隨著體驗式購物的不斷興起,零售業(yè)正在以各種形式迎來它的新生。零售業(yè)具體表現(xiàn)出的商業(yè)模式有很多種,本文選取它最經(jīng)典的一種表現(xiàn)形式——購物中心——進行研究。本文以某購物中心的銷售時間序列數(shù)據(jù)作為研究對象,分析各種可能影響零售業(yè)銷售行為的影響因素,構(gòu)建合適的特征工程,構(gòu)建合適的時間序列分析與預(yù)測的模型。針對購物中心最關(guān)心的兩個時間序列預(yù)測問題:銷售額與銷售頻次,作出科學(xué)的分析與預(yù)測。主要針對時間序列預(yù)測算法及特征選擇進行研究。首先,在特征選擇方面,采用面向零售業(yè)時間序列的基于相關(guān)-互補-冗余特征選擇模型。引入特征間的互補性,可以增強了特征子集的整體表現(xiàn)力。通過實驗表明,該模型選取的特征在不同預(yù)測算法中,均比基線特征提取模型有較好的預(yù)測精度,相關(guān)指標(biāo)優(yōu)化3%以上其次,在零售業(yè)時間序列預(yù)測方面,采用面向零售業(yè)時間序列的基于EMD與深度學(xué)習(xí)預(yù)測模型。該模型采用EMD分解算法將零售業(yè)時間序列分解成含有不同信息分量的子序列,挖掘子序列的局部特性,從而針對性地進行建模預(yù)測。采用GRU以及MLP模型構(gòu)建子預(yù)測模型,將子預(yù)測結(jié)果進行組合得到最終的預(yù)測結(jié)果。該預(yù)測模型的RMSE指標(biāo)優(yōu)化5%以上,MAE指標(biāo)優(yōu)化1.5%以上。此外,對模型進行了效率優(yōu)化,通過對分解的子序列進行重組,簡化為兩組子序列,趨勢序列與短時波動序列。實驗表明,通過對這兩組序列進行建模研究可以在損失不足1%精度的代價下,明顯提升計算效率。
【學(xué)位單位】：北京郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：F713.32;TP18
【部分圖文】：

１．４．２本文的貢獻逡逑針對研宄內(nèi)容，對具體的零售業(yè)時間序列問題進行分析，本文構(gòu)建了一個適逡逑用于零售業(yè)時間序列預(yù)測任務(wù)的整體解決方案，其模型如圖１－１所示。其中，特逡逑征工程部分對應(yīng)第三章內(nèi)容，算法模型方面對應(yīng)第四章內(nèi)容，系統(tǒng)實現(xiàn)方面對應(yīng)逡逑第五章內(nèi)容。逡逑５逡逑

函數(shù)：＝邋Ｏｑ邋＊勺＋邋ｌ）Ｒ模型解決回歸問題可以較為容易地解決復(fù)雜的非線，發(fā)現(xiàn)ＳＶＲ調(diào)參較為困難，并且當(dāng)輸入數(shù)據(jù)有各種很大的影響。逡逑網(wǎng)絡(luò)的預(yù)測算法逡逑感知機（ＭＬＰ）逡逑機［３ｌ］－［：＞３］邋（Ｍｕｌｔｉ－Ｌａｙｅｒ邋Ｐｅｒｃｅｐｔｒｏｎ，ＭＬＰ）也被稱為ｅｕｒａｌ邋Ｎｅｔｗｏｒｋ，ＡＮＮ），這是基于生物的神經(jīng)網(wǎng)絡(luò)進行類以及回歸問題的模型，可以擬合很復(fù)雜的非線形系ＭＬＰ結(jié)構(gòu)是由三層組成，如圖２－１所示，分別為輸隱藏層的神經(jīng)元是與輸入層的神經(jīng)元全連接的，所以邋Ｗ邋＼＾為權(quán)重，匕為偏置，／0函數(shù)被稱為激活函ｍｏｉｄ、ｔａｎ／ｉ函數(shù)等。最后隱藏層到輸出層之間更像常使用ｓｏ／ｔｍａｘ函數(shù)。逡逑

