基于GBDT算法的区域外卖订单需求预测
发布时间：2021-07-13 08:14
随着“互联网+”的不断发展,人们的多种生活方式也随之发生了巨大的改变,“懒人经济”成为了一种经济现象。互联网与餐饮业的结合使点外卖变成了人们的一种主流生活方式。通过对区域内未发生的外卖订单需求进行预测,在订单未发生前完成骑手调度,促使外卖平台配送系统智能调度成为现实,能够有效提升外卖平台的配送时效,提高外卖平台的竞争力。针对上述问题,本文提出了一种基于GBDT算法的区域外卖订单需求预测模型,模型能够对各商圈区域未来一小时内订单需求进行有效预测,为外卖平台的配送系统智能调度提供依据。论文的主要内容包括以下几个部分:（1）介绍了研究所涉及的理论知识。包括需求预测、特征选择的相关概念、步骤等,并对GBDT（梯度提升决策树,Gradient Boosting Decision Tree）算法理论进行了详细阐述。（2）区域外卖订单需求预测模型的构建。首先对原始数据进行数据预处理,并使用递归特征消除法与交叉验证相结合的方式对区域外卖订单需求预测相关的特征进行选择,为后续模型的训练进行数据准备。为了提高模型的表现,参数的调整十分必要,人工调参工作量大且主观性强、容易有遗漏,明显不是最佳选择,为此引入...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
图３．?１模型构建流程图??Ｆｉｇ．?３．１?Ｍｏｄｅｌ?ｂｕｉｌｄｉｎｇ?ｐｒｏｃｅｓｓ??
基于ＧＢＤＴ算法的区域外卖订单需求预测??接下来分析不同日期各商圈外卖订单需求量的变化，通过图３．３可以看出，虽然不??同日期的日均订单总量的波动不明显，但是各商圈都存在后半个月的日均订单总量整体??稍高于前半个月的情况，因此保留日期特征。??Ｊ??锦绣小区商圈?＿Ｂ＿理工商圈?—西安路商圈?软件园商圈??日均订单总最??１４００?－１??１２００?－?产??１０００?－??８００?－??６。°．??２００?－??＃?Ｉ?????Ｉ?寒寒?》－？摩??０?ＩＩＩ?Ｉ＂?＂１＂?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?！?Ｉ?Ｉ?Ｉ?（?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ??１２３４５６７８９?１０１１１２?１３１４１５１６１７１８１９?２０?２１２２?２３?２４?２５?２６?２７?２８?２９?３０?３１??图３．３日期特征对区域外卖订单量的影响??Ｆｉｇ．?３．３?Ｔｈｅ?Ｉｎｆｌｕｅｎｃｅ?ｏｆ?ｄａｔｅ?ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ?ｏｎ?ｒｅｇｉｏｎａｌ?ｔａｋｅ?ｏｕｔ?ｏｒｄｅｒｓ??对各商圈一天中不同时刻的订单量变化情况进行统计分析，从图３．４可以看出，不??同的商圈在一天当中外卖订单需求数量变化均存在明显的两个高峰：午高峰??（１１：００－１２：００）和晚髙峰（１７：?００－１８：００），说明外卖订单需求量的变化会受到时段特??征的影响。??？３２－??
大连海事大学硕士学位论文??锦绣小区商圈?＿？－理工商圈?西安路商圈?一Ｈ－软件园商圈??３００?ｎ??２５０?－??ｉ：?Ａａ．??ｕ?！?／■？ｖ?ｉ?ｉｒｘ?ｉ?ｉＷＴｒ＾ｒ＇?ｖ?！?ｉ?ｉ?—ｉ?▼?ｉ?—?—Ｉ?Ｉ?Ｉ?ｉ??０?１?２?３?４?５?６?７?８?９?１０?１１?１２?１３?１４?１５?１６?１７?１８?１９?２０?２１?２２?２３??图３．４各商圈日均每小时订单量变化情况??Ｆｉｇ．?３?．４?Ｔｈｅ?ｃｈａｎｇｅ?ｏｆ?ｏｒｄｅｒｓ?ｐｅｒ?ｈｏｕｒ?ｐｅｒ?ｄａｙ?ｉｎ?ｅａｃｈ?ｂｕｓｉｎｅｓｓ?ｄｉｓｔｒｉｃｔ??｜??除了简单的将时间切片为年、月、日、小时外，还可以将季节、是否为节假日作为??时间特征进行分析。??分析季节特征对各商圈外卖订单需求量的影响，从图３．５可以看出，各个商圈的外??卖订单总量各季节存在差异，并且随季节变化的趋势不尽相同。锦绣小区商圈和西安路??商圈的变化趋势大体相同，均在夏季订单量最多，而理工商圈秋季订单量最高，软件园??商圈则是春季外卖订单量最高。西安路商圈和理工商圈夏、秋两季的订单量明显高于其??他两个季度。此外各商圈的冬季外卖订单总量相较于其他季节均为最低，外卖从店铺送??到顾客手中需要一定的时间，并且在天气恶劣的时候需要的时间可能更长，寒冷的天气??会导致经过配送的外卖变凉，口感变差，人们更愿意就近堂食，以此来看数据变化趋势??符合情理。??－３３－??
