项目概述

本文详细介绍如何使用ML.NET开发一个产品销售预测系统，实现对2024年销售量和收入的预测。该系统使用时间序列分析方法，基于历史数据进行未来销售趋势的预测。

技术栈选择

• 开发语言：C# (.NET 8.0+)
• 机器学习框架：ML.NET 4.0.1
• 算法选择：SSA (Singular Spectrum Analysis) 时间序列预测
• 数据格式：CSV文件存储

系统架构设计

销售数据模型类

C#
using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Threading.Tasks;
using Microsoft.ML.Data;

namespace App16
{
    /// <summary>  
    /// 销售数据模型类  
    /// </summary>  
    public class SalesData
    {
        // 日期  
        [LoadColumn(0)]
        public string Date { get; set; }

        // 产品1的销售数量  
        [LoadColumn(1)]
        public float QP1 { get; set; }

        // 产品2的销售数量  
        [LoadColumn(2)]
        public float QP2 { get; set; }

        // 产品3的销售数量  
        [LoadColumn(3)]
        public float QP3 { get; set; }

        // 产品4的销售数量  
        [LoadColumn(4)]
        public float QP4 { get; set; }

        // 产品1的销售收入  
        [LoadColumn(5)]
        public float SP1 { get; set; }

        // 产品2的销售收入  
        [LoadColumn(6)]
        public float SP2 { get; set; }

        // 产品3的销售收入  
        [LoadColumn(7)]
        public float SP3 { get; set; }

        // 产品4的销售收入  
        [LoadColumn(8)]
        public float SP4 { get; set; }
    }
}

预测输出类

C#
using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Threading.Tasks;

namespace App16
{
    /// <summary>  
    /// 预测输出类  
    /// </summary>  
    public class ForecastOutput
    {
        public float[] Forecast { get; set; }
    }
}

主程序

C#
using Microsoft.ML;

namespace App16
{
    internal class Program
    {
        private static readonly MLContext mlContext = new MLContext(seed: 1);

        public static void Main(string[] args)
        {
            try
            {
                Console.WriteLine("开始加载销售数据...");

                // 1. 加载数据  
                string dataPath = "statsfinal.csv";
                IDataView dataView = mlContext.Data.LoadFromTextFile<SalesData>(
                    path: dataPath,
                    hasHeader: true,
                    separatorChar: ','
                );

                Console.WriteLine("数据加载完成，开始训练模型...");

                // 2. 训练模型并预测  
                var predictions = TrainAndPredict(dataView);

                // 3. 显示预测结果  
                DisplayPredictions(predictions);
            }
            catch (Exception ex)
            {
                Console.WriteLine($"发生错误: {ex.Message}");
            }
        }

        /// <summary>  
        /// 训练模型并进行预测  
        /// </summary>  
        private static Dictionary<string, float[]> TrainAndPredict(IDataView dataView)
        {
            var predictions = new Dictionary<string, float[]>();
            string[] columns = { "QP1", "QP2", "QP3", "QP4", "SP1", "SP2", "SP3", "SP4" };

            foreach (var column in columns)
            {
                // 创建SSA预测管道  
                var forecastingPipeline = mlContext.Forecasting.ForecastBySsa(
                    outputColumnName: "Forecast",
                    inputColumnName: column,
                    windowSize: 12,    // 使用12个月的窗口大小  
                    seriesLength: 30,  // 序列长度  
                    trainSize: 100,    // 训练大小  
                    horizon: 12        // 预测未来12个月  
                );

                // 训练模型  
                var transformedData = forecastingPipeline.Fit(dataView);

                // 使用训练好的模型进行预测  
                var forecastData = transformedData.Transform(dataView);

                // 获取预测结果  
                var forecasts = mlContext.Data.CreateEnumerable<ForecastOutput>(
                    forecastData, reuseRowObject: false).LastOrDefault();

                if (forecasts != null && forecasts.Forecast != null)
                {
                    predictions.Add(column, forecasts.Forecast);
                }
            }

            return predictions;
        }

        /// <summary>  
        /// 显示预测结果  
        /// </summary>  
        private static void DisplayPredictions(Dictionary<string, float[]> predictions)
        {
            Console.WriteLine("\n2024年销售预测结果：");
            Console.WriteLine("----------------------------------------");

