：當前，電子商務發(fā)展迅速，競爭愈發(fā)激烈，準確的銷量預測對企業(yè)降低庫存成本、優(yōu)化營銷策略至關重要。付費流量成為電商平臺商家追捧的對象，但關于付費流量對銷量影響的研究較少，且不同渠道付費流量對銷量影響的細分研究仍然空白，如何判斷渠道流量優(yōu)劣仍缺少解決方案。為了細化研究不同渠道的付費流量對銷量的影響并提高銷量預測的準確性，本文提出DCA-OLSTM模型。利用淘寶平臺的真實數(shù)據(jù)進行實驗，結果表明，加入付費流量特征可以提高銷量預測準確性，且不同渠道付費流量對銷量預測的影響程度不同，商家可選擇高權重值的付費流量渠道，僅供參考。

關鍵詞：付費流量；電子商務；銷量預測；LSTM；渠道流量

中圖分類號：F724.6；F713.36文獻標識碼：A文章編號：2096-0298（2025）01（a）--05

1引言

準確的銷量預測對于彌合供需缺口至關重要[1]。通過及時、準確的銷量預測，可以制定有效的庫存管理策略以降低成本[2]，同時還能優(yōu)化營銷活動[3]。傳統(tǒng)的預測方法包括自回歸綜合移動平均線（ARIMA）[4]、指數(shù)平滑方法、支持向量回歸（SVR）[5]等。這些方法主要依賴于歷史銷量數(shù)據(jù)，可能導致一定的滯后性。與傳統(tǒng)算法相比，深度學習模型在捕捉復雜非線性關系[6]和自動特征提取方面表現(xiàn)出色。對于多變量時序數(shù)據(jù)，數(shù)據(jù)中不同變量之間可能存在復雜的動態(tài)相互依賴關系，而且不同影響因素對目標變量的影響大小也不盡相同。

輸入特征也直接影響著模型的預測效果[1]。現(xiàn)有文獻中影響電子商務產(chǎn)品銷量預測的特征包括歷史銷量、產(chǎn)品特征、促銷活動等變量[7]。當前，流量已成為線上營銷策略的關鍵組成部分[8]，付費流量對電商產(chǎn)品銷量的影響日益增加。但現(xiàn)有文獻主要集中在免費流量的優(yōu)化和管理，例如搜索引擎優(yōu)化（SEO）[9]、社交媒體分享[10]、口碑推廣等。雖然一些研究也探討了付費流量的基本概念和理論研究[11-12]，但關于付費流量對銷量影響的研究較少，不同渠道付費流量對銷量影響的細分研究仍然空白。電子商務平臺能夠吸引海量用戶訪問，形成巨大的流量資源[13]，入駐平臺的商戶可以向平臺企業(yè)購買用戶流量，把流量轉化為訂單來提升商品銷量[14]。這種方式可以幫助商家快速獲取大量流量。然而，不同的付費流量渠道對銷量的影響各不相同，且隨著付費流量的成本上漲[15]，分析和管理付費流量投入產(chǎn)出比難度加大，產(chǎn)品的銷售環(huán)境隨之更加復雜，產(chǎn)品銷量的不確定性也隨之增加。受到付費流量的渠道、成本、時效性等影響的銷量呈現(xiàn)出不穩(wěn)定、復雜多變的特點，現(xiàn)實中電商企業(yè)做出的預測往往與實際值存在較大偏差。銷量預測過低或過高可能會帶來缺貨成本、庫存成本增加以及資源的浪費[16]。因此，探索付費流量及其細分渠道對銷量預測的影響，不僅可以幫助商家擇優(yōu)選擇渠道流量，還能提高銷量預測準確性，有利于電商企業(yè)制定庫存管理策略、優(yōu)化營銷活動和持續(xù)向上發(fā)展。

