隨著體驗(yàn)式購(gòu)物的不斷興起,零售業(yè)正在以各種形式迎來(lái)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(gòu)物中心——進(jìn)行研究。本文以某購(gòu)物中心的銷售時(shí)間序列數(shù)據(jù)作為研究對(duì)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(shí)間序列分析與預(yù)測(cè)的模型。針對(duì)購(gòu)物中心最關(guān)心的兩個(gè)時(shí)間序列預(yù)測(cè)問(wèn)題:銷售額與銷售頻次,作出科學(xué)的分析與預(yù)測(cè)。主要針對(duì)時(shí)間序列預(yù)測(cè)算法及特征選擇進(jìn)行研究。首先,在特征選擇方面,采用面向零售業(yè)時(shí)間序列的基于相關(guān)-互補(bǔ)-冗余特征選擇模型。引入特征間的互補(bǔ)性,可以增強(qiáng)了特征子集的整體表現(xiàn)力。通過(guò)實(shí)驗(yàn)表明,該模型選取的特征在不同預(yù)測(cè)算法中,均比基線特征提取模型有較好的預(yù)測(cè)精度,相關(guān)指標(biāo)優(yōu)化3%以上其次,在零售業(yè)時(shí)間序列預(yù)測(cè)方面,采用面向零售業(yè)時(shí)間序列的基于EMD與深度學(xué)習(xí)預(yù)測(cè)模型。該模型采用EMD分解算法將零售業(yè)時(shí)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(duì)性地進(jìn)行建模預(yù)測(cè)。采用GRU以及MLP模型構(gòu)建子預(yù)測(cè)模型,將子預(yù)測(cè)結(jié)果進(jìn)行組合得到最終的預(yù)測(cè)結(jié)果。該預(yù)測(cè)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(duì)模型進(jìn)行了效率優(yōu)化,通過(guò)對(duì)分解的子序列進(jìn)行重組,簡(jiǎn)化為兩組子序列,趨勢(shì)序列與短時(shí)波動(dòng)序列。實(shí)驗(yàn)表明,通過(guò)對(duì)這兩組序列進(jìn)行建模研究可以在損失不足1%精度的代價(jià)下,明顯提升計(jì)算效率。
【學(xué)位單位】：北京郵電大學(xué)
【學(xué)位級(jí)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(xiàn)逡逑針對(duì)研宄內(nèi)容，對(duì)具體的零售業(yè)時(shí)間序列問(wèn)題進(jìn)行分析，本文構(gòu)建了一個(gè)適逡逑用于零售業(yè)時(shí)間序列預(yù)測(cè)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(duì)應(yīng)第三章內(nèi)容，算法模型方面對(duì)應(yīng)第四章內(nèi)容，系統(tǒng)實(shí)現(xiàn)方面對(duì)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(wèn)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(cè)算法逡逑感知機(jī)（ＭＬＰ）逡逑機(jī)［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(jìn)行類以及回歸問(wèn)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(mén)（Ｇａｔｅｓ）的結(jié)構(gòu)，主要的門(mén)結(jié)構(gòu)由遺忘門(mén)，輸入門(mén)、輸出門(mén)逡逑組成。逡逑遺忘門(mén)，顧名思義這個(gè)門(mén)是決定子單元該丟棄什么信息的一個(gè)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(xiàn)】

相關(guān)期刊論文 前10條

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

2 聶皖生;時(shí)間序列預(yù)測(cè)的權(quán)數(shù)理論[J];統(tǒng)計(jì)與預(yù)測(cè);1994年05期

3 張志鵬;王偉平;鄭海超;;卡爾曼濾波及其在時(shí)間序列預(yù)測(cè)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(shí)間序列預(yù)測(cè)中的應(yīng)用[J];遼寧工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年05期

5 朱丹;;“時(shí)間序列預(yù)測(cè)”教學(xué)探討[J];中山大學(xué)學(xué)報(bào)論叢;2005年06期

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

7 王鴻緒;陳德廣;過(guò)建春;金海龍;;基于逆模糊數(shù)的模糊時(shí)間序列預(yù)測(cè)的新方法[J];數(shù)學(xué)的實(shí)踐與認(rèn)識(shí);2015年07期

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

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

10 楊鐘瑾;;核函數(shù)支持向量機(jī)的時(shí)間序列預(yù)測(cè)應(yīng)用研究[J];消費(fèi)導(dǎo)刊;2008年10期

相關(guān)會(huì)議論文 前10條

1 尤華;王建東;;機(jī)場(chǎng)噪聲的時(shí)間序列預(yù)測(cè)[A];2011年通信與信息技術(shù)新進(jìn)展——第八屆中國(guó)通信學(xué)會(huì)學(xué)術(shù)年會(huì)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(dá)式編程和時(shí)變強(qiáng)度的時(shí)間序列預(yù)測(cè)[A];第二十二屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2005年

3 王亮;鐘登華;葛曉冬;;預(yù)測(cè)方法綜述[A];全國(guó)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(shí)間序列預(yù)測(cè)——基于數(shù)據(jù)結(jié)構(gòu)的預(yù)測(cè)方法[A];全國(guó)第一屆嵌入式技術(shù)聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2006年

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

6 王昭旭;郝曉辰;郭f萬(wàn)

本文編號(hào)：2826633