            // 显示每个产品的预测结果  
            for (int i = 0; i < 4; i++)
            {
                var quantityKey = $"QP{i + 1}";
                var revenueKey = $"SP{i + 1}";

                if (predictions.ContainsKey(quantityKey) && predictions.ContainsKey(revenueKey))
                {
                    float totalQuantity = predictions[quantityKey].Sum();
                    float totalRevenue = predictions[revenueKey].Sum();

                    Console.WriteLine($"\n产品 {i + 1} 预测结果:");
                    Console.WriteLine($"年度销售数量预测: {totalQuantity:N0} 件");
                    Console.WriteLine($"年度销售收入预测: ¥{totalRevenue:N2}");

                    Console.WriteLine("\n月度预测明细:");
                    for (int month = 0; month < 12; month++)
                    {
                        Console.WriteLine($"{month + 1}月 - " +
                            $"预计销量: {predictions[quantityKey][month]:N0} 件, " +
                            $"预计收入: ¥{predictions[revenueKey][month]:N2}");
                    }
                    Console.WriteLine("----------------------------------------");
                }
            }

            // 计算并显示年度总计  
            float yearTotalQuantity = 0;
            float yearTotalRevenue = 0;

            for (int i = 0; i < 4; i++)
            {
                var quantityKey = $"QP{i + 1}";
                var revenueKey = $"SP{i + 1}";

                if (predictions.ContainsKey(quantityKey) && predictions.ContainsKey(revenueKey))
                {
                    yearTotalQuantity += predictions[quantityKey].Sum();
                    yearTotalRevenue += predictions[revenueKey].Sum();
                }
            }

            Console.WriteLine("\n2024年总体预测汇总:");
            Console.WriteLine($"总销售数量: {yearTotalQuantity:N0} 件");
            Console.WriteLine($"总销售收入: ¥{yearTotalRevenue:N2}");
            Console.WriteLine($"月平均销售数量: {(yearTotalQuantity / 12):N0} 件");
            Console.WriteLine($"月平均销售收入: ¥{(yearTotalRevenue / 12):N2}");
        }
    }
}

核心功能实现

数据加载与预处理

C#
// 加载CSV数据
IDataView dataView = mlContext.Data.LoadFromTextFile<SalesData>(
    path: dataPath,
    hasHeader: true,
    separatorChar: ','
);

预测模型训练

C#
var forecastingPipeline = mlContext.Forecasting.ForecastBySsa(
    outputColumnName: "Forecast",
    inputColumnName: column,
    windowSize: 12,    // 使用12个月的窗口大小
    seriesLength: 30,  // 序列长度
    trainSize: 100,    // 训练大小
    horizon: 12        // 预测未来12个月
);

预测执行

C#
var transformedData = forecastingPipeline.Fit(dataView);
var forecastData = transformedData.Transform(dataView);

配置要求

项目配置

XML
<Project Sdk="Microsoft.NET.Sdk">

  <PropertyGroup>
    <OutputType>Exe</OutputType>
    <TargetFramework>net8.0</TargetFramework>
    <ImplicitUsings>enable</ImplicitUsings>
    <Nullable>enable</Nullable>
  </PropertyGroup>

  <ItemGroup>
    <PackageReference Include="Microsoft.ML" Version="4.0.1" />
    <PackageReference Include="Microsoft.ML.TimeSeries" Version="4.0.1" />
  </ItemGroup>

  <ItemGroup>
    <None Update="statsfinal.csv">
      <CopyToOutputDirectory>PreserveNewest</CopyToOutputDirectory>
    </None>
  </ItemGroup>

</Project>

使用指南

数据准备

• CSV文件格式要求
• 数据清洗建议
• 格式规范

预测参数调优

C#
// 关键参数说明
windowSize: 12,    // 时间窗口大小，影响预测的季节性考虑
seriesLength: 30,  // 序列长度，影响模型的学习范围
trainSize: 100,    // 训练集大小
horizon: 12        // 预测未来的月份数

总结

本文详细介绍了使用ML.NET开发销售预测系统的完整过程，从系统设计到具体实现，提供了一个可靠的解决方案。通过使用ML.NET的时间序列预测功能，我们能够准确预测未来的销售趋势，为业务决策提供有力支持。

该系统具有以下优势：

• 预测准确度高
• 使用简单便捷
• 可扩展性强
• 维护成本低

通过持续优化和改进，该系统可以更好地服务于企业的销售预测需求，帮助企业做出更明智的业务决策。