氨纶产品销量预测技术的研究与应用

发布时间：2021-02-12 07:42

　　销量预测一直是一个重点研究的问题,一个准确的销量预测可以为企业控制成本,提前规划市场和部署战略。这个问题解决的好就能为企业的未来规划提供重要决策的理论支持。氨纶是聚氨基甲酸酯纤维的简称,但因其需要保存在温湿均恒的环境内,温度18-20摄氏度之间。并且不宜放于日光曝晒之地方,不宜与二氧化硫,氮氧化物等化工产品一起存放。这些限制条件又使得企业在生产氨纶产品等要有较为严谨的生产计划,否则会造成大量产品损毁。因此,氨纶产品销售预测对生产氨纶的企业来说有着重大的意义。本文利用Stacking策略将Xgboost、SVR（Support Vector Regression）支持向量回归、GRU神经网络作为基础模型,然后将lightGBM作为最终的预测模型中了几种模型的优势,大大的提高了模型的预测性能,更加接近真实的销量数据,为回归预测提供一种新的预测方法。除此之外,并且融合了新的特征。本文从网站上爬取了用户口碑数据,通过分词、情感分类对其进行处理。在对于历史销售数据时,采用滑动窗口的方法,构造了一系列的特征。最终将特征筛选出来的特征和构造的特征进行了融合,作为最后一层模型的训练数据。在结果分析时,... 

【文章来源】：中国科学院大学(中国科学院沈阳计算技术研究所)辽宁省

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景与意义
        1.1.1 研究背景
        1.1.2 课题意义
    1.2 国内外研究现状
        1.2.1 销售预测研究现状
        1.2.2 集成学习研究现状
    1.3 论文的组织结构
    1.4 本章小结
第2章 相关理论基础及方法
    2.1 回归预测方法
        2.1.1 SVR
        2.1.2 Xgboost
        2.1.3 lightGBM
    2.2 深度学习模型
        2.2.1 GRU
    2.3 集成学习
        2.3.1 Bagging
        2.3.2 boosting
        2.3.3 Stacking
    2.4 评价函数
    2.5 本章小结
第3章 数据准备
    3.1 数据准备
        3.1.1 历史销售数据
        3.1.2 用户评论数据
    3.2 数据预处理
        3.2.1 历史销售数据处理
        3.2.2 用户口碑文本数据处理
    3.3 本章小结
第4章 特征工程
    4.1 特征工程简介
    4.2 特征工程的组成
        4.2.1 特征提取过程
        4.2.2 特征工程处理方法
    4.3 特征工程设计思路
    4.4 特征工程构造结果
    4.5 本章小结
第5章 销售预测组合模型设计与应用
    5.1 基本模型训练
        5.1.1 模型确定流程简介
        5.1.2 SVR
            5.1.2.1 SVR参数确定
            5.1.2.2 SVR预测结果
        5.1.3 Xgboost
            5.1.3.1 Xgboost参数确定
            5.1.3.2 Xgboost预测结果
        5.1.4 GRU
            5.1.4.1 GRU防止过拟合
            5.1.4.2 GRU预测效果
        5.1.5 lightGBM
            5.1.5.1 lightGBM调节参数
            5.1.5.2 预测效果
    5.2 多种模型融合的销售预测算法
        5.2.1 算法简介
        5.2.2 预测结果分析
    5.3 算法应用
        5.3.1 智能分拣系统介绍
        5.3.2 销量预测
    5.4 本章小结
第6章 结论与展望
参考文献
致谢
作者简历及攻读学位期间发表的学术论文与研究成果


【参考文献】：
期刊论文
[1]基于强化学习的超参数优化方法[J]. 陈森朋,吴佳,陈修云.  小型微型计算机系统. 2020(04)
[2]应用时间序列组合预测方法的卷烟销售预测模型[J]. 叶明亮.  福建电脑. 2020(02)
[3]基于CNN-LightGBM模型的高速公路交通量预测[J]. 张振,曾献辉.  信息技术与网络安全. 2020(02)
[4]基于灰色理论的服装企业销售预测模型[J]. 王昕彤,王秀敏,郭瑞良,刘小艺,韩烨.  丝绸. 2020(02)
[5]基于LSTM-ARIMA模型的短期航班飞行轨迹预测[J]. 石庆研,岳聚财,韩萍,王文青.  信号处理. 2019(12)
[6]基于LSTM和Word2Vec的情感分析在商品评论中的应用[J]. 周萌.  统计与管理. 2019(12)
[7]基于商品评论的群体用户情感趋势预测研究[J]. 周俊鹏,高岭,曹瑞,高全力,郑杰,王海.  郑州大学学报(理学版). 2019(04)
[8]基于Stacking策略的过程剩余执行时间预测[J]. 李帅标,赵海燕,陈庆奎,曹健.  小型微型计算机系统. 2019(12)
[9]基于改进遗传算法优化BP神经网络的销售预测模型[J]. 圣文顺,赵翰驰,孙艳文.  计算机系统应用. 2019(12)
[10]基于深度LightGBM集成学习模型的谷歌商店顾客购买力预测[J]. 叶志宇,冯爱民,高航.  计算机应用. 2019(12)

硕士论文
[1]基于消费者UGC的产品竞争对手识别与销量预测研究[D]. 邱海斌.吉林大学 2019
[2]基于在线评论文本情感极性分析的产品销售预测研究[D]. 窦子欣.广州大学 2019
[3]基于XGBoost方法的ND公司门店销售预测研究[D]. 逯晓瞳.北京工业大学 2019
[4]基于SARIMA和BP神经网络的新能源汽车销售预测[D]. 白一凡.湘潭大学 2019
[5]改进的指数平滑模型在M企业医药销售预测中的应用研究[D]. 何亚丽.华中科技大学 2019
[6]基于组合模型的销售量预测及优化[D]. 李欣芮.华北电力大学(北京) 2019
[7]基于LSTM的时间序列混合预测方法研究[D]. 黄宏伟.湘潭大学 2018
[8]基于组合预测模型的服装销量预测研究[D]. 徐倩茹.长安大学 2018
[9]基于机器学习的混沌时间序列预测研究及应用[D]. 姜振豪.东南大学 2018
[10]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]. 程俊.电子科技大学 2018



本文编号：3030501