本文旨在探討付費流量對銷量預測的影響，同時深入分析不同渠道的付費流量在銷量預測中發(fā)揮的作用，基于此提出了一個組合預測模型DCA-OLSTM（DilatedConvolutionAttention-OptimizedLSTM）以實現(xiàn)電商產(chǎn)品銷量的精準預測。本文提出DCA注意力機制，能在較低計算成本下獲取更優(yōu)特征表達，賦予重要變量更高影響權重。利用并行的LSTM模型并結合門控機制提出OLSTM優(yōu)化模型，使其更適合多變量單目標預測。在預測過程中，將注意力模型權重可視化，便于分析各類特征及不同渠道付費流量對銷量的影響。最后，在真實的電子商務數(shù)據(jù)集上進行對比實驗，驗證模型的準確性。

2研究方法

2.1方法框架

本文所提模型框架如下：（1）DCA注意力機制，提高外部特征的提取效率和更優(yōu)的特征表達、獲取目標序列自身的歷史變化規(guī)律；（2）OLSTM模塊，利用兩個并行的LSTM模型分別學習目標序列的時間依賴性和注意力模型獲得外部序列的時間依賴性，以保持不同序列時間記憶的一致性[20]，最后通過一個融合門來平衡兩部分的信息沖突。結合兩部分模塊，得到DCA-OLSTM模型。圖1所示為DCA-OLSTM模型的整體框架，圖2為注意力DCA的模型結構。

圖1DCA-OLSTM模型結構圖

2.2DCA模塊

DCA是基于ECA（EfficientChannelAttention）改進的一種注意力機制。ECA是一種高效通道注意力機制，其在多種計算機視覺任務中取得良好的效果，并且具有較低的計算和參數(shù)成本，因此受到廣泛的關注和應用[21]。本文所提出注意力模型（DCA），其構建思路為：利用高效通道注意力（ECA）機制，在常規(guī)卷積后引入了膨脹卷積層，擴大感受野，保留較低計算成本優(yōu)勢的同時，更好地捕捉輸入特征的全局信息。這一方法針對特征數(shù)量較多的情況下凸顯出其優(yōu)勢，在眾多數(shù)據(jù)中抓取有效特征，提升特征的表征能力。針對時序數(shù)據(jù)具有較多數(shù)據(jù)特征的情況，優(yōu)化特征表達有助于提升數(shù)據(jù)預測性能。

2.3OLSTM模塊

將目標序列和注意力獲得的外部序列特征分別輸入LSTM模型，得到輸出結果h1和h2，通過門控權重加權后求和拼接，得到最終的預測結果。計算公式如下：

式（1）（2）中：ω表示門控權重，σ表示sigmoid激活函數(shù)，W是連接權重矩陣，b是偏置項。在模型的訓練過程中，通過反向傳播算法和梯度下降優(yōu)化算法，優(yōu)化門控權重的值，使模型能夠自適應地學習到融合兩個LSTM輸出的最佳權重，從而減輕信息沖突，增強關鍵特征的記憶能力。

3實驗數(shù)據(jù)

3.1數(shù)據(jù)集概述

本文以阿里巴巴旗下電商平臺淘寶為研究對象，數(shù)據(jù)集來源于阿里云天池，數(shù)據(jù)名稱為菜鳥－需求預測與分倉規(guī)劃天池大賽，本文采用全國電商銷售數(shù)據(jù)集。實驗使用編號32084產(chǎn)品的銷售數(shù)據(jù)，數(shù)據(jù)采樣間隔為1天，共計332條數(shù)據(jù)。時間跨度為2015年1月30日至2015年12月27日。初始數(shù)據(jù)包括31個特征，涵蓋產(chǎn)品的分類信息、用戶行為、交易特征、付費流量、歷史銷量等。

3.2數(shù)據(jù)預處理

為剔除購物節(jié)（雙十一、雙十二）帶來的大量自然流量對銷量的影響，本文使用替換法將購物節(jié)當日數(shù)據(jù)替換為臨近日期的數(shù)據(jù)值，以便分析付費流量對銷量的影響。

