云南邮政管理局的快递业务量预测研究
发布时间:2023-04-06 19:47
在中国经济的迅猛发展下,居民的消费水平日益提高,越来越要求高效、快捷、方便的服务,而快递业在电子商务和数字新基建的背景下,满足了人们的这种消费需求,也越来越成为居民生活中不可或缺的服务性行业。对于监管云南省内所有快递公司的云南邮政管理局而言,科学合理的预测云南省快递业务量,是进行快递行业设施规划、投资决策、风险评估中的重要环节。因此,本论文旨在构建云南省快递业务量预测模型。按照乡级、县级、地级、省级的结构框架,汇总得到了云南省邮政管理局的快递业务量,并通过数据分析选择使用Prophet模型、XGBoost模型、ProphetXGBoost组合模型来预测。在Prophet和XGBoost两个单一模型的构建上,通过调整参数构建了Prophet模型,并计算了该模型在测试集上的平均绝对误差为537.83;通过月份特征、滞后算子、一阶差分运算构建了XGBoost模型的特征,并计算了该模型在测试集上的平均绝对误差为206.75。结果表明,XGBoost模型比Prophet模型更优。由于单一模型的提升有一定的局限性,而模型融合方法可以产生比单一模型更低的平均绝对误差。因此,本论文在单一模型的基础上进...
【文章页数】:95 页
【学位级别】:硕士
【文章目录】:
摘要
Abstract
第一章 绪论
1.1 研究背景与意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究动态
1.2.1 基于统计学的国内外研究动态
1.2.2 基于灰色系统的国内外研究动态
1.2.3 基于机器学习的国内外研究动态
1.2.4 文献评述
1.3 研究内容
1.4 论文结构及技术路线
第二章 快递业务量预测相关理论
2.1 时间序列的相关理论
2.1.1 时间序列预测的概念
2.1.2 时间序列数据的分解
2.1.3 时间序列成分的确定
2.2 Prophet算法的理论
2.2.1 Prophet算法的介绍
2.2.2 Prophet算法的原理
2.3 XGBoost模型的理论
2.3.1 集成算法
2.3.2 梯度提升决策树
2.3.3 XGBoost原理
2.4 性能度量
2.5 本章小结
第三章 建模准备
3.1 实验环境及编程语言
3.1.1 实验环境
3.1.2 编程语言
3.2 云南省邮政管理局概况
3.2.1 结构框架
3.2.2 快递行业发展状况
3.3 数据来源及相关分析
3.3.1 数据说明及统计分析
3.3.2 组成成分分析
3.4 选择算法的依据
3.5 本章小结
第四章 单一模型的构建
4.1 Prophet模型的构建
4.1.1 数据类型的修改
4.1.2 参数说明
4.1.3 参数调整及预测
4.1.4 实验结果分析
4.2 XGBoost模型的构建
4.2.1 时间序列数据重组为监督学习
4.2.2 根据月份特征进行预测
4.2.3 引入滞后算子进行预测
4.2.4 加入差分进行预测
4.2.5 实验结果分析
4.3 单一模型的实验结果分析
4.4 本章小结
第五章 Prophet-XGBoost模型的构建
5.1 模型融合的概念
5.2 选择模型融合的依据
5.2.1 理论依据
5.2.2 现实依据
5.3 融合模型的构建及结果分析
5.4 模型效果验证
5.5 本章小结
第六章 结论与展望
6.1 结论
6.2 展望
致谢
参考文献
附录 A 攻读硕士学位期间成果
附录 B 关键代码
本文编号:3784308
【文章页数】:95 页
【学位级别】:硕士
【文章目录】:
摘要
Abstract
第一章 绪论
1.1 研究背景与意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究动态
1.2.1 基于统计学的国内外研究动态
1.2.2 基于灰色系统的国内外研究动态
1.2.3 基于机器学习的国内外研究动态
1.2.4 文献评述
1.3 研究内容
1.4 论文结构及技术路线
第二章 快递业务量预测相关理论
2.1 时间序列的相关理论
2.1.1 时间序列预测的概念
2.1.2 时间序列数据的分解
2.1.3 时间序列成分的确定
2.2 Prophet算法的理论
2.2.1 Prophet算法的介绍
2.2.2 Prophet算法的原理
2.3 XGBoost模型的理论
2.3.1 集成算法
2.3.2 梯度提升决策树
2.3.3 XGBoost原理
2.4 性能度量
2.5 本章小结
第三章 建模准备
3.1 实验环境及编程语言
3.1.1 实验环境
3.1.2 编程语言
3.2 云南省邮政管理局概况
3.2.1 结构框架
3.2.2 快递行业发展状况
3.3 数据来源及相关分析
3.3.1 数据说明及统计分析
3.3.2 组成成分分析
3.4 选择算法的依据
3.5 本章小结
第四章 单一模型的构建
4.1 Prophet模型的构建
4.1.1 数据类型的修改
4.1.2 参数说明
4.1.3 参数调整及预测
4.1.4 实验结果分析
4.2 XGBoost模型的构建
4.2.1 时间序列数据重组为监督学习
4.2.2 根据月份特征进行预测
4.2.3 引入滞后算子进行预测
4.2.4 加入差分进行预测
4.2.5 实验结果分析
4.3 单一模型的实验结果分析
4.4 本章小结
第五章 Prophet-XGBoost模型的构建
5.1 模型融合的概念
5.2 选择模型融合的依据
5.2.1 理论依据
5.2.2 现实依据
5.3 融合模型的构建及结果分析
5.4 模型效果验证
5.5 本章小结
第六章 结论与展望
6.1 结论
6.2 展望
致谢
参考文献
附录 A 攻读硕士学位期间成果
附录 B 关键代码
本文编号:3784308
本文链接:https://www.wllwen.com/jingjifazhanlunwen/3784308.html