【摘要】：零售業(yè)的轉(zhuǎn)型與升級(jí)是近年來(lái)市場(chǎng)重點(diǎn)關(guān)注的領(lǐng)域,伴隨著大數(shù)據(jù)以及機(jī)器學(xué)習(xí)領(lǐng)域的不斷發(fā)展,使我們有可能將這兩個(gè)行業(yè)進(jìn)行結(jié)合,實(shí)現(xiàn)智慧零售。在此背景下,本文對(duì)如何精準(zhǔn)地預(yù)測(cè)線下商家的客流量(即到店并發(fā)生消費(fèi)的客流量,下文簡(jiǎn)稱客流量)展開了研究。精準(zhǔn)地預(yù)測(cè)客流量可以幫助商家實(shí)行更好的運(yùn)營(yíng)服務(wù),在進(jìn)貨以及倉(cāng)儲(chǔ)等方面也能給商家提供更有效的建議,從而降低商家的成本,改善用戶的體驗(yàn)。在現(xiàn)有的相關(guān)研究中,研究者主要著眼于對(duì)商家銷量的預(yù)測(cè),或是對(duì)交通,旅游客流量的預(yù)測(cè)。線下商家的模式以及場(chǎng)景和上述問(wèn)題存在著較大的差別,例如對(duì)電商銷量的預(yù)測(cè)中無(wú)需考慮到天氣因素的影響,線下商家的營(yíng)業(yè)時(shí)間更為固定等等。因此,為了能夠更好地解決線下商家的客流量預(yù)測(cè)問(wèn)題,本文首先對(duì)相關(guān)問(wèn)題展開細(xì)致的調(diào)研,分析了它們的解決方案(時(shí)序分析模型,梯度提升模型,多層神經(jīng)網(wǎng)絡(luò)等等)的適用性與不足。為了克服單個(gè)模型的缺陷,本文引入了集成學(xué)習(xí)的概念,通過(guò)多個(gè)模型的融合來(lái)達(dá)到比單模型更為精確的效果。之后本文針對(duì)現(xiàn)有集成學(xué)習(xí)方法的不足,提出了基于動(dòng)態(tài)權(quán)重的融合模型,相比于單模型以及傳統(tǒng)的融合方法,新的模型不是給每個(gè)模型一個(gè)靜態(tài)的權(quán)重,而是會(huì)根據(jù)其表現(xiàn)在不同樣本上動(dòng)態(tài)賦予其不同的權(quán)重,并且會(huì)使用預(yù)訓(xùn)練的特征重要性評(píng)估模型來(lái)確定每個(gè)特征的權(quán)重,避免了一般融合方法的缺陷,提升了模型的預(yù)測(cè)精度以及魯棒性。最后本文在在阿里巴巴公司提供的真實(shí)數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)分析。實(shí)驗(yàn)首先分析了相應(yīng)場(chǎng)景下的數(shù)據(jù)分布和特點(diǎn)并對(duì)數(shù)據(jù)集進(jìn)行了預(yù)處理,在此基礎(chǔ)上,根據(jù)對(duì)客流量預(yù)測(cè)的認(rèn)知和在實(shí)際應(yīng)用中的特性,提取了多組實(shí)用特征。之后對(duì)所提及的算法以及融合模型進(jìn)行了實(shí)驗(yàn)對(duì)比,通過(guò)對(duì)實(shí)驗(yàn)結(jié)果的充分分析,我們發(fā)現(xiàn)基于動(dòng)態(tài)權(quán)重的融合模型在預(yù)測(cè)精準(zhǔn)度以及魯棒性上均有所提高,從而證明了本模型的有效性,以及本文的實(shí)際應(yīng)用意義。
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：F274;F724.2
【圖文】：

模型泛化誤差之間的關(guān)系圖

圖 3-4 距離隨 取值的變化圖值含有非數(shù)值型特征時(shí)，例如性別是男 距離來(lái)對(duì)這部分特征的距離進(jìn)行verlap Metric，即 HEOM 距離的概念。 = √ ∑

【參考文獻(xiàn)】

相關(guān)期刊論文 前6條

1 羅戎蕾;劉紹華;蘇晨;;基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)服裝銷售預(yù)測(cè)方法[J];北京郵電大學(xué)學(xué)報(bào);2014年04期

2 聞玲;;移動(dòng)平均季節(jié)模型在商品銷售收入預(yù)測(cè)中的應(yīng)用[J];商場(chǎng)現(xiàn)代化;2010年28期

3 焦淑華;夏冰;徐海靜;劉瑩;;BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的MATLAB實(shí)現(xiàn)[J];哈爾濱金融高等�？茖W(xué)校學(xué)報(bào);2009年01期

4 喬忠,王福華,劉巍;經(jīng)常購(gòu)買模型及其參數(shù)的極大似然估計(jì)[J];系統(tǒng)工程;2004年06期

5 劉靜,關(guān)偉;交通流預(yù)測(cè)方法綜述[J];公路交通科技;2004年03期

6 賀國(guó)光,李宇,馬壽峰;基于數(shù)學(xué)模型的短時(shí)交通流預(yù)測(cè)方法探討[J];系統(tǒng)工程理論與實(shí)踐;2000年12期

相關(guān)博士學(xué)位論文 前2條

1 王永明;集成回歸問(wèn)題若干關(guān)鍵技術(shù)研究[D];華東師范大學(xué);2015年

2 陳榮;基于支持向量回歸的旅游短期客流量預(yù)測(cè)模型研究[D];合肥工業(yè)大學(xué);2014年

相關(guān)碩士學(xué)位論文 前6條

1 釗魁;基于卷積神經(jīng)網(wǎng)絡(luò)的電商數(shù)據(jù)深度挖掘[D];浙江大學(xué);2017年

2 葉倩怡;基于Xgboost方法的實(shí)體零售業(yè)銷售額預(yù)測(cè)研究[D];南昌大學(xué);2016年

3 袁磊;基于ARIMA-LSSVM混合模型的股指預(yù)測(cè)研究[D];哈爾濱工業(yè)大學(xué);2015年

4 吳倩;基于關(guān)聯(lián)規(guī)則的零售業(yè)CRM的設(shè)計(jì)和實(shí)現(xiàn)[D];華東師范大學(xué);2011年

5 連曄;基于ARIMA與神經(jīng)網(wǎng)絡(luò)的原油運(yùn)價(jià)指數(shù)研究與預(yù)測(cè)[D];上海交通大學(xué);2010年

6 黃嘉滿;面向零售業(yè)的關(guān)聯(lián)規(guī)則挖掘的研究與實(shí)現(xiàn)[D];上海交通大學(xué);2007年

本文編號(hào)：2728105