基于ARIMA-BP组合模型的某餐饮O2O企业订单预测研究

发布时间：2020-09-01 11:41

　　 随着人们对生活品质的不断追求和互联网+时代的到来,逐渐涌现出了很多借助O2O商业模式来提供生活服务的公司,如新美大、去哪儿网、58到家、链家网等等。这些公司通过线上线下相结合的方式,更加便捷地满足人们在生活衣食住行方面的需求。其中餐饮是O2O领域的一个重要垂直分类,团购与外卖是其主要的两个发展模式。一方面,该领域市场竞争异常激烈,外界环境变化迅速;另一方面,企业的订单量直接影响着企业的销售业绩与所在市场中所占的份额。因此,对于企业而言需要不断提升数据化运营能力,以应对市场变化。如何更快更准确地预测订单,对未来发展状况进行预判,挖掘潜在市场需求将十分重要。传统的需求预测模型一般为基于时间序列的算法模型,借助历史销量和时间的关系进行建模预测,并且一般针对以销售实际商品为载体的制造业、零售业居多,对O2O餐饮企业的订单预测的研究较少。对于餐饮O2O的企业来说,其最大的特征是以线上平台的方式,与多家线下餐饮企业进行合作,尽可能在线上平台入驻多的商家。另一方面在业务推广和营销手段上与传统线下餐饮公司截然不同,给予用户设定营销的策略是餐饮O2O企业的生存法宝。针对餐饮O2O企业的订单预测研究,能够快速帮助企业了解未来订单走势,辅助营销策略的制定。本文以我国某O2O模式下的餐饮企业为背景,以预测企业订单为目标建立预测模型。本文通过对餐饮O2O企业的现有业务模式与经营数据的分析,以某O2O餐饮企业的具体业务为背景进行订单预测研究。由于O2O商业模式与传统企业差异性较大,其订单量变化受到的因素也诸多,订单走势波动性较大。餐饮O2O企业订单数据具有一定的趋势特征与季节特征,具有一部分线性特征;此外订单量的变化还与商家参加的促销优惠活动、商家体验等因素有关,也会受到外在环境、天气等异常因素的影响,具有非线性特征。因此,本文选取了较有代表性的ARIMA时间序列与BP神经网络算法模型,对订单的线性与非线性特征分别进行拟合,并建立针对某餐饮O2O企业的组合预测模型。此外,本文基于整体、商家、城市三种企业不同的预测场景分别进行了模型实现与验证。最后,文章对模型的预测效果进行对比分析,发现组合预测模型取得优于两单一模型的预测效果。本文研究内容可以帮助餐饮O2O企业进行精细化运营,提前洞悉不同维度下订单的未来走势,辅助企业各级人员进行资源分配、业务目标方面的策略制定。
【学位单位】：北京交通大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：F719.3;F724.6
【部分图文】：

图１－１论文研究结构逡逑Ｆｉｇｕｒｅ】－】Ｒｅｓｅａｒｃｈ邋ｓｔｒｕｃｔｕｒｅ邋ｏｆ邋ｐａｐｅｒ逡逑

值个数对应的是输出层的神经元个数。隐藏层可以有多层也可以只有一层，每一逡逑层神经元的个数也可为多个或一个。一般ＢＰ神经网络使用一层隐藏层即可获得较逡逑好的模型拟合效果。ＢＰyL经网络的层级结构图如图２－２：逡逑输入层Ｕ）邋隐含层（Ｈ）邋输出层（０）逡逑＾逦：．．．＾逡逑图２－２邋ＢＰ神经网络层级结构图逡逑Ｆｉｇｕｒｅ２－２邋ＢＰ邋ｎｅｕｒａｌ邋ｎｅｔｗｏｒｋ邋ｈｉｅｒａｒｃｈｉｃａｌ邋ｓｔｒｕｃｔｕｒｅ邋ｄｉａｇｒａｍ逡逑在三层的ＢＰ神经网络模型中，需要选择一个激励函数用于隐藏层与输出层神逡逑经元之间的计算，一般使用Ｓｉｇｍｏｉｄ函数作为激励函数。Ｓｉｇｍｏｉｄ函数有两种表现逡逑形式：Ｌｏｇ－Ｓｉｇｍｏｉｄ邋与邋Ｔａｎ－Ｓｉｇｍｏｉｄ。Ｌｏｇ－Ｓｉｇｍｏｉｄ邋函数表达式见公式（２－５）：逡逑ｆＷ邋＝邋７－＾７逦（２－５）逡逑ｌ邋＋邋ｅ逡逑式中ｘ表示上层yL经元的输入，此函数能够将输入值映射到区间（０，邋１）之间，逡逑其函数图象如图２－３所示：逡逑１６逡逑