為篩選重要特征，本文使用皮爾遜相關性分析法驗證外部特征與目標特征的相關性，選擇相關性大于0.3且對任務具有顯著影響的特征，經(jīng)過篩選保留21條外部特征及1條目標特征，數(shù)據(jù)集共22條特征。篩選后的數(shù)據(jù)說明詳見表1，其中歷史銷量為目標特征。最后，對數(shù)據(jù)進行歸一化，確保不同特征的數(shù)值范圍一致，以避免某些特征對模型訓練的影響過大，用于模型訓練和測試的樣本比例為8∶2。

3.3評價指標

為了衡量所提模型的預測性能，使用平均絕對誤差（MAE）、均方根誤差（RMSE）、平均絕對百分比誤差（MAPE）作為評估指標。

3.4實驗設置

本文使用以下實驗設置來訓練和評估模型。所有實驗均基于Python3.9.15和TensorFlow2.15.0實現(xiàn)，實驗平臺為合肥工業(yè)大學高性能計算平臺A40容器資源池，資源配置為3核CPU，30GB內(nèi)存，0.5卡GPU。優(yōu)化器和激活函數(shù)分別采用Adam和ReLU。模型的學習率設置為0.001，訓練50個epoch，每個步驟的批處理大小為3。

4實驗結果及評價

4.1付費流量權重分析

將外部特征數(shù)據(jù)輸入DCA注意力模塊中，使輸出的注意力權重可視化，得到注意力權重熱力圖如圖3所示。該熱力圖展示了DCA-OLSTM模型在不同時間步長（TimeSteps）和不同特征（Features）上的平均注意力權重。圖3中的橫軸代表特征，縱軸代表時間步長。顏色越深表示注意力權重越高，顏色越淺則表示注意力權重越低。

圖3顯示，特征12、13、15、16的權重值均大于0.1，在所有時間步長中均表現(xiàn)出較高的注意力權重，這意味著該部分付費流量特征對模型的決策具有重要影響。不過，特征14和特征17的權重值相較其他付費流量特征顯著降低，表明特征14、17對應的聚劃算渠道的付費流量對模型輸出的影響較小，說明該渠道流量質(zhì)量可能較低，商家需要慎重考慮是否采用聚劃算渠道獲得付費流量，而淘寶客和搜索引導渠道獲得的付費流量對銷量影響更大，商家可優(yōu)先考慮此類渠道。

計算平均每時間步各類特征總權重，其中付費流量平均總權重為0.624，用戶行為特征平均總權重為0.260，交易特征平均總權重為0.116。對比發(fā)現(xiàn)，付費流量權重值最大、影響力最高，表明付費流量特征在模型決策中起到了顯著作用。

4.2實驗結果與分析

為了客觀評價所提模型的預測能力，本文使用六種基線模型進行對比實驗?；€模型包括：SARIMA[19]、LSTM、GRU[20]、TKAN[21]、TSD[22]，以及SelfAttention-LSTM的組合模型。

本文將所提出算法與基線模型進行對比，預測結果如表2所示，其中對比方法為將本文模型與其他基線模型預測結果求差值后，計算差值同基線模型的占比。顯而易見，DCA-OLSTM模型的MAE、MAPE和RMSE值均為最低，優(yōu)于其他六個基線模型。其中，機器學習算法SARIMA僅使用歷史銷量數(shù)據(jù)作為輸入和輸出，綜合三個評價指標，預測性能最差。與SARIMA相比，GRU、LSTM的MAE、MAPE、RMSE值均有較大幅度降低，而LSTM和GRU的預測結果相差較小，其MAE、RMSE差距均小于0.2。加入注意力機制的模型則進一步提升了預測精度，使用自注意力的SelfAttention-LSTM模型的MAPE值下降為85.97%。同時與兩種最新模型TKAN和TSD進行對比，本文所提模型具有更低的損失，表明所提模型預測效果更好。

