基于时间序列自适应模态分解(TAMD)的服装销售预测模型：提升非线性周期数据的解析精度

本文提出创新性时间序列自适应模态分解(TAMD)框架，通过密度聚类(DBSCAN)和样本熵引导变分模态分解(VMD)实现噪声分离与模态优化，结合自适应时序分布匹配机制，显著提升服装行业销售数据的预测精度。模型在包含4470万条淘宝交易记录的四大类服装数据集上验证，突破传统方法对非线性、周期性数据的处理瓶颈，为供应链优化提供AI驱动解决方案。

　　

Highlight

本研究开发的TAMD模型具备三大突破性优势：

1. 1.

   增强模态分解能力：通过密度聚类(DBSCAN)和样本熵引导的变分模态分解(VMD)，有效降低模态混叠效应，确保子序列统计独立性。

2. 2.

   自适应预测机制：创新的时序分布校正机制动态优化子序列分布，显著提升对市场波动的适应能力。

3. 3.

   卓越泛化性能：在服装销售、变压器油温波动、美元汇率等多领域测试中，模型对强周期性和高波动性数据展现出独特优势。

Methodology

图2展示的TAMD架构包含三大核心模块：

1. 1.

   数据分解模块：采用DBSCAN识别非线性突变点，结合VMD将原始序列分解为噪声成分和平滑本征模态函数(IMF)；

2. 2.

   自适应模块：基于样本熵将子序列划分为分布差异最大的子段，增强对周期性变化的捕捉；

3. 3.

   预测模块：通过非连续随机子序列组合进行自适应分布匹配预测，最终线性叠加输出结果。

Experimental Design

采用确定性预测(DP)评估体系，包含7项经典指标：

• •

  负向指标：平均绝对百分比误差(MAPE)、均方根误差(RMSE)等；

• •

  正向指标：一致性指数(IA)、预测准确率(DA)和皮尔逊相关系数(R)。测试数据集涵盖淘宝平台2019-2023年四大类服装的日销售记录。

Conclusion

TAMD框架通过集成密度聚类去噪、自适应模态分解和动态分布匹配，成功解决服装销售数据中非线性突变和周期混杂的预测难题。大规模实验证实其在MAE、RMSE等关键指标上显著优于基线模型，为复杂时间序列预测提供了可解释性强的解决方案。