隨著“互聯(lián)網(wǎng)+”的不斷發(fā)展,人們的多種生活方式也隨之發(fā)生了巨大的改變,“懶人經(jīng)濟(jì)”成為了一種經(jīng)濟(jì)現(xiàn)象。互聯(lián)網(wǎng)與餐飲業(yè)的結(jié)合使點(diǎn)外賣(mài)變成了人們的一種主流生活方式。通過(guò)對(duì)區(qū)域內(nèi)未發(fā)生的外賣(mài)訂單需求進(jìn)行預(yù)測(cè),在訂單未發(fā)生前完成騎手調(diào)度,促使外賣(mài)平臺(tái)配送系統(tǒng)智能調(diào)度成為現(xiàn)實(shí),能夠有效提升外賣(mài)平臺(tái)的配送時(shí)效,提高外賣(mài)平臺(tái)的競(jìng)爭(zhēng)力。針對(duì)上述問(wèn)題,本文提出了一種基于GBDT算法的區(qū)域外賣(mài)訂單需求預(yù)測(cè)模型,模型能夠?qū)Ω魃倘^(qū)域未來(lái)一小時(shí)內(nèi)訂單需求進(jìn)行有效預(yù)測(cè),為外賣(mài)平臺(tái)的配送系統(tǒng)智能調(diào)度提供依據(jù)。論文的主要內(nèi)容包括以下幾個(gè)部分:（1）介紹了研究所涉及的理論知識(shí)。包括需求預(yù)測(cè)、特征選擇的相關(guān)概念、步驟等,并對(duì)GBDT（梯度提升決策樹(shù),Gradient Boosting Decision Tree）算法理論進(jìn)行了詳細(xì)闡述。（2）區(qū)域外賣(mài)訂單需求預(yù)測(cè)模型的構(gòu)建。首先對(duì)原始數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理,并使用遞歸特征消除法與交叉驗(yàn)證相結(jié)合的方式對(duì)區(qū)域外賣(mài)訂單需求預(yù)測(cè)相關(guān)的特征進(jìn)行選擇,為后續(xù)模型的訓(xùn)練進(jìn)行數(shù)據(jù)準(zhǔn)備。為了提高模型的表現(xiàn),參數(shù)的調(diào)整十分必要,人工調(diào)參工作量大且主觀性強(qiáng)、容易有遺漏,明顯不是最佳選擇,為此引入... 

【文章來(lái)源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖３．?１模型構(gòu)建流程圖??Ｆｉｇ．?３．１?Ｍｏｄｅｌ?ｂｕｉｌｄｉｎｇ?ｐｒｏｃｅｓｓ??

基于ＧＢＤＴ算法的區(qū)域外賣(mài)訂單需求預(yù)測(cè)??接下來(lái)分析不同日期各商圈外賣(mài)訂單需求量的變化，通過(guò)圖３．３可以看出，雖然不??同日期的日均訂單總量的波動(dòng)不明顯，但是各商圈都存在后半個(gè)月的日均訂單總量整體??稍高于前半個(gè)月的情況，因此保留日期特征。??Ｊ??錦繡小區(qū)商圈?＿Ｂ＿理工商圈?—西安路商圈?軟件園商圈??日均訂單總最??１４００?－１??１２００?－?產(chǎn)??１０００?－??８００?－??６。°．??２００?－??＃?Ｉ?????Ｉ?寒寒?》－？摩??０?ＩＩＩ?Ｉ＂?＂１＂?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?！?Ｉ?Ｉ?Ｉ?（?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ??１２３４５６７８９?１０１１１２?１３１４１５１６１７１８１９?２０?２１２２?２３?２４?２５?２６?２７?２８?２９?３０?３１??圖３．３日期特征對(duì)區(qū)域外賣(mài)訂單量的影響??Ｆｉｇ．?３．３?Ｔｈｅ?Ｉｎｆｌｕｅｎｃｅ?ｏｆ?ｄａｔｅ?ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ?ｏｎ?ｒｅｇｉｏｎａｌ?ｔａｋｅ?ｏｕｔ?ｏｒｄｅｒｓ??對(duì)各商圈一天中不同時(shí)刻的訂單量變化情況進(jìn)行統(tǒng)計(jì)分析，從圖３．４可以看出，不??同的商圈在一天當(dāng)中外賣(mài)訂單需求數(shù)量變化均存在明顯的兩個(gè)高峰：午高峰??（１１：００－１２：００）和晚髙峰（１７：?００－１８：００），說(shuō)明外賣(mài)訂單需求量的變化會(huì)受到時(shí)段特??征的影響。??？３２－??