4.3分析與討論

與經(jīng)典機器學習算法相比，深度學習模型在時序預測的準確性方面顯著提高。組合模型集合兩種算法的優(yōu)點，處理多元時序數(shù)據(jù)時，其預測準確性相較單一深度學習模型又有進一步提升。與其他組合模型相比，所提方法在電商產(chǎn)品銷量預測方面表現(xiàn)出較好的性能。改進后的DCA注意力模型通過兩步卷積操作極大減少了計算量，在較低計算成本下進一步優(yōu)化了時間序列數(shù)據(jù)的特征表達，算法的預測準確性也有所提升，這是算法最大的貢獻和創(chuàng)新。將注意力模塊的權重可視化，得到的熱力圖可以直接明了的展示不同渠道的付費流量的重要性，能夠幫助商家更快地選擇效果最好的付費流量渠道，減少試錯成本的同時提高銷量。實際應用中，電商環(huán)境復雜多變，付費流量應用情景會越來越復雜，圍繞產(chǎn)品銷量產(chǎn)生的特征也會增加，使用改進后的算法，可以在較低計算成本下獲得更好的預測效果，為商家提供選擇的依據(jù)。

5結論與展望

本文對付費流量對銷量預測的影響進行了深入分析，并構建了DCA-OLSTM模型，以提高銷量預測的準確性和穩(wěn)定性。

5.1付費流量的重要性

本文發(fā)現(xiàn)付費流量對銷量預測有著不可忽視的影響，而現(xiàn)有的銷量預測研究往往忽視了這一點，且不同渠道的付費流量對銷量影響各不相同，權重值高的渠道付費流量對銷量影響越大，商家可據(jù)此選擇合適的渠道付費流量，以減少試錯成本。

5.2DCA-OLSTM模型的有效性

本文提出的DCA-OLSTM模型在銷量預測任務中表現(xiàn)出顯著優(yōu)勢。通過DCA模塊和OLSTM模塊，該模型能夠更有效地捕獲時間序列數(shù)據(jù)的特征，并提高預測精度和穩(wěn)定性。

5.3實驗驗證結果

本文的實驗結果證明DCA-OLSTM模型相對傳統(tǒng)方法在銷量預測中的優(yōu)越性。該模型在真實數(shù)據(jù)集上取得較好的預測性能，驗證了其在實際應用中的可行性和有效性。

本文的研究主要集中在電商平臺內(nèi)不同渠道的付費流量對銷量的影響，針對其他渠道如第三方平臺廣告、直播等方式的影響未做研究，未來可將模型應用于直播電商平臺，并進行更廣泛的驗證，以評估其在直播場景中的效果和可靠性。綜上所述，隨著進一步的研究和探索，相信付費流量對銷量預測的影響將會得到更深入地理解，而本文提出的DCA-OLSTM模型也將在電商行業(yè)的實際應用中發(fā)揮重要作用。

參考文獻

CHENS，KES，HANS，etal.Whichproductdescriptionphrasesaffectsalesforecasting：AnexplainableAIframeworkbyintegratingWaveNetneuralnetworkmodelswithmultipleregression[J].DecisionSupportSystems，2024，176：114065.

CUIL，CHENY，DENGJ，etal.AnovelattLSTMframeworkcombiningtheattentionmechanismandbidirectionalLSTMfordemandforecasting[J].ExpertSystemswithApplications，2024，254：124409.

HICHAMN，KARIMS.MachineLearningandMarketingCampaign：InnovativeApproachesandCreativeTechniquesforIncreasingEfficiencyandProfit;proceedingsoftheAdvancesonIntelligentComputingandDataScience，Cham，F(xiàn)2023//，2023[C].SpringerInternationalPublishing.

ZHANGGP.TimeseriesforecastingusingahybridARIMAandneuralnetworkmodel[J].Neurocomputing，2003，50：159-75.

