本文在大數(shù)據(jù)輔助經(jīng)營(yíng)決策的背景下,建立了基于時(shí)間序列的復(fù)合銷售預(yù)測(cè)模型,即利用隨機(jī)森林算法提純傳統(tǒng)時(shí)間序列模型殘差,得到精度更高的時(shí)間序列預(yù)測(cè)值,為商家市場(chǎng)規(guī)劃、銷售決策和運(yùn)營(yíng)戰(zhàn)略提供數(shù)據(jù)支持。本文利用多維度、多樣本的口碑商家數(shù)據(jù)進(jìn)行實(shí)例驗(yàn)證,分別建立了基于ARMA模型和基于隨機(jī)森林模型的預(yù)測(cè)模型,通過數(shù)據(jù)預(yù)處理、特征提取、降維等一系列特征工程,獲得了較高質(zhì)量的訓(xùn)練數(shù)據(jù)集,并通過對(duì)參數(shù)的不斷調(diào)優(yōu)得到了一個(gè)有較強(qiáng)學(xué)習(xí)能力的模型。最后針對(duì)ARMA模型無法更好地提煉非線性信息,而隨機(jī)森林模型對(duì)非線性信息有較強(qiáng)的學(xué)習(xí)能力的特性,綜合兩者優(yōu)勢(shì),利用隨機(jī)森林優(yōu)化ARIMA預(yù)測(cè)殘差,得到了一個(gè)預(yù)測(cè)能力更強(qiáng)的預(yù)測(cè)模型。同時(shí),通過對(duì)口碑商品銷售數(shù)據(jù)的分析,得到各因素對(duì)客流量的影響力,為店鋪經(jīng)營(yíng)者提供運(yùn)營(yíng)參考。 

【文章來源】：華北電力大學(xué)(北京)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：43 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－２ＡＲＭＡ模型流程圖??諸如ＡＲＭＡ等傳統(tǒng)時(shí)間序列模型有易�。呃斫�、Ｈ依賴歷史數(shù)據(jù)、參數(shù)較少??且含義明確的優(yōu)點(diǎn)，同時(shí)也存在著難以考慮序列間關(guān)聯(lián)、難以應(yīng)用于多個(gè)序列、??難以加入其它特征等缺點(diǎn)

?２０１５／１０／１０?１０：００??上表可知，原始數(shù)據(jù)包括２０００個(gè)商家在４８８天中每…筆流量和瀏覽點(diǎn)擊的??具體時(shí)間以及門店等級(jí)、地理位置等１１個(gè)變量。如圖３－２所示，將上述數(shù)據(jù)進(jìn)??行劃分，將?２０１６．１０．１８－２０１６．１０．２４?的所有數(shù)據(jù)作為訓(xùn)練集，２０１６．１０．２５－２０１６．１０．３１??的數(shù)據(jù)作為測(cè)試集，以此驗(yàn)證模型的預(yù)測(cè)能力。??；崎?ｌａｂｅｌ?＾?Ｉ??２０１５／０７／１－?Ｉ：！?－?２０１６／１０／１８－??２０１６／１０／１７?詞?２０１６／１０／２４?：??丨?ｔｒｕｅ?Ｑ９ｔ９??２０１５／０７／１－?＇?ｉ?■?２０１６／１０／２５－??ｔｒａｍ?２０１６／１０／２４?２０１６／１０／３１??圖３－２劃分?jǐn)?shù)據(jù)集??３．?２探索性數(shù)據(jù)分析??探索性數(shù)據(jù)分析最早是由美國(guó)著名統(tǒng)計(jì)學(xué)家ｋｉｎ?Ｔｕｋｅｙ提出，是指對(duì)已有的??數(shù)據(jù)（特別是調(diào)查或觀察得來的原始數(shù)據(jù)）在盡量少的先驗(yàn)假定下進(jìn)行探索