ｘｔ逡逑圖２－２邋ＬＳＴＭ模型子單元圖逡逑ＬＳＴＭ子單元圖２－２所示，其結(jié)構(gòu)明顯比ＲＮＮ的單元結(jié)構(gòu)更加復(fù)雜，在ＬＳＴＭ逡逑中有一種被稱為門（Ｇａｔｅｓ）的結(jié)構(gòu)，主要的門結(jié)構(gòu)由遺忘門，輸入門、輸出門逡逑組成。逡逑遺忘門，顧名思義這個門是決定子單元該丟棄什么信息的一個結(jié)構(gòu)，函數(shù)表逡逑示為（２－１３）：逡逑ｆｔ邋＝邋ａ（Ｗｆ邋＊邋ｘｔ］邋＋邋ｂｆ）邐（２邋－邋１３）逡逑１４逡逑

【相似文獻】

相關(guān)期刊論文 前10條

1 何蕭玲;時間序列預(yù)測的一個前饋神經(jīng)網(wǎng)絡(luò)模型[J];福州大學(xué)學(xué)報(自然科學(xué)版);2001年04期

2 聶皖生;時間序列預(yù)測的權(quán)數(shù)理論[J];統(tǒng)計與預(yù)測;1994年05期

3 張志鵬;王偉平;鄭海超;;卡爾曼濾波及其在時間序列預(yù)測中的應(yīng)用[J];儀表技術(shù);2010年07期

4 江勝菊;王濤;;一型模糊邏輯系統(tǒng)在時間序列預(yù)測中的應(yīng)用[J];遼寧工業(yè)大學(xué)學(xué)報(自然科學(xué)版);2012年05期

5 朱丹;;“時間序列預(yù)測”教學(xué)探討[J];中山大學(xué)學(xué)報論叢;2005年06期

6 孫延風(fēng),梁艷春,姜靜清,吳春國;金融時間序列預(yù)測中的神經(jīng)網(wǎng)絡(luò)方法[J];吉林大學(xué)學(xué)報(信息科學(xué)版);2004年01期

7 王鴻緒;陳德廣;過建春;金海龍;;基于逆模糊數(shù)的模糊時間序列預(yù)測的新方法[J];數(shù)學(xué)的實踐與認識;2015年07期

8 楊月英;馬萍;;基于灰色時間序列預(yù)測中國汽車銷量[J];湖州職業(yè)技術(shù)學(xué)院學(xué)報;2012年01期

9 吳江;李太勇;;基于加權(quán)支持向量機的金融時間序列預(yù)測[J];商業(yè)研究;2010年01期

10 楊鐘瑾;;核函數(shù)支持向量機的時間序列預(yù)測應(yīng)用研究[J];消費導(dǎo)刊;2008年10期

相關(guān)會議論文 前10條

1 尤華;王建東;;機場噪聲的時間序列預(yù)測[A];2011年通信與信息技術(shù)新進展——第八屆中國通信學(xué)會學(xué)術(shù)年會論文集[C];2011年

2 陳宇;唐常杰;鐘義嘯;段磊;喬少杰;普東航;;基于基因表達式編程和時變強度的時間序列預(yù)測[A];第二十二屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2005年

3 王亮;鐘登華;葛曉冬;;預(yù)測方法綜述[A];全國青年管理科學(xué)與系統(tǒng)科學(xué)論文集（第1卷）[C];1991年

4 程乾生;;非線性時間序列預(yù)測——基于數(shù)據(jù)結(jié)構(gòu)的預(yù)測方法[A];全國第一屆嵌入式技術(shù)聯(lián)合學(xué)術(shù)會議論文集[C];2006年

5 劉經(jīng)緯;王普;劉蘇;楊蕾;;時間序列預(yù)測小波神經(jīng)網(wǎng)絡(luò)控制方法研究[A];第26屆中國控制與決策會議論文集[C];2014年

6 王昭旭;郝曉辰;郭f萬

本文編號：2826633