CHENY，XUP，CHUY，etal.Short-termelectricalloadforecastingusingtheSupportVectorRegression（SVR）modeltocalculatethedemandresponsebaselineforofficebuildings[J].AppliedEnergy，2017，195：659-70.

JINM，ZHENGY，LIYF，etal.MultivariateTimeSeriesForecastingWithDynamicGraphNeuralODEs[J].IEEETransactionsonKnowledgeandDataEngineering，2023，35（9）：9168-80.

ZHUANGQ，ZHANGX，WANGP，etal.ANeuralNetworkModelforChinaB2CE-CommerceSalesForecastBasedonPromotionalFactorsandHistoricalData;proceedingsofthe2019InternationalConferenceonEconomicManagementandModelEngineering（ICEMME），F(xiàn)，2019[C].IEEE.

MHIMEDR，BELKHIRM.Theroleofcontentmarketingstrategiesintrafficgeneration：Aconceptualmodeldevelopment;proceedingsoftheDigitalEconomyEmergingTechnologiesandBusinessInnovation：ThirdInternationalConference，ICDEc2018，Brest，F(xiàn)rance，May3-5，2018，Proceedings3，F(xiàn)，2018[C].Springer.

BAYEMR，DELOSSANTOSB，WILDENBEESTMR.SearchEngineOptimization：WhatDrivesOrganicTraffictoRetailSites？[J].2016，25（1）：6-31.

DOLEGAL，ROWEF，BRANAGANEJJOR，etal.Goingdigital？Theimpactofsocialmediamarketingonretailwebsitetraffic，ordersandsales[J].2021，60：102501.

張芬芬.流量思維導向下企業(yè)電商精準營銷的邏輯、困境及策略[J].天津中德應用技術大學學報，2023（2）：79-84.

胡志鵬，許柏鳴.互聯(lián)網(wǎng)流量經(jīng)濟背景下定制家具品牌推廣研究[J].家具與室內(nèi)裝飾，2023，30（2）：79-83.

ROCHETJ-C，TIROLEJ.Platformcompetitionintwo-sidedmarkets[J].Journaloftheeuropeaneconomicassociation，2003，1（4）：990-1029.

王勇，劉樂易，遲熙，等.流量博弈與流量數(shù)據(jù)的最優(yōu)定價：基于電子商務平臺的視角[J].管理世界，2022，38（8）：116-32.

陸玥妍.電商平臺、私域流量與第三方商業(yè)策略選擇研究[D].南京：東南大學，2022.

滕玥.B2C電商平臺商品促銷銷量的預測方法[D].大連：大連理工大學，2022.

GENGX，HEX，XUL，etal.Graphcorrelatedattentionrecurrentneuralnetworkformultivariatetimeseriesforecasting[J].InformationSciences，2022，606：126-42.

YUE，XUG，HANY，etal.Anefficientshort-termwindspeedpredictionmodelbasedoncross-channeldataintegrationandattentionmechanisms[J].Energy，2022，256：124569.

KORSTANJEJ.TheSARIMAModel[M].AdvancedForecastingwithPython：WithState-of-the-Art-ModelsIncludingLSTMs，F(xiàn)acebook’sProphet，andAmazon’sDeepAR.Berkeley，CA;Apress.2021：115-22.

CHUNGJ，GüL?EHRE?，CHOK，etal.EmpiricalEvaluationofGatedRecurrentNeuralNetworksonSequenceModeling[J].2014，abs/1412.3555.

GENETR，INZIRILLOH.TKAN：TemporalKolmogorov-ArnoldNetworks[J].arXive-prints，2024：arXiv：2405.07344.

DUONG-TRUNGN，NGUYEND-M，etal.TemporalSaliencyDetectionTowardsExplainableTransformer-BasedTimeseriesForecasting;proceedingsoftheArtificialIntelligenceECAI2023InternationalWorkshops，Cham，F(xiàn)2024//，2024[C].SpringerNatureSwitzerland.