基于组合模型的销售量预测及优化
发布时间：2021-01-24 07:34
本文在大数据辅助经营决策的背景下,建立了基于时间序列的复合销售预测模型,即利用随机森林算法提纯传统时间序列模型残差,得到精度更高的时间序列预测值,为商家市场规划、销售决策和运营战略提供数据支持。本文利用多维度、多样本的口碑商家数据进行实例验证,分别建立了基于ARMA模型和基于随机森林模型的预测模型,通过数据预处理、特征提取、降维等一系列特征工程,获得了较高质量的训练数据集,并通过对参数的不断调优得到了一个有较强学习能力的模型。最后针对ARMA模型无法更好地提炼非线性信息,而随机森林模型对非线性信息有较强的学习能力的特性,综合两者优势,利用随机森林优化ARIMA预测残差,得到了一个预测能力更强的预测模型。同时,通过对口碑商品销售数据的分析,得到各因素对客流量的影响力,为店铺经营者提供运营参考。
【文章来源】：华北电力大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：43 页
【学位级别】：硕士
【部分图文】：
图２－２ＡＲＭＡ模型流程图??诸如ＡＲＭＡ等传统时间序列模型有易丁＿理解、Ｈ依赖历史数据、参数较少??且含义明确的优点，同时也存在着难以考虑序列间关联、难以应用于多个序列、??难以加入其它特征等缺点
?２０１５／１０／１０?１０：００??上表可知，原始数据包括２０００个商家在４８８天中每…笔流量和浏览点击的??具体时间以及门店等级、地理位置等１１个变量。如图３－２所示，将上述数据进??行划分，将?２０１６．１０．１８－２０１６．１０．２４?的所有数据作为训练集，２０１６．１０．２５－２０１６．１０．３１??的数据作为测试集，以此验证模型的预测能力。??；崎?ｌａｂｅｌ?＾?Ｉ??２０１５／０７／１－?Ｉ：！?－?２０１６／１０／１８－??２０１６／１０／１７?詞?２０１６／１０／２４?：??丨?ｔｒｕｅ?Ｑ９ｔ９??２０１５／０７／１－?＇?ｉ?■?２０１６／１０／２５－??ｔｒａｍ?２０１６／１０／２４?２０１６／１０／３１??图３－２划分数据集??３．?２探索性数据分析??探索性数据分析最早是由美国著名统计学家ｋｉｎ?Ｔｕｋｅｙ提出，是指对已有的??数据（特别是调查或观察得来的原始数据）在尽量少的先验假定下进行探索
１０月２５日到１０月３１日分别有６１和３９个店或某几家店连续多天没有开门，视??预测日前一日没有客流量的商家为暂停营业。??观察商家的基本的信息，如图３－３所示，一线发达城市的口碑商家较多，也??符合实际生活中的在线支付情况。而具体地理位置是根据各商家在城市中所处的??位置进行划分的，是实际地理位置上的聚类。??ｃｉｔｙ?ｌｏｃａｔｉｏｎ＿ｉｄ?一??ｉ?上海．２８５?，，??乃０北京．１６３杭＾３?ｊ???２〇??２〇〇?１?Ｃ?Ｉ?苏州．６６??广州．１３６?南京，１３０?Ｉ?－武汉．１２４?１５??１００?Ｊ?深圳’ｒ温州．６７?１０?Ｉ?－??５０?｜?Ｉ?！?Ｊ?＾?ｉｌｌ?Ｊ???丨．丨?｜??〇?丨丨＇ｉｉ丨丨．丄．丨?ｎ．ｉ?Ｉ?山丨＿?．．＋．丨?ｈ?Ｊｕｌｉ??避舔彐姊至宏丟兴ｓｓ甩ｃｓ宏坚至跑鸾ｗｗ系?０??ｔ－Ｈｒｓｊｍ＾ＴＬｎｖＤ〇ｏｃｒ＞〇??图３－３地理分布图??如图３－４所示，观察商家的分类特征，第一级分类中有接近四分之三的样本??都属于“美食”类商品，其余基本都是“超市便利店”类的店铺，只有少数一两??个店家是“购物”、“美发／美容／美甲”和“休闲娱乐”类型的，故而质疑此特征??在本次模型中的影响力不够，还需后续进一步分析。而在美食类和购物类中，又??细分为“快餐”、“休闲茶饮”、“小吃”、“休闲食品”和“超市”等１７类
【参考文献】：
期刊论文
[1]基于改进加权移动平均法的服装销售预测[J]. 陈银光,于守健. 智能计算机与应用. 2018(06)
[2]基于季节调整和回归分析法的月售电量预测方法研究[J]. 庄剑,李凯,刘展展,程霄. 经济研究导刊. 2018(19)
[3]基于ARIMA-SVR的水文时间序列异常值检测[J]. 孙建树,娄渊胜,陈裕俊. 计算机与数字工程. 2018(02)
[4]基于Bagging策略的XGBoost算法在商品购买预测中的应用[J]. 谢冬青,周成骥. 现代信息科技. 2017(06)
[5]基于时间序列预测的股票交易决策建议系统[J]. 蒋倩仪. 计算机应用与软件. 2017(04)
[6]基于特征矩阵的多元时间序列最小距离度量方法[J]. 李海林,郭韧,万校基. 智能系统学报. 2015(03)
[7]基于ARMA和BPAdaBoost的组合销售预测模型研究[J]. 闫博,周在金,李国和,齐佳. 计算机与现代化. 2015(02)
[8]基于SVR-ARMA组合模型的日旅游需求预测[J]. 梁昌勇,马银超,陈荣,梁焱. 管理工程学报. 2015(01)
[9]基于变量相关性的多元时间序列特征表示[J]. 李海林. 控制与决策. 2015(03)
[10]BP神经网络在备货型企业销售预测中的应用[J]. 吴正佳,王文,周进. 工业工程. 2010(01)
