基于动态权重融合模型的线下商家客流量预测研究

发布时间：2020-06-24 16:33

【摘要】：零售业的转型与升级是近年来市场重点关注的领域,伴随着大数据以及机器学习领域的不断发展,使我们有可能将这两个行业进行结合,实现智慧零售。在此背景下,本文对如何精准地预测线下商家的客流量(即到店并发生消费的客流量,下文简称客流量)展开了研究。精准地预测客流量可以帮助商家实行更好的运营服务,在进货以及仓储等方面也能给商家提供更有效的建议,从而降低商家的成本,改善用户的体验。在现有的相关研究中,研究者主要着眼于对商家销量的预测,或是对交通,旅游客流量的预测。线下商家的模式以及场景和上述问题存在着较大的差别,例如对电商销量的预测中无需考虑到天气因素的影响,线下商家的营业时间更为固定等等。因此,为了能够更好地解决线下商家的客流量预测问题,本文首先对相关问题展开细致的调研,分析了它们的解决方案(时序分析模型,梯度提升模型,多层神经网络等等)的适用性与不足。为了克服单个模型的缺陷,本文引入了集成学习的概念,通过多个模型的融合来达到比单模型更为精确的效果。之后本文针对现有集成学习方法的不足,提出了基于动态权重的融合模型,相比于单模型以及传统的融合方法,新的模型不是给每个模型一个静态的权重,而是会根据其表现在不同样本上动态赋予其不同的权重,并且会使用预训练的特征重要性评估模型来确定每个特征的权重,避免了一般融合方法的缺陷,提升了模型的预测精度以及鲁棒性。最后本文在在阿里巴巴公司提供的真实数据集上进行了实验分析。实验首先分析了相应场景下的数据分布和特点并对数据集进行了预处理,在此基础上,根据对客流量预测的认知和在实际应用中的特性,提取了多组实用特征。之后对所提及的算法以及融合模型进行了实验对比,通过对实验结果的充分分析,我们发现基于动态权重的融合模型在预测精准度以及鲁棒性上均有所提高,从而证明了本模型的有效性,以及本文的实际应用意义。
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F274;F724.2
【图文】：

模型泛化误差之间的关系图

图 3-4 距离随 取值的变化图值含有非数值型特征时，例如性别是男 距离来对这部分特征的距离进行verlap Metric，即 HEOM 距离的概念。 = √ ∑

【参考文献】

相关期刊论文 前6条

1 罗戎蕾;刘绍华;苏晨;;基于遗传算法的BP神经网络服装销售预测方法[J];北京邮电大学学报;2014年04期

2 闻玲;;移动平均季节模型在商品销售收入预测中的应用[J];商场现代化;2010年28期

3 焦淑华;夏冰;徐海静;刘莹;;BP神经网络预测的MATLAB实现[J];哈尔滨金融高等专科学校学报;2009年01期

4 乔忠,王福华,刘巍;经常购买模型及其参数的极大似然估计[J];系统工程;2004年06期

5 刘静,关伟;交通流预测方法综述[J];公路交通科技;2004年03期

6 贺国光,李宇,马寿峰;基于数学模型的短时交通流预测方法探讨[J];系统工程理论与实践;2000年12期

相关博士学位论文 前2条

1 王永明;集成回归问题若干关键技术研究[D];华东师范大学;2015年

2 陈荣;基于支持向量回归的旅游短期客流量预测模型研究[D];合肥工业大学;2014年

相关硕士学位论文 前6条

1 钊魁;基于卷积神经网络的电商数据深度挖掘[D];浙江大学;2017年

2 叶倩怡;基于Xgboost方法的实体零售业销售额预测研究[D];南昌大学;2016年

3 袁磊;基于ARIMA-LSSVM混合模型的股指预测研究[D];哈尔滨工业大学;2015年

4 吴倩;基于关联规则的零售业CRM的设计和实现[D];华东师范大学;2011年

5 连晔;基于ARIMA与神经网络的原油运价指数研究与预测[D];上海交通大学;2010年

6 黄嘉满;面向零售业的关联规则挖掘的研究与实现[D];上海交通大学;2007年

本文编号：2728105