【参考文献】：
期刊论文
[1]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)
[2]特征选择方法综述[J]. 李郅琴,杜建强,聂斌,熊旺平,黄灿奕,李欢. 计算机工程与应用. 2019(24)
[3]基于无偏灰色PSOMarkov优化模型的加油站便利店零售销量预测方法研究[J]. 杨光,汪长波,黄涤,王金燕,刘海明. 数学的实践与认识. 2019(20)
[4]一种基于Gradient Boosting的公交车运行时长预测方法[J]. 赖永炫,杨旭,曹琦,曹辉彬,王田,杨帆. 大数据. 2019(05)
[5]不平衡数据分类研究及在疾病诊断中的应用[J]. 张涛. 黄河科技学院学报. 2019(05)
[6]基于GBDT的实时洪水预报误差校正方法[J]. 姚超宇,钟平安,徐斌,王凯,高益辉,李昆朋. 水电能源科学. 2019(08)
[7]基于多元统计对婴幼儿奶粉销售的计量分析[J]. 季娜,闫云侠. 内蒙古工业大学学报(自然科学版). 2019(04)
[8]基于主成分和GBDT对血糖值的预测[J]. 龚谊承,都承华,张艳娜,余力. 数学的实践与认识. 2019(14)
[9]梯度提升决策树在雷达定量降水估测中的应用研究[J]. 陈训来,陈元昭,赵春阳,张珂. 气象科技进展. 2019(03)
[10]外卖O2O需求预测及高效益推荐研究[J]. 钱程,刘明,李亚鹏. 福建电脑. 2019(05)
硕士论文
[1]基于统计学习方法的空气质量评价与分类[D]. 郭绍征.山西大学 2019
[2]基于神经网络和时间序列的汽车销量预测研究[D]. 刘永恒.南昌大学 2019
[3]基于神经网络的高铁餐售预测管理系统研究[D]. 李彦昆.中国铁道科学研究院 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]基于机器学习的共享单车需求量预测模型研究[D]. 王立.长安大学 2019
[6]基于集成学习模型在店铺消费人数预测的应用研究[D]. 彭钰.上海师范大学 2018
[7]基于深度学习的餐饮外卖订单预测模型[D]. 李凯.大连理工大学 2018
[8]基于Gradient Boosting算法的海量健康数据挖掘研究与应用[D]. 刘玉尧.北京邮电大学 2017
[9]社交数据驱动的P2P借贷风险评估模型[D]. 王磊.浙江大学 2017
[10]餐饮业菜品销售量预测研究[D]. 柴军.东北师范大学 2016
本文编号：3281704
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
图３．?１模型构建流程图??Ｆｉｇ．?３．１?Ｍｏｄｅｌ?ｂｕｉｌｄｉｎｇ?ｐｒｏｃｅｓｓ??
基于ＧＢＤＴ算法的区域外卖订单需求预测??接下来分析不同日期各商圈外卖订单需求量的变化，通过图３．３可以看出，虽然不??同日期的日均订单总量的波动不明显，但是各商圈都存在后半个月的日均订单总量整体??稍高于前半个月的情况，因此保留日期特征。??Ｊ??锦绣小区商圈?＿Ｂ＿理工商圈?—西安路商圈?软件园商圈??日均订单总最??１４００?－１??１２００?－?产??１０００?－??８００?－??６。°．??２００?－??＃?Ｉ?????Ｉ?寒寒?》－？摩??０?ＩＩＩ?Ｉ＂?＂１＂?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?！?Ｉ?Ｉ?Ｉ?（?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ??１２３４５６７８９?１０１１１２?１３１４１５１６１７１８１９?２０?２１２２?２３?２４?２５?２６?２７?２８?２９?３０?３１??图３．３日期特征对区域外卖订单量的影响??Ｆｉｇ．?３．３?Ｔｈｅ?Ｉｎｆｌｕｅｎｃｅ?ｏｆ?ｄａｔｅ?ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ?ｏｎ?ｒｅｇｉｏｎａｌ?ｔａｋｅ?ｏｕｔ?ｏｒｄｅｒｓ??对各商圈一天中不同时刻的订单量变化情况进行统计分析，从图３．４可以看出，不??同的商圈在一天当中外卖订单需求数量变化均存在明显的两个高峰：午高峰??（１１：００－１２：００）和晚髙峰（１７：?００－１８：００），说明外卖订单需求量的变化会受到时段特??征的影响。??？３２－??