１０月２５日到１０月３１日分別有６１和３９個(gè)店或某幾家店連續(xù)多天沒有開門，視??預(yù)測(cè)日前一日沒有客流量的商家為暫停營(yíng)業(yè)。??觀察商家的基本的信息，如圖３－３所示，一線發(fā)達(dá)城市的口碑商家較多，也??符合實(shí)際生活中的在線支付情況。而具體地理位置是根據(jù)各商家在城市中所處的??位置進(jìn)行劃分的，是實(shí)際地理位置上的聚類。??ｃｉｔｙ?ｌｏｃａｔｉｏｎ＿ｉｄ?一??ｉ?上海．２８５?，，??乃０北京．１６３杭＾３?ｊ???２〇??２〇〇?１?Ｃ?Ｉ?蘇州．６６??廣州．１３６?南京，１３０?Ｉ?－武漢．１２４?１５??１００?Ｊ?深圳’ｒ溫州．６７?１０?Ｉ?－??５０?｜?Ｉ?！?Ｊ?＾?ｉｌｌ?Ｊ???丨．丨?｜??〇?丨丨＇ｉｉ丨丨．丄．丨?ｎ．ｉ?Ｉ?山丨＿?．．＋．丨?ｈ?Ｊｕｌｉ??避舔彐姊至宏丟興ｓｓ甩ｃｓ宏堅(jiān)至跑鸞ｗｗ系?０??ｔ－Ｈｒｓｊｍ＾ＴＬｎｖＤ〇ｏｃｒ＞〇??圖３－３地理分布圖??如圖３－４所示，觀察商家的分類特征，第一級(jí)分類中有接近四分之三的樣本??都屬于“美食”類商品，其余基本都是“超市便利店”類的店鋪，只有少數(shù)一兩??個(gè)店家是“購物”、“美發(fā)／美容／美甲”和“休閑娛樂”類型的，故而質(zhì)疑此特征??在本次模型中的影響力不夠，還需后續(xù)進(jìn)一步分析。而在美食類和購物類中，又??細(xì)分為“快餐”、“休閑茶飲”、“小吃”、“休閑食品”和“超市”等１７類

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)加權(quán)移動(dòng)平均法的服裝銷售預(yù)測(cè)[J]. 陳銀光,于守健.  智能計(jì)算機(jī)與應(yīng)用. 2018(06)
[2]基于季節(jié)調(diào)整和回歸分析法的月售電量預(yù)測(cè)方法研究[J]. 莊劍,李凱,劉展展,程霄.  經(jīng)濟(jì)研究導(dǎo)刊. 2018(19)
[3]基于ARIMA-SVR的水文時(shí)間序列異常值檢測(cè)[J]. 孫建樹,婁淵勝,陳�？�.  計(jì)算機(jī)與數(shù)字工程. 2018(02)
[4]基于Bagging策略的XGBoost算法在商品購買預(yù)測(cè)中的應(yīng)用[J]. 謝冬青,周成驥.  現(xiàn)代信息科技. 2017(06)
[5]基于時(shí)間序列預(yù)測(cè)的股票交易決策建議系統(tǒng)[J]. 蔣倩儀.  計(jì)算機(jī)應(yīng)用與軟件. 2017(04)
[6]基于特征矩陣的多元時(shí)間序列最小距離度量方法[J]. 李海林,郭韌,萬�；�.  智能系統(tǒng)學(xué)報(bào). 2015(03)
[7]基于ARMA和BPAdaBoost的組合銷售預(yù)測(cè)模型研究[J]. 閆博,周在金,李國(guó)和,齊佳.  計(jì)算機(jī)與現(xiàn)代化. 2015(02)
[8]基于SVR-ARMA組合模型的日旅游需求預(yù)測(cè)[J]. 梁昌勇,馬銀超,陳榮,梁焱.  管理工程學(xué)報(bào). 2015(01)
[9]基于變量相關(guān)性的多元時(shí)間序列特征表示[J]. 李海林.  控制與決策. 2015(03)
[10]BP神經(jīng)網(wǎng)絡(luò)在備貨型企業(yè)銷售預(yù)測(cè)中的應(yīng)用[J]. 吳正佳,王文,周進(jìn).  工業(yè)工程. 2010(01)

碩士論文
[1]基于機(jī)器學(xué)習(xí)的時(shí)間序列預(yù)測(cè)關(guān)鍵技術(shù)研究[D]. 朱成璋.國(guó)防科學(xué)技術(shù)大學(xué) 2014
[2]基于數(shù)據(jù)挖掘的房地產(chǎn)價(jià)格分析預(yù)測(cè)研究[D]. 楊剛.南昌大學(xué) 2014
[3]探索性數(shù)據(jù)分析方法及應(yīng)用[D]. 孫麗君.東北財(cái)經(jīng)大學(xué) 2005



本文編號(hào)：2996857