面向零售业时间序列预测与分析的算法研究

发布时间：2020-09-25 11:49

　　随着体验式购物的不断兴起,零售业正在以各种形式迎来它的新生。零售业具体表现出的商业模式有很多种,本文选取它最经典的一种表现形式——购物中心——进行研究。本文以某购物中心的销售时间序列数据作为研究对象,分析各种可能影响零售业销售行为的影响因素,构建合适的特征工程,构建合适的时间序列分析与预测的模型。针对购物中心最关心的两个时间序列预测问题:销售额与销售频次,作出科学的分析与预测。主要针对时间序列预测算法及特征选择进行研究。首先,在特征选择方面,采用面向零售业时间序列的基于相关-互补-冗余特征选择模型。引入特征间的互补性,可以增强了特征子集的整体表现力。通过实验表明,该模型选取的特征在不同预测算法中,均比基线特征提取模型有较好的预测精度,相关指标优化3%以上其次,在零售业时间序列预测方面,采用面向零售业时间序列的基于EMD与深度学习预测模型。该模型采用EMD分解算法将零售业时间序列分解成含有不同信息分量的子序列,挖掘子序列的局部特性,从而针对性地进行建模预测。采用GRU以及MLP模型构建子预测模型,将子预测结果进行组合得到最终的预测结果。该预测模型的RMSE指标优化5%以上,MAE指标优化1.5%以上。此外,对模型进行了效率优化,通过对分解的子序列进行重组,简化为两组子序列,趋势序列与短时波动序列。实验表明,通过对这两组序列进行建模研究可以在损失不足1%精度的代价下,明显提升计算效率。
【学位单位】：北京邮电大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：F713.32;TP18
【部分图文】：

时间序列,零售业,时间序列预测模型,内容

１．４．２本文的贡献逡逑针对研宄内容，对具体的零售业时间序列问题进行分析，本文构建了一个适逡逑用于零售业时间序列预测任务的整体解决方案，其模型如图１－１所示。其中，特逡逑征工程部分对应第三章内容，算法模型方面对应第四章内容，系统实现方面对应逡逑第五章内容。逡逑５逡逑

模型图,神经网络结构,三层,神经网络

函数：＝邋Ｏｑ邋＊勺＋邋ｌ）Ｒ模型解决回归问题可以较为容易地解决复杂的非线，发现ＳＶＲ调参较为困难，并且当输入数据有各种很大的影响。逡逑网络的预测算法逡逑感知机（ＭＬＰ）逡逑机［３ｌ］－［：＞３］邋（Ｍｕｌｔｉ－Ｌａｙｅｒ邋Ｐｅｒｃｅｐｔｒｏｎ，ＭＬＰ）也被称为ｅｕｒａｌ邋Ｎｅｔｗｏｒｋ，ＡＮＮ），这是基于生物的神经网络进行类以及回归问题的模型，可以拟合很复杂的非线形系ＭＬＰ结构是由三层组成，如图２－１所示，分别为输隐藏层的神经元是与输入层的神经元全连接的，所以邋Ｗ邋＼＾为权重，匕为偏置，／0函数被称为激活函ｍｏｉｄ、ｔａｎ／ｉ函数等。最后隐藏层到输出层之间更像常使用ｓｏ／ｔｍａｘ函数。逡逑

子单元,单元结构,模型,输出门

ｘｔ逡逑图２－２邋ＬＳＴＭ模型子单元图逡逑ＬＳＴＭ子单元图２－２所示，其结构明显比ＲＮＮ的单元结构更加复杂，在ＬＳＴＭ逡逑中有一种被称为门（Ｇａｔｅｓ）的结构，主要的门结构由遗忘门，输入门、输出门逡逑组成。逡逑遗忘门，顾名思义这个门是决定子单元该丢弃什么信息的一个结构，函数表逡逑示为（２－１３）：逡逑ｆｔ邋＝邋ａ（Ｗｆ邋＊邋ｘｔ］邋＋邋ｂｆ）逦（２邋－邋１３）逡逑１４逡逑

【相似文献】