基于线性混合模型的电商销售量的预测研究

论文摘要

21世纪以来,随着科技和互联网的飞速发展,互联网企业获得了广泛的发展空间,各电商平台也在一夜之间崛起,而一个电商企业的良好发展离不开对自己产品走势的良好把握,古者云,“凡事预则立,不预则废”。但是,销售量的预测问题会受很多方面因素的影响,而且还有很多不确定性的影响因素会导致销售量出现变化,虽然以往的时间序列分析方法已比较成熟,而且应用也比较广泛,但每种方法也有其自身的局限性,如ARIMA模型的定阶问题、神经网络模型复杂程度的问题、支持向量机核函数的选择问题等,往往会导致预测的效果达不到人们的预期水平。本文提出一种利用线性混合模型(LMM)来对销售量进行预测的建模方法,结合特征工程的相关知识,进行特征构造和特征选择,并根据已经选取的特征,进一步选择模型的固定效应与随机效应,通过选取的随机效应以反映时间序列的季节性、周期性以及其他不确定性因素的影响等问题,有别于传统的时间序列分析模型。利用京东商城近四年来的销售量数据进行实证分析,并且对比分析神经网络和支持向量机模型的预测效果,说明本方法的有效性。以帮助企业决策层对未来销售量的走势有一个整体把握,从而对资源可以进行有效的配置,合理布置发展规划,以提高企业在同行中的竞争性。

论文目录

• 摘要
• abstract
• 第一章 绪论
•   1.1 研究背景与研究意义
•     1.1.1 研究背景
•     1.1.2 研究目的
•   1.2 主要研究内容
•   1.3 国内外研究现状
•     1.3.1 线性混合模型的国内外研究现状
•     1.3.2 特征提取的国内外研究现状
•     1.3.3 常用时间序列分析方法的国内外研究现状
•   1.4 研究方法与结构安排
•     1.4.1 研究方法
•     1.4.2 结构安排
•   1.5 本文的主要贡献与创新
• 第二章 特征构造与特征选择
•   引言
•   2.1 特征构造
•   2.2 特征提取
•   2.3 特征选择
•     2.3.1 过滤式特征选择
•     2.3.2 封装式特征选择
•     2.3.3 嵌入式特征选择
•   2.4 降维策略
•   2.5 本章小结
• 第三章 线性混合模型
•   引言
•   3.1 线性混合模型介绍
•   3.2 固定效用的估计
•   3.3 方差分量的估计
•   3.4 本章小结
• 第四章 实证分析—以京东为例
•   4.1 数据来源与介绍
•   4.2 线性混合模型的构建与应用
•     4.2.1 数据的处理
•     4.2.2 boxcox转换
•     4.2.3 特征构造
•     4.2.4 协方差结构的选择
•     4.2.5 特征选择
•     4.2.6 模型构建
•     4.2.7 模型的评价指标
•   4.3 本章小结
• 第五章 与其他模型的对比分析
•   引言
•   5.1 神经网络模型
•   5.2 支持向量机模型
•   5.3 本章小结
• 第六章 结论与展望
•   6.1 本文的主要研究成果及结论
•   6.2 本文的研究意义
•   6.3 本文的研究局限
•   6.4 本文的进一步工作展望
• 参考文献
• 致谢

文章来源

类型: 硕士论文

作者: 王宁

导师: 王艺舒

关键词: 时间序列分析,特征构造与特征提取,混合线性模

来源: 青岛大学

年度: 2019

分类: 基础科学,经济与管理科学

专业: 数学,宏观经济管理与可持续发展,贸易经济

单位: 青岛大学

分类号: F724.6;F224

DOI: 10.27262/d.cnki.gqdau.2019.001807

总页数: 41

文件大小: 1173K

下载量: 100