在當(dāng)今互聯(lián)網(wǎng)快速發(fā)展的時(shí)代背景下,線下支付、電子商務(wù)、O2O、社交媒體等行業(yè)都在不斷的崛起,智能手機(jī)在其中起著至關(guān)重要的作用,也越來越多的影響和改變著人們的生活和工作,逐漸成為一個(gè)人手必備的大眾消費(fèi)產(chǎn)品。由于電子商務(wù)行業(yè)的迅猛發(fā)展,人們的購(gòu)物方式也發(fā)生了重大的變化,從傳統(tǒng)的線下購(gòu)買逐漸轉(zhuǎn)變?yōu)槿缃竦木�上購(gòu)買,為手機(jī)市場(chǎng)開辟了新的銷售渠道。從電商的角度出發(fā),手機(jī)的銷量問題極大地影響著經(jīng)營(yíng)的收益、商品庫存量的確定以及營(yíng)銷方案的制定。如果能夠通過建立模型較好地預(yù)測(cè)各種型號(hào)的手機(jī)銷售量,電商可以確定合理的庫存量以實(shí)現(xiàn)收益最大化,并且可以及時(shí)獲取用戶需求,把握商品未來的市場(chǎng)趨勢(shì),也便于顧客在各種類型的商品中進(jìn)行挑選和購(gòu)買。近年來,數(shù)據(jù)挖掘算法和機(jī)器學(xué)習(xí)技術(shù)不斷成熟,逐漸得到了廣泛的應(yīng)用。決策樹、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（SVM）等方法不同于傳統(tǒng)的線性回歸模型,不需要滿足對(duì)數(shù)據(jù)分布的假定,預(yù)測(cè)效果也比較理想,所以逐漸被應(yīng)用在統(tǒng)計(jì)預(yù)測(cè)模型中。由于在手機(jī)銷量預(yù)測(cè)模型中,需要考慮到的影響因素眾多,模型可能會(huì)較為復(fù)雜,因此本文將利用數(shù)據(jù)挖掘方法進(jìn)行建模分析。論文基于網(wǎng)絡(luò)抓取方法從某電子商務(wù)網(wǎng)站收集了3... 

【文章來源】：北京工業(yè)大學(xué)北京市 211工程院校

【文章頁數(shù)】：55 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

手機(jī)網(wǎng)民規(guī)模及其占網(wǎng)民比例Fig1-1Thescaleofmobilenetizensandtheirproportiontonetizens

圖 1-2 2018 年主要品牌手機(jī)銷量及占比Fig 1-2 Sales and proportion of mobile phones of major brands in 2018著互聯(lián)網(wǎng)行業(yè)的快速成長(zhǎng)以及快遞行業(yè)的不斷發(fā)展，人們的購(gòu)物方一些變化，由于近幾年中國(guó)電商發(fā)展非常迅猛，淘寶、天貓、京東都是比較知名的網(wǎng)上商城，越來越多的消費(fèi)者不再?gòu)膫鹘y(tǒng)的實(shí)體店是在網(wǎng)上商店挑選和購(gòu)買商品。通過對(duì)手機(jī)消費(fèi)者網(wǎng)購(gòu)銷量的研響消費(fèi)者網(wǎng)購(gòu)手機(jī)行為的重要因素，不僅能夠獲取消費(fèi)者的手機(jī)購(gòu)能為企業(yè)的網(wǎng)上營(yíng)銷方式提供一些新思路，從而制定出具有參考性不斷提高企業(yè)營(yíng)銷質(zhì)量。在當(dāng)今趨于飽和的手機(jī)市場(chǎng)中，能夠牢牢，并且擁有自身的獨(dú)特營(yíng)銷模式的企業(yè)顯然更具有競(jìng)爭(zhēng)優(yōu)勢(shì)。一方面，如果能夠通過建立模型較好地預(yù)測(cè)各種型號(hào)的手機(jī)銷售考結(jié)果確定合理的庫存量以實(shí)現(xiàn)收益最大化，并且可以及時(shí)獲取用品未來的市場(chǎng)趨勢(shì)，也便于顧客在琳瑯滿目的商品中進(jìn)行挑選和手機(jī)銷售數(shù)據(jù)進(jìn)行建模分析和預(yù)測(cè)是具有實(shí)際意義的。