硕士论文
[1]基于机器学习的时间序列预测关键技术研究[D]. 朱成璋.国防科学技术大学 2014
[2]基于数据挖掘的房地产价格分析预测研究[D]. 杨刚.南昌大学 2014
[3]探索性数据分析方法及应用[D]. 孙丽君.东北财经大学 2005
本文编号：2996857
【文章来源】：华北电力大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：43 页
【学位级别】：硕士
【部分图文】：
图２－２ＡＲＭＡ模型流程图??诸如ＡＲＭＡ等传统时间序列模型有易丁＿理解、Ｈ依赖历史数据、参数较少??且含义明确的优点，同时也存在着难以考虑序列间关联、难以应用于多个序列、??难以加入其它特征等缺点
?２０１５／１０／１０?１０：００??上表可知，原始数据包括２０００个商家在４８８天中每…笔流量和浏览点击的??具体时间以及门店等级、地理位置等１１个变量。如图３－２所示，将上述数据进??行划分，将?２０１６．１０．１８－２０１６．１０．２４?的所有数据作为训练集，２０１６．１０．２５－２０１６．１０．３１??的数据作为测试集，以此验证模型的预测能力。??；崎?ｌａｂｅｌ?＾?Ｉ??２０１５／０７／１－?Ｉ：！?－?２０１６／１０／１８－??２０１６／１０／１７?詞?２０１６／１０／２４?：??丨?ｔｒｕｅ?Ｑ９ｔ９??２０１５／０７／１－?＇?ｉ?■?２０１６／１０／２５－??ｔｒａｍ?２０１６／１０／２４?２０１６／１０／３１??图３－２划分数据集??３．?２探索性数据分析??探索性数据分析最早是由美国著名统计学家ｋｉｎ?Ｔｕｋｅｙ提出，是指对已有的??数据（特别是调查或观察得来的原始数据）在尽量少的先验假定下进行探索
１０月２５日到１０月３１日分别有６１和３９个店或某几家店连续多天没有开门，视??预测日前一日没有客流量的商家为暂停营业。??观察商家的基本的信息，如图３－３所示，一线发达城市的口碑商家较多，也??符合实际生活中的在线支付情况。而具体地理位置是根据各商家在城市中所处的??位置进行划分的，是实际地理位置上的聚类。??ｃｉｔｙ?ｌｏｃａｔｉｏｎ＿ｉｄ?一??ｉ?上海．２８５?，，??乃０北京．１６３杭＾３?ｊ???２〇??２〇〇?１?Ｃ?Ｉ?苏州．６６??广州．１３６?南京，１３０?Ｉ?－武汉．１２４?１５??１００?Ｊ?深圳’ｒ温州．６７?１０?Ｉ?－??５０?｜?Ｉ?！?Ｊ?＾?ｉｌｌ?Ｊ???丨．丨?｜??〇?丨丨＇ｉｉ丨丨．丄．丨?ｎ．ｉ?Ｉ?山丨＿?．．＋．丨?ｈ?Ｊｕｌｉ??避舔彐姊至宏丟兴ｓｓ甩ｃｓ宏坚至跑鸾ｗｗ系?０??ｔ－Ｈｒｓｊｍ＾ＴＬｎｖＤ〇ｏｃｒ＞〇??图３－３地理分布图??如图３－４所示，观察商家的分类特征，第一级分类中有接近四分之三的样本??都属于“美食”类商品，其余基本都是“超市便利店”类的店铺，只有少数一两??个店家是“购物”、“美发／美容／美甲”和“休闲娱乐”类型的，故而质疑此特征??在本次模型中的影响力不够，还需后续进一步分析。而在美食类和购物类中，又??细分为“快餐”、“休闲茶饮”、“小吃”、“休闲食品”和“超市”等１７类
【参考文献】：
期刊论文
[1]基于改进加权移动平均法的服装销售预测[J]. 陈银光,于守健. 智能计算机与应用. 2018(06)
[2]基于季节调整和回归分析法的月售电量预测方法研究[J]. 庄剑,李凯,刘展展,程霄. 经济研究导刊. 2018(19)
[3]基于ARIMA-SVR的水文时间序列异常值检测[J]. 孙建树,娄渊胜,陈裕俊. 计算机与数字工程. 2018(02)
[4]基于Bagging策略的XGBoost算法在商品购买预测中的应用[J]. 谢冬青,周成骥. 现代信息科技. 2017(06)
[5]基于时间序列预测的股票交易决策建议系统[J]. 蒋倩仪. 计算机应用与软件. 2017(04)
[6]基于特征矩阵的多元时间序列最小距离度量方法[J]. 李海林,郭韧,万校基. 智能系统学报. 2015(03)
[7]基于ARMA和BPAdaBoost的组合销售预测模型研究[J]. 闫博,周在金,李国和,齐佳. 计算机与现代化. 2015(02)
[8]基于SVR-ARMA组合模型的日旅游需求预测[J]. 梁昌勇,马银超,陈荣,梁焱. 管理工程学报. 2015(01)
[9]基于变量相关性的多元时间序列特征表示[J]. 李海林. 控制与决策. 2015(03)
[10]BP神经网络在备货型企业销售预测中的应用[J]. 吴正佳,王文,周进. 工业工程. 2010(01)
硕士论文
[1]基于机器学习的时间序列预测关键技术研究[D]. 朱成璋.国防科学技术大学 2014
[2]基于数据挖掘的房地产价格分析预测研究[D]. 杨刚.南昌大学 2014
[3]探索性数据分析方法及应用[D]. 孙丽君.东北财经大学 2005
本文编号：2996857
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/2996857.html
