基于时间序列和神经网络的菜品销量组合预测模型研究

发布时间：2024-06-11 03:57

　　菜品销量预测是餐饮企业精细化运营过程中至关重要的一个环节。准确预估菜品销量对减少原材料浪费,控制企业采购成本,增加企业经营利润,提升企业市场竞争力具有重要的意义。目前,绝大多数餐饮企业仍依靠个人经验对菜品销量进行定性预测,具有很强的主观性和不确定性。本文基于某餐饮企业在线点餐系统后台数据库中的真实交易数据进行菜品日销量的预测研究,提出了一种基于ARIMA时间序列模型和BP神经网络模型的ARIMA-BP组合预测模型。本文的主要研究内容如下:(1)基于本文的预测目标,对菜品销量数据进行了采集和分析,发现其所呈现的规律比较复杂,既包含线性成分,表现出一定的趋势性和循环波动性规律,同时,又由于受到气象、节假日、优惠活动等外界因素的影响,表现出明显的非线性特征。(2)使用所采集的菜品销量数据,分别构建ARIMA时间序列预测模型和BP神经网络预测模型进行菜品销量的短期预测。结果显示,这两种模型均具有较好的预测效果。但ARIMA时间序列模型只能拟合数据的线性特征,对数据新的趋势变化表现的不够灵敏;BP神经网络模型能较好的捕捉数据的非线性特征和变化趋势,但在某些时间点,仍存在一些偏差。(3)为了进一步...

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 选题背景与研究意义
        1.1.1 选题背景
        1.1.2 研究意义
    1.2 国内外研究现状
    1.3 研究内容与组织结构
2 相关理论与方法介绍
    2.1 预测理论与方法
        2.1.1 定性预测方法
        2.1.2 定量预测方法
    2.2 时间序列模型
        2.2.1 时间序列相关概念
        2.2.2 时间序列基本模型
        2.2.3 时间序列模型构建步骤
    2.3 神经网络模型
        2.3.1 神经网络相关概念
        2.3.2 BP神经网络模型
        2.3.3 BP神经网络模型构建步骤
    2.4 本章小结
3 组合预测模型构建
    3.1 组合预测模型建模思想
    3.2 基于ARIMA和 BP神经网络的组合预测模型构建
    3.3 组合预测模型权重判定
    3.4 组合预测模型评价指标
    3.5 组合预测模型优性论证
    3.6 本章小结
4 ARIMA-BP组合预测模型实证研究
    4.1 数据介绍与预处理
        4.1.1 数据介绍
        4.1.2 数据预处理
    4.2 ARIMA时间序列模型的构建与预测
        4.2.1 序列平稳性检测
        4.2.2 序列平稳化处理及纯随机性检验
        4.2.3 模型识别与检验
        4.2.4 预测结果
    4.3 BP神经网络模型的构建与预测
        4.3.1 影响因素的分析与选取
        4.3.2 BP神经网络模型的构建
        4.3.3 预测结果
    4.4 ARIMA-BP组合预测模型的构建与预测
        4.4.1 组合预测模型的构建
        4.4.2 预测结果
    4.5 不同模型预测结果对比分析
    4.6 本章小结
5 总结与展望
    5.1 本文工作总结
    5.2 未来展望
致谢
参考文献
附录



本文编号：3992373