大連海事大學(xué)碩士學(xué)位論文??錦繡小區(qū)商圈?＿？－理工商圈?西安路商圈?一Ｈ－軟件園商圈??３００?ｎ??２５０?－??ｉ：?Ａａ．??ｕ?！?／■？ｖ?ｉ?ｉｒｘ?ｉ?ｉＷＴｒ＾ｒ＇?ｖ?！?ｉ?ｉ?—ｉ?▼?ｉ?—?—Ｉ?Ｉ?Ｉ?ｉ??０?１?２?３?４?５?６?７?８?９?１０?１１?１２?１３?１４?１５?１６?１７?１８?１９?２０?２１?２２?２３??圖３．４各商圈日均每小時(shí)訂單量變化情況??Ｆｉｇ．?３?．４?Ｔｈｅ?ｃｈａｎｇｅ?ｏｆ?ｏｒｄｅｒｓ?ｐｅｒ?ｈｏｕｒ?ｐｅｒ?ｄａｙ?ｉｎ?ｅａｃｈ?ｂｕｓｉｎｅｓｓ?ｄｉｓｔｒｉｃｔ??｜??除了簡(jiǎn)單的將時(shí)間切片為年、月、日、小時(shí)外，還可以將季節(jié)、是否為節(jié)假日作為??時(shí)間特征進(jìn)行分析。??分析季節(jié)特征對(duì)各商圈外賣(mài)訂單需求量的影響，從圖３．５可以看出，各個(gè)商圈的外??賣(mài)訂單總量各季節(jié)存在差異，并且隨季節(jié)變化的趨勢(shì)不盡相同。錦繡小區(qū)商圈和西安路??商圈的變化趨勢(shì)大體相同，均在夏季訂單量最多，而理工商圈秋季訂單量最高，軟件園??商圈則是春季外賣(mài)訂單量最高。西安路商圈和理工商圈夏、秋兩季的訂單量明顯高于其??他兩個(gè)季度。此外各商圈的冬季外賣(mài)訂單總量相較于其他季節(jié)均為最低，外賣(mài)從店鋪送??到顧客手中需要一定的時(shí)間，并且在天氣惡劣的時(shí)候需要的時(shí)間可能更長(zhǎng)，寒冷的天氣??會(huì)導(dǎo)致經(jīng)過(guò)配送的外賣(mài)變涼，口感變差，人們更愿意就近堂食，以此來(lái)看數(shù)據(jù)變化趨勢(shì)??符合情理。??－３３－??

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的銷(xiāo)售預(yù)測(cè)模型[J]. 圣文順,趙翰馳,孫艷文.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(12)
[2]特征選擇方法綜述[J]. 李郅琴,杜建強(qiáng),聶斌,熊旺平,黃燦奕,李歡.  計(jì)算機(jī)工程與應(yīng)用. 2019(24)
[3]基于無(wú)偏灰色PSOMarkov優(yōu)化模型的加油站便利店零售銷(xiāo)量預(yù)測(cè)方法研究[J]. 楊光,汪長(zhǎng)波,黃滌,王金燕,劉海明.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2019(20)
[4]一種基于Gradient Boosting的公交車(chē)運(yùn)行時(shí)長(zhǎng)預(yù)測(cè)方法[J]. 賴永炫,楊旭,曹琦,曹輝彬,王田,楊帆.  大數(shù)據(jù). 2019(05)
[5]不平衡數(shù)據(jù)分類研究及在疾病診斷中的應(yīng)用[J]. 張濤.  黃河科技學(xué)院學(xué)報(bào). 2019(05)
[6]基于GBDT的實(shí)時(shí)洪水預(yù)報(bào)誤差校正方法[J]. 姚超宇,鐘平安,徐斌,王凱,高益輝,李昆朋.  水電能源科學(xué). 2019(08)
[7]基于多元統(tǒng)計(jì)對(duì)嬰幼兒奶粉銷(xiāo)售的計(jì)量分析[J]. 季娜,閆云俠.  內(nèi)蒙古工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(04)
[8]基于主成分和GBDT對(duì)血糖值的預(yù)測(cè)[J]. 龔誼承,都承華,張艷娜,余力.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2019(14)
[9]梯度提升決策樹(shù)在雷達(dá)定量降水估測(cè)中的應(yīng)用研究[J]. 陳訓(xùn)來(lái),陳元昭,趙春陽(yáng),張珂.  氣象科技進(jìn)展. 2019(03)
[10]外賣(mài)O2O需求預(yù)測(cè)及高效益推薦研究[J]. 錢(qián)程,劉明,李亞鵬.  福建電腦. 2019(05)

碩士論文
[1]基于統(tǒng)計(jì)學(xué)習(xí)方法的空氣質(zhì)量評(píng)價(jià)與分類[D]. 郭紹征.山西大學(xué) 2019
[2]基于神經(jīng)網(wǎng)絡(luò)和時(shí)間序列的汽車(chē)銷(xiāo)量預(yù)測(cè)研究[D]. 劉永恒.南昌大學(xué) 2019
[3]基于神經(jīng)網(wǎng)絡(luò)的高鐵餐售預(yù)測(cè)管理系統(tǒng)研究[D]. 李彥昆.中國(guó)鐵道科學(xué)研究院 2019
[4]基于SARIMA和BP神經(jīng)網(wǎng)絡(luò)的新能源汽車(chē)銷(xiāo)售預(yù)測(cè)[D]. 白一凡.湘潭大學(xué) 2019
[5]基于機(jī)器學(xué)習(xí)的共享單車(chē)需求量預(yù)測(cè)模型研究[D]. 王立.長(zhǎng)安大學(xué) 2019
[6]基于集成學(xué)習(xí)模型在店鋪消費(fèi)人數(shù)預(yù)測(cè)的應(yīng)用研究[D]. 彭鈺.上海師范大學(xué) 2018
[7]基于深度學(xué)習(xí)的餐飲外賣(mài)訂單預(yù)測(cè)模型[D]. 李凱.大連理工大學(xué) 2018
[8]基于Gradient Boosting算法的海量健康數(shù)據(jù)挖掘研究與應(yīng)用[D]. 劉玉堯.北京郵電大學(xué) 2017
[9]社交數(shù)據(jù)驅(qū)動(dòng)的P2P借貸風(fēng)險(xiǎn)評(píng)估模型[D]. 王磊.浙江大學(xué) 2017
[10]餐飲業(yè)菜品銷(xiāo)售量預(yù)測(cè)研究[D]. 柴軍.東北師范大學(xué) 2016



本文編號(hào)：3281704