【摘要】：零售業(yè)的轉(zhuǎn)型與升級是近年來市場重點關注的領域,伴隨著大數(shù)據(jù)以及機器學習領域的不斷發(fā)展,使我們有可能將這兩個行業(yè)進行結合,實現(xiàn)智慧零售。在此背景下,本文對如何精準地預測線下商家的客流量(即到店并發(fā)生消費的客流量,下文簡稱客流量)展開了研究。精準地預測客流量可以幫助商家實行更好的運營服務,在進貨以及倉儲等方面也能給商家提供更有效的建議,從而降低商家的成本,改善用戶的體驗。在現(xiàn)有的相關研究中,研究者主要著眼于對商家銷量的預測,或是對交通,旅游客流量的預測。線下商家的模式以及場景和上述問題存在著較大的差別,例如對電商銷量的預測中無需考慮到天氣因素的影響,線下商家的營業(yè)時間更為固定等等。因此,為了能夠更好地解決線下商家的客流量預測問題,本文首先對相關問題展開細致的調(diào)研,分析了它們的解決方案(時序分析模型,梯度提升模型,多層神經(jīng)網(wǎng)絡等等)的適用性與不足。為了克服單個模型的缺陷,本文引入了集成學習的概念,通過多個模型的融合來達到比單模型更為精確的效果。之后本文針對現(xiàn)有集成學習方法的不足,提出了基于動態(tài)權重的融合模型,相比于單模型以及傳統(tǒng)的融合方法,新的模型不是給每個模型一個靜態(tài)的權重,而是會根據(jù)其表現(xiàn)在不同樣本上動態(tài)賦予其不同的權重,并且會使用預訓練的特征重要性評估模型來確定每個特征的權重,避免了一般融合方法的缺陷,提升了模型的預測精度以及魯棒性。最后本文在在阿里巴巴公司提供的真實數(shù)據(jù)集上進行了實驗分析。實驗首先分析了相應場景下的數(shù)據(jù)分布和特點并對數(shù)據(jù)集進行了預處理,在此基礎上,根據(jù)對客流量預測的認知和在實際應用中的特性,提取了多組實用特征。之后對所提及的算法以及融合模型進行了實驗對比,通過對實驗結果的充分分析,我們發(fā)現(xiàn)基于動態(tài)權重的融合模型在預測精準度以及魯棒性上均有所提高,從而證明了本模型的有效性,以及本文的實際應用意義。
【學位授予單位】：華南理工大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：F274;F724.2
【圖文】：

模型泛化誤差之間的關系圖

圖 3-4 距離隨 取值的變化圖值含有非數(shù)值型特征時，例如性別是男 距離來對這部分特征的距離進行verlap Metric，即 HEOM 距離的概念。 = √ ∑

【參考文獻】

相關期刊論文 前6條

1 羅戎蕾;劉紹華;蘇晨;;基于遺傳算法的BP神經(jīng)網(wǎng)絡服裝銷售預測方法[J];北京郵電大學學報;2014年04期

2 聞玲;;移動平均季節(jié)模型在商品銷售收入預測中的應用[J];商場現(xiàn)代化;2010年28期

3 焦淑華;夏冰;徐海靜;劉瑩;;BP神經(jīng)網(wǎng)絡預測的MATLAB實現(xiàn)[J];哈爾濱金融高等�？茖W校學報;2009年01期

4 喬忠,王福華,劉巍;經(jīng)常購買模型及其參數(shù)的極大似然估計[J];系統(tǒng)工程;2004年06期

5 劉靜,關偉;交通流預測方法綜述[J];公路交通科技;2004年03期

6 賀國光,李宇,馬壽峰;基于數(shù)學模型的短時交通流預測方法探討[J];系統(tǒng)工程理論與實踐;2000年12期

相關博士學位論文 前2條

1 王永明;集成回歸問題若干關鍵技術研究[D];華東師范大學;2015年

2 陳榮;基于支持向量回歸的旅游短期客流量預測模型研究[D];合肥工業(yè)大學;2014年

相關碩士學位論文 前6條

1 釗魁;基于卷積神經(jīng)網(wǎng)絡的電商數(shù)據(jù)深度挖掘[D];浙江大學;2017年

2 葉倩怡;基于Xgboost方法的實體零售業(yè)銷售額預測研究[D];南昌大學;2016年

3 袁磊;基于ARIMA-LSSVM混合模型的股指預測研究[D];哈爾濱工業(yè)大學;2015年

4 吳倩;基于關聯(lián)規(guī)則的零售業(yè)CRM的設計和實現(xiàn)[D];華東師范大學;2011年

5 連曄;基于ARIMA與神經(jīng)網(wǎng)絡的原油運價指數(shù)研究與預測[D];上海交通大學;2010年

6 黃嘉滿;面向零售業(yè)的關聯(lián)規(guī)則挖掘的研究與實現(xiàn)[D];上海交通大學;2007年

本文編號：2728105