i i )即為核函數(shù)，它和常數(shù) C 共同影響著對(duì)偶問題的求解結(jié)果 f ( x )為：*1( ) ( )( ( ), ( ))ni i iif x a a X X b 絡(luò)絡(luò)簡(jiǎn)介網(wǎng)絡(luò)（Artificial Neural Network，ANN）技術(shù)從誕生起，極大的推崇。它是一種仿照生物神經(jīng)系統(tǒng)的行為特征的信網(wǎng)絡(luò)的基本構(gòu)成單元是節(jié)點(diǎn)，一般包含數(shù)個(gè)輸入值和單個(gè)神經(jīng)網(wǎng)絡(luò)模型是感知器[24]，圖 2-1 是含有三個(gè)輸入節(jié)點(diǎn)和結(jié)構(gòu)示意圖。

【參考文獻(xiàn)】：
期刊論文
[1]基于SVR的隱形眼鏡銷量預(yù)測(cè)方法[J]. 徐時(shí)偉.  溫州職業(yè)技術(shù)學(xué)院學(xué)報(bào). 2018(03)
[2]基于網(wǎng)絡(luò)搜索數(shù)據(jù)的品牌汽車銷量預(yù)測(cè)研究[J]. 謝天保,崔田.  信息技術(shù)與網(wǎng)絡(luò)安全. 2018(08)
[3]基于指數(shù)平滑與回歸分析的手機(jī)銷量預(yù)測(cè)研究[J]. 孫威,代明君.  牡丹江師范學(xué)院學(xué)報(bào)(自然科學(xué)版). 2017(04)
[4]Lasso法在我國(guó)農(nóng)業(yè)用水效率模型的應(yīng)用研究[J]. 卞錦宇,耿雷華,劉恒,楊曉華.  灌溉排水學(xué)報(bào). 2015(05)
[5]基于人工神經(jīng)網(wǎng)絡(luò)的波浪發(fā)電系統(tǒng)輸出功率預(yù)測(cè)[J]. 霍政界.  電子測(cè)試. 2014(08)
[6]基于Lasso方法的上海經(jīng)濟(jì)增長(zhǎng)影響因素實(shí)證研究[J]. 鐘金花.  統(tǒng)計(jì)與決策. 2013(01)
[7]Matlab神經(jīng)網(wǎng)絡(luò)工具NNTool的應(yīng)用與仿真[J]. 唐忠,謝濤.  計(jì)算機(jī)與現(xiàn)代化. 2012(12)
[8]基于隨機(jī)森林的特征選擇算法[J]. 姚登舉,楊靜,詹曉娟.  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2014(01)
[9]基于Levenberg-Marquardt算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的卷煙銷量預(yù)測(cè)模型研究[J]. 蔣興恒,朱素蓉.  中國(guó)煙草學(xué)報(bào). 2011(05)
[10]基于RBF神經(jīng)網(wǎng)絡(luò)的銷售預(yù)測(cè)模型的研究與應(yīng)用[J]. 華琇,陳繼紅.  南通大學(xué)學(xué)報(bào)報(bào)(自然科學(xué)版). 2004(04)

碩士論文
[1]基于網(wǎng)絡(luò)搜索數(shù)據(jù)的游客量預(yù)測(cè)模型研究[D]. 趙萌.西安理工大學(xué) 2018
[2]基于數(shù)據(jù)挖掘的超市商品銷量預(yù)測(cè)[D]. 姜艷梅.青島大學(xué) 2018
[3]手機(jī)銷量影響因素分析及預(yù)測(cè)研究[D]. 唐楚.湖南大學(xué) 2017
[4]基于隨機(jī)森林兩階段逐步變量選擇算法的研究及應(yīng)用[D]. 馮盼峰.福建農(nóng)林大學(xué) 2016
[5]基于自適應(yīng)LASSO變量選擇的Logistic信用評(píng)分模型研究[D]. 羅昊.東南大學(xué) 2016
[6]基于BP神經(jīng)網(wǎng)絡(luò)的我國(guó)汽車銷量預(yù)測(cè)分析[D]. 王旭天.東華大學(xué) 2016
[7]BP人工神經(jīng)網(wǎng)絡(luò)在結(jié)核病防治中的應(yīng)用研究[D]. 岳勇.重慶醫(yī)科大學(xué) 2006



本文編號(hào)：3029602