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”成為了一種經(jīng)濟現(xiàn)象。互聯(lián)網(wǎng)與餐飲業(yè)的結(jié)合使點外賣變成了人們的一種主流生活方式。通過對區(qū)域內(nèi)未發(fā)生的外賣訂單需求進行預(yù)測,在訂單未發(fā)生前完成騎手調(diào)度,促使外賣平臺配送系統(tǒng)智能調(diào)度成為現(xiàn)實,能夠有效提升外賣平臺的配送時效,提高外賣平臺的競爭力。針對上述問題,本文提出了一種基于GBDT算法的區(qū)域外賣訂單需求預(yù)測模型,模型能夠?qū)Ω魃倘^(qū)域未來一小時內(nèi)訂單需求進行有效預(yù)測,為外賣平臺的配送系統(tǒng)智能調(diào)度提供依據(jù)。論文的主要內(nèi)容包括以下幾個部分:（1）介紹了研究所涉及的理論知識。包括需求預(yù)測、特征選擇的相關(guān)概念、步驟等,并對GBDT（梯度提升決策樹,Gradient Boosting Decision Tree）算法理論進行了詳細闡述。（2）區(qū)域外賣訂單需求預(yù)測模型的構(gòu)建。首先對原始數(shù)據(jù)進行數(shù)據(jù)預(yù)處理,并使用遞歸特征消除法與交叉驗證相結(jié)合的方式對區(qū)域外賣訂單需求預(yù)測相關(guān)的特征進行選擇,為后續(xù)模型的訓(xùn)練進行數(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、容易有遺漏,明顯不是最佳選擇,為此引入... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：73 頁

【學(xué)位級別】：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)域外賣訂單需求預(yù)測??接下來分析不同日期各商圈外賣訂單需求量的變化，通過圖３．３可以看出，雖然不??同日期的日均訂單總量的波動不明顯，但是各商圈都存在后半個月的日均訂單總量整體??稍高于前半個月的情況，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日期特征對區(qū)域外賣訂單量的影響??Ｆｉｇ．?３．３?Ｔｈｅ?Ｉｎｆｌｕｅｎｃｅ?ｏｆ?ｄａｔｅ?ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ?ｏｎ?ｒｅｇｉｏｎａｌ?ｔａｋｅ?ｏｕｔ?ｏｒｄｅｒｓ??對各商圈一天中不同時刻的訂單量變化情況進行統(tǒng)計分析，從圖３．４可以看出，不??同的商圈在一天當(dāng)中外賣訂單需求數(shù)量變化均存在明顯的兩個高峰：午高峰??（１１：００－１２：００）和晚髙峰（１７：?００－１８：００），說明外賣訂單需求量的變化會受到時段特??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??｜??除了簡單的將時間切片為年、月、日、小時外，還可以將季節(jié)、是否為節(jié)假日作為??時間特征進行分析。??分析季節(jié)特征對各商圈外賣訂單需求量的影響，從圖３．５可以看出，各個商圈的外??賣訂單總量各季節(jié)存在差異，并且隨季節(jié)變化的趨勢不盡相同。錦繡小區(qū)商圈和西安路??商圈的變化趨勢大體相同，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??他兩個季度。此外各商圈的冬季外賣訂單總量相較于其他季節(jié)均為最低，外賣從店鋪送??到顧客手中需要一定的時間，并且在天氣惡劣的時候需要的時間可能更長，寒冷的天氣??會導(dǎo)致經(jīng)過配送的外賣變涼，口感變差，人們更愿意就近堂食，以此來看數(shù)據(jù)變化趨勢??符合情理。??－３３－??

【參考文獻】：
期刊論文
[1]基于改進遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的銷售預(yù)測模型[J]. 圣文順,趙翰馳,孫艷文.  計算機系統(tǒng)應(yīng)用. 2019(12)
[2]特征選擇方法綜述[J]. 李郅琴,杜建強,聶斌,熊旺平,黃燦奕,李歡.  計算機工程與應(yīng)用. 2019(24)
[3]基于無偏灰色PSOMarkov優(yōu)化模型的加油站便利店零售銷量預(yù)測方法研究[J]. 楊光,汪長波,黃滌,王金燕,劉海明.  數(shù)學(xué)的實踐與認識. 2019(20)
[4]一種基于Gradient Boosting的公交車運行時長預(yù)測方法[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. 2019(05)
[6]基于GBDT的實時洪水預(yù)報誤差校正方法[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)計對嬰幼兒奶粉銷售的計量分析[J]. 季娜,閆云俠.  內(nèi)蒙古工業(yè)大學(xué)學(xué)報(自然科學(xué)版). 2019(04)
[8]基于主成分和GBDT對血糖值的預(yù)測[J]. 龔誼承,都承華,張艷娜,余力.  數(shù)學(xué)的實踐與認識. 2019(14)
[9]梯度提升決策樹在雷達定量降水估測中的應(yīng)用研究[J]. 陳訓(xùn)來,陳元昭,趙春陽,張珂.  氣象科技進展. 2019(03)
[10]外賣O2O需求預(yù)測及高效益推薦研究[J]. 錢程,劉明,李亞鵬.  福建電腦. 2019(05)

碩士論文
[1]基于統(tǒng)計學(xué)習(xí)方法的空氣質(zhì)量評價與分類[D]. 郭紹征.山西大學(xué) 2019
[2]基于神經(jīng)網(wǎng)絡(luò)和時間序列的汽車銷量預(yù)測研究[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)測管理系統(tǒng)研究[D]. 李彥昆.中國鐵道科學(xué)研究院 2019
[4]基于SARIMA和BP神經(jīng)網(wǎng)絡(luò)的新能源汽車銷售預(yù)測[D]. 白一凡.湘潭大學(xué) 2019
[5]基于機器學(xué)習(xí)的共享單車需求量預(yù)測模型研究[D]. 王立.長安大學(xué) 2019
[6]基于集成學(xué)習(xí)模型在店鋪消費人數(shù)預(yù)測的應(yīng)用研究[D]. 彭鈺.上海師范大學(xué) 2018
[7]基于深度學(xué)習(xí)的餐飲外賣訂單預(yù)測模型[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)動的P2P借貸風(fēng)險評估模型[D]. 王磊.浙江大學(xué) 2017
[10]餐飲業(yè)菜品銷售量預(yù)測研究[D]. 柴軍.東北師范大學(xué) 2016



本文編號：3281704