用户获取信息更加的便捷。从整体来看，餐饮０２０的商业模式满足：用户通过线逡逑上应用平台，找到所需需求之后在线上进行消费，在线下实体门店获得体验这样逡逑一个闭环流程。对应关系可以通过图３－１表示：逡逑０２０餐饮平台逡逑线下交付逦＾逡逑用户逦．逡逑图３－１餐饮０２０商业模型简化流程逡逑Ｆｉｇｕｒｅ邋３－１邋Ｓｉｍｐｌｉｆｉｅｄ邋ｐｒｏｃｅｓｓ邋ｏｆ邋ｃａｔｅｒｉｎｇ邋０２０邋ｂｕｓｉｎｅｓｓ邋ｍｏｄｅｌ逡逑０２０餐饮企业的发展模式是与众多线下的餐饮门店进行合作，多家线下门店逡逑通过平台提供餐饮服务，０２０模式的出现为线下门店提供一个引流的入口。０２０逡逑模式中的企业承载了用户寻找需求与商家发布需求的平台功能，通过线上平台将逡逑用户与商家直接的信息进行传递。用户通过在线上平台寻求服务并下单，平台将逡逑用户下单信息同步给商家，之后商家将服务通过线下的方式交付用户。此外，０２０逡逑模型企业的另一个重要特征的线上平台能够支持支付功能，即用户的支付动作通逡逑过该平台在线上完成。因此，０２０企业与商家之间除了具有服务信息，用户需求逡逑信息的传递之外

【相似文献】

相关期刊论文 前10条

1 朱佳佳;胡登利;吕媛;;ARIMA模型在甲型肝炎时间分布特征及趋势预测中的应用[J];中西医结合心血管病电子杂志;2018年22期

2 钱俊;王永波;;几种统计软件建立ARIMA模型的应用比较[J];统计与决策;2018年16期

3 罗佳伟;张强;杨书;;基于ARIMA-BPNN的组合模型在重庆市艾滋病发现人数预测中的应用[J];预防医学情报杂志;2018年03期

4 邱林;;应用ARIMA模型预测某三级甲等医院门诊量[J];中国医院统计;2018年01期

5 应绍桦;;基于ARIMA的价格时间序列分析与预测——以沪铝1803合约为例[J];经贸实践;2018年10期

6 周惠;陈晓军;张杨;李智;;ARIMA模型在肺结核登记病例数预测中的应用[J];江苏预防医学;2018年03期

7 韩玲;颜隆;王鸿;石翎笙;高治理;贺娟;;ARIMA乘积季节模型在天津市痢疾发病预测中的应用[J];中华中医药杂志;2018年07期

8 程小佩;;基于ARIMA模型货币供应量变动分析[J];合作经济与科技;2018年14期

9 娄鹏威;吴秀峰;张学良;徐加波;王凯;;基于ARIMA乘积季节模型的新疆布鲁氏菌病流行趋势分析[J];新疆医科大学学报;2017年01期

10 成云;成孝刚;谈苗苗;周凯;李海波;;基于ARIMA和小波神经网络组合模型的交通流预测[J];计算机技术与发展;2017年01期

相关会议论文 前10条

1 何巧娜;胡樱;张增长;宇传华;;湖北省卫生总费用的ARIMA模型研究[A];2011年中国卫生统计学年会会议论文集[C];2011年

2 ;A hybrid ARIMA-ANN model and its Learning Algorithm on Short-term Load Forecasting[A];第二十三届中国控制会议论文集（下册）[C];2004年

