基于时间序列分析的销售预测方法研究
发布时间：2021-01-06 11:36
随着互联网和信息技术的繁荣发展,以及云计算和大数据技术的兴起,为人工智能的实现提供了可能。伴随着人们生活水平的提高,销售是一个永恒的话题。移动支付、线上交易,为我们的生活带来了巨大的便利,信息化的数据管理手段,大大提高了企业工作的效率,也积累了巨量的数据。如今,人们已经能够认识到数据的重要性及其所蕴含的知识信息。销售数据是一类时间序列数据,如果我们能够利用成熟的模型算法来描述它的模式,就可以对其未来的走势进行分析、预测,给出估计值。对于企业来说,这是非常重要的。依据产品的销量预测数据,企业就可以制定更为准确的营销策略,从而增加销售利润,减少成本,甚至还可以避免由于对市场把握不准确而带来的损失。本文针对目前企业中“数据爆炸,知识缺乏”的现象,对销售数据的时间序列挖掘进行了研究。通过爬虫技术和企业用户提供数据等渠道,获取销售数据。使用传统的时间序列分析方法ARIMA和Facebook的Prophet对销售数据进行分析、预测。并基于ARIMA算法,提出了改进的模型算法ARIMA+SVR和ARIMA+Boosting方法,对销售数据进行了分析、预测,并在企业真实销售数据上进行实验,给出实验结果...
【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：84 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景
1.2 国内外研究现状
1.3 研究内容与框架
1.4 本文组织结构
2 数据获取及预处理
2.1 网络爬虫
2.1.1 网络爬虫概述
2.1.2 网页抓取策略
2.1.3 网络爬虫系统架构
2.1.4 常用分布式网络爬虫框架
2.2 Pandas
2.3 数据预处理
2.4 本章小结
3 时间序列分析方法的研究
3.1 序列的平稳性
3.1.1 特征统计量
3.1.2 严平稳和宽平稳
3.1.3 平稳时间序列的统计性质
3.1.4 纯随机序列
3.2 延迟算子
3.2.1 延迟算子的定义
3.2.2 延迟算子的性质
3.2.3 用延迟算子表示差分运算
3.3 ARMA模型结构
3.4 ARIMA模型结构
3.5 应用ARIMA模型对数据集进行预测分析
3.6 Prophet介绍
3.6.1 Prophet与传统时间序列分析方法
3.6.2 应用prophet对数据集进行预测分析
3.7 本章小结
4 机器学习方法的研究与改进方法的提出
4.1 支持向量机
4.2 支持向量回归
4.3 决策树
4.3.1 基本决策树分类方法
4.3.2 CART分类方法
4.4 提升方法
4.4.1 提升方法简介
4.4.2 提升树模型
4.4.3 回归问题的提升树
4.4.4 梯度提升
4.4.5 XGBoost
4.5 算法执行效率对比
4.6 改进方法的提出
4.6.1 改进方法的模型结构
4.6.2 模型实现及算法对比
4.7 本章小结
5 系统设计与实现
5.1 需求分析
5.1.1 功能性需求
5.1.2 非功能性需求
5.1.3 总体需求
5.2 系统设计与实现
5.2.1 数据平台的设计与实现
5.2.2 主要功能模块的设计与实现
5.3 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢
【参考文献】：
期刊论文
[1]《机器学习》[J]. 周志华. 中国民商. 2016(03)
[2]销售预测分析系统的研究与应用[J]. 赵改平,刘丽兰,程功勋,树志松. 现代制造工程. 2011(03)
博士论文
[1]基于关联规则与决策树的预测方法研究及其应用[D]. 伊卫国.大连海事大学 2012
硕士论文
[1]智能疾病导诊及医疗问答方法研究与应用[D]. 李超.大连理工大学 2016
[2]基于多标签分类和协同过滤的医生推荐系统的研究与实现[D]. 孙崇林.大连理工大学 2015
[3]基于hadoop的分布式网络爬虫研究与实现[D]. 万涛.西安电子科技大学 2014
[4]基于时间序列分析的商业企业销售预测模型研究[D]. 袁磊磊.重庆理工大学 2013
[5]支持AJAX的分布式爬虫系统的研究与实现[D]. 邬柏.华中科技大学 2013
[6]基于时间序列分析的股票价格趋势预测研究[D]. 赵国顺.厦门大学 2009
[7]基于神经网络的销售分析预测研究与应用[D]. 李必辉.东华大学 2008
本文编号：2960499
【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：84 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景
1.2 国内外研究现状
1.3 研究内容与框架
1.4 本文组织结构
2 数据获取及预处理
2.1 网络爬虫
2.1.1 网络爬虫概述
2.1.2 网页抓取策略
2.1.3 网络爬虫系统架构
2.1.4 常用分布式网络爬虫框架
2.2 Pandas
2.3 数据预处理
2.4 本章小结
3 时间序列分析方法的研究
3.1 序列的平稳性
3.1.1 特征统计量
3.1.2 严平稳和宽平稳
3.1.3 平稳时间序列的统计性质
3.1.4 纯随机序列
3.2 延迟算子
3.2.1 延迟算子的定义
3.2.2 延迟算子的性质
3.2.3 用延迟算子表示差分运算
3.3 ARMA模型结构
3.4 ARIMA模型结构
3.5 应用ARIMA模型对数据集进行预测分析
3.6 Prophet介绍
3.6.1 Prophet与传统时间序列分析方法
3.6.2 应用prophet对数据集进行预测分析
3.7 本章小结
4 机器学习方法的研究与改进方法的提出
4.1 支持向量机
4.2 支持向量回归
4.3 决策树
4.3.1 基本决策树分类方法
4.3.2 CART分类方法
4.4 提升方法
4.4.1 提升方法简介
4.4.2 提升树模型
4.4.3 回归问题的提升树
4.4.4 梯度提升
4.4.5 XGBoost
4.5 算法执行效率对比
4.6 改进方法的提出
4.6.1 改进方法的模型结构
4.6.2 模型实现及算法对比
4.7 本章小结
5 系统设计与实现
5.1 需求分析
5.1.1 功能性需求
5.1.2 非功能性需求
5.1.3 总体需求
5.2 系统设计与实现
5.2.1 数据平台的设计与实现
5.2.2 主要功能模块的设计与实现
5.3 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢
【参考文献】：
期刊论文
[1]《机器学习》[J]. 周志华. 中国民商. 2016(03)
[2]销售预测分析系统的研究与应用[J]. 赵改平,刘丽兰,程功勋,树志松. 现代制造工程. 2011(03)
博士论文
[1]基于关联规则与决策树的预测方法研究及其应用[D]. 伊卫国.大连海事大学 2012
硕士论文
[1]智能疾病导诊及医疗问答方法研究与应用[D]. 李超.大连理工大学 2016
[2]基于多标签分类和协同过滤的医生推荐系统的研究与实现[D]. 孙崇林.大连理工大学 2015
[3]基于hadoop的分布式网络爬虫研究与实现[D]. 万涛.西安电子科技大学 2014
[4]基于时间序列分析的商业企业销售预测模型研究[D]. 袁磊磊.重庆理工大学 2013
[5]支持AJAX的分布式爬虫系统的研究与实现[D]. 邬柏.华中科技大学 2013
[6]基于时间序列分析的股票价格趋势预测研究[D]. 赵国顺.厦门大学 2009
[7]基于神经网络的销售分析预测研究与应用[D]. 李必辉.东华大学 2008
本文编号：2960499
本文链接：https://www.wllwen.com/kejilunwen/yysx/2960499.html