大连海事大学硕士学位论文??锦绣小区商圈?＿？－理工商圈?西安路商圈?一Ｈ－软件园商圈??３００?ｎ??２５０?－??ｉ：?Ａａ．??ｕ?！?／■？ｖ?ｉ?ｉｒｘ?ｉ?ｉＷＴｒ＾ｒ＇?ｖ?！?ｉ?ｉ?—ｉ?▼?ｉ?—?—Ｉ?Ｉ?Ｉ?ｉ??０?１?２?３?４?５?６?７?８?９?１０?１１?１２?１３?１４?１５?１６?１７?１８?１９?２０?２１?２２?２３??图３．４各商圈日均每小时订单量变化情况??Ｆｉｇ．?３?．４?Ｔｈｅ?ｃｈａｎｇｅ?ｏｆ?ｏｒｄｅｒｓ?ｐｅｒ?ｈｏｕｒ?ｐｅｒ?ｄａｙ?ｉｎ?ｅａｃｈ?ｂｕｓｉｎｅｓｓ?ｄｉｓｔｒｉｃｔ??｜??除了简单的将时间切片为年、月、日、小时外，还可以将季节、是否为节假日作为??时间特征进行分析。??分析季节特征对各商圈外卖订单需求量的影响，从图３．５可以看出，各个商圈的外??卖订单总量各季节存在差异，并且随季节变化的趋势不尽相同。锦绣小区商圈和西安路??商圈的变化趋势大体相同，均在夏季订单量最多，而理工商圈秋季订单量最高，软件园??商圈则是春季外卖订单量最高。西安路商圈和理工商圈夏、秋两季的订单量明显高于其??他两个季度。此外各商圈的冬季外卖订单总量相较于其他季节均为最低，外卖从店铺送??到顾客手中需要一定的时间，并且在天气恶劣的时候需要的时间可能更长，寒冷的天气??会导致经过配送的外卖变凉，口感变差，人们更愿意就近堂食，以此来看数据变化趋势??符合情理。??－３３－??
【参考文献】：
期刊论文
[1]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)
[2]特征选择方法综述[J]. 李郅琴,杜建强,聂斌,熊旺平,黄灿奕,李欢. 计算机工程与应用. 2019(24)
[3]基于无偏灰色PSOMarkov优化模型的加油站便利店零售销量预测方法研究[J]. 杨光,汪长波,黄涤,王金燕,刘海明. 数学的实践与认识. 2019(20)
[4]一种基于Gradient Boosting的公交车运行时长预测方法[J]. 赖永炫,杨旭,曹琦,曹辉彬,王田,杨帆. 大数据. 2019(05)
[5]不平衡数据分类研究及在疾病诊断中的应用[J]. 张涛. 黄河科技学院学报. 2019(05)
[6]基于GBDT的实时洪水预报误差校正方法[J]. 姚超宇,钟平安,徐斌,王凯,高益辉,李昆朋. 水电能源科学. 2019(08)
[7]基于多元统计对婴幼儿奶粉销售的计量分析[J]. 季娜,闫云侠. 内蒙古工业大学学报(自然科学版). 2019(04)
[8]基于主成分和GBDT对血糖值的预测[J]. 龚谊承,都承华,张艳娜,余力. 数学的实践与认识. 2019(14)
[9]梯度提升决策树在雷达定量降水估测中的应用研究[J]. 陈训来,陈元昭,赵春阳,张珂. 气象科技进展. 2019(03)
[10]外卖O2O需求预测及高效益推荐研究[J]. 钱程,刘明,李亚鹏. 福建电脑. 2019(05)
硕士论文
[1]基于统计学习方法的空气质量评价与分类[D]. 郭绍征.山西大学 2019
[2]基于神经网络和时间序列的汽车销量预测研究[D]. 刘永恒.南昌大学 2019
[3]基于神经网络的高铁餐售预测管理系统研究[D]. 李彦昆.中国铁道科学研究院 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]基于机器学习的共享单车需求量预测模型研究[D]. 王立.长安大学 2019
[6]基于集成学习模型在店铺消费人数预测的应用研究[D]. 彭钰.上海师范大学 2018
[7]基于深度学习的餐饮外卖订单预测模型[D]. 李凯.大连理工大学 2018
[8]基于Gradient Boosting算法的海量健康数据挖掘研究与应用[D]. 刘玉尧.北京邮电大学 2017
[9]社交数据驱动的P2P借贷风险评估模型[D]. 王磊.浙江大学 2017
[10]餐饮业菜品销售量预测研究[D]. 柴军.东北师范大学 2016
本文编号：3281704
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3281704.html