3 王建锋;高歌;陈立凌;李红美;张明芝;王艾丽;;ARIMA模型及其在江苏省卫技人员数预测中的应用[A];中国现场统计研究会第12届学术年会论文集[C];2005年

4 李君华;王志坚;张立杰;陈雪;;基于小波理论及ARIMA模型的短期棉花价格预测[A];中国棉花学会2012年年会暨第八次代表大会论文汇编[C];2012年

5 毛锦凰;;ARIMA模型在宁夏财政预测中的应用[A];中国企业运筹学第十届学术年会论文集[C];2015年

6 胡威;杨杉;张成;马国柱;李梦琳;;基于ARIMA流量预测模型的粒子群带宽动态分配算法[A];2017智能电网发展研讨会论文集[C];2017年

7 李卓;谢沅潮;;中国国际贸易进口ARIMA季度模型[A];“决策论坛——管理决策模式应用与分析学术研讨会”论文集（下）[C];2016年

8 ;Double Trends Time Series Forecasting Using a Combined ARIMA and GMDH Model[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

9 何榕健;李少霞;庞竣;;基于ARIMA的WCDMA无线扩容预测模型[A];2014全国无线及移动通信学术大会论文集[C];2014年

10 陈盼;陆卫群;;ARIMA模型在区域人口预测的应用分析[A];“决策论坛——区域发展与公共政策研究学术研讨会”论文集（下）[C];2016年

相关重要报纸文章 前1条

1 ;基于数量化方法对未来经济增长趋势的预测[N];第一财经日报;2009年

相关博士学位论文 前10条

1 Annie Uwimana;用时间序列模型预测非洲国内生产总值[D];中国科学技术大学;2018年

2 刘建华;手足口病发病趋势预测及传播动力学模拟研究[D];华中科技大学;2017年

3 孙晓东;邮轮收益管理：需求预测与收益优化[D];上海交通大学;2011年

4 付敏英;天津市城镇化融资决策研究[D];天津大学;2011年

5 张立杰;棉花价格研究及预测[D];天津大学;2012年

6 姜向荣;短时间序列预测建模及应用研究[D];北京邮电大学;2009年

7 向昌盛;基于支持向量机的时间序列组合预测模型[D];湖南农业大学;2011年

8 汪琼;我国轿车企业新车面市时间与先行者优势相关研究[D];华中科技大学;2010年

9 胡建峰;橘小实蝇监测、生物防治及蛋白铒剂应用机理[D];福建农林大学;2012年

10 李晓林;突发事件对金融市场的影响研究[D];电子科技大学;2013年

相关硕士学位论文 前10条

1 李泽;新疆地区丙型肝炎发病数预测模型的研究[D];新疆医科大学;2018年

2 刘阳;基于ARIMA模型的周期性时间序列变化点检测算法研究[D];山东大学;2018年

3 柴龙凯;基于数据（序列模式）挖掘的医院物资使用量预测模型研究[D];青岛科技大学;2018年

4 王燕;2004-2016年辽宁省甲肝发病规律及预测模型研究[D];沈阳医学院;2018年

5 范瑾;山西省流行性感冒的流行特征及基于小波-ARIMA模型的预测效果研究[D];山西医科大学;2018年

6 李达;基于时间序列分析方法的油田产量预测与应用[D];兰州理工大学;2018年

7 刘钰;基于VMD-ARIMA-HGWO-SVR组合模型的港口集装箱吞吐量预测[D];兰州大学;2018年

8 程俊;基于ARIMA-LSTM混合模型的机械传动件制造企业销售预测方法研究与应用[D];电子科技大学;2018年

9 李超楠;几种山东省GDP的预测方法及其比较[D];山东大学;2018年

10 施佳;基于ARIMA-BP组合模型的某餐饮O2O企业订单预测研究[D];北京交通大学;2018年

本文编号：2809682