| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景与研究意义 | 第9-10页 |
| 1.2 相关研究现状 | 第10-12页 |
| 1.2.1 影响酒店价格的因素 | 第10-11页 |
| 1.2.2 酒店客房需求预测 | 第11-12页 |
| 1.3 研究内容 | 第12页 |
| 1.4 本文结构安排 | 第12-14页 |
| 第二章 背景知识 | 第14-23页 |
| 2.1 机器学习 | 第14-15页 |
| 2.2 经典机器学习算法 | 第15-19页 |
| 2.2.1 K均值聚类 | 第15页 |
| 2.2.2 随机森林 | 第15-18页 |
| 2.2.3 K近邻 | 第18页 |
| 2.2.4 梯度提升决策树 | 第18-19页 |
| 2.2.5 XGBOOST | 第19页 |
| 2.3 集成学习 | 第19-22页 |
| 2.3.1 两类典型集成学习方法 | 第19-21页 |
| 2.3.2 集成学习中的结合策略 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 数据采集与预处理分析 | 第23-28页 |
| 3.1 数据的获取 | 第23-24页 |
| 3.2 数据的预处理 | 第24页 |
| 3.3 价格特征分析 | 第24-27页 |
| 3.4 本章小结 | 第27-28页 |
| 第四章 基于经典机器学习算法的酒店价格预测 | 第28-47页 |
| 4.1 酒店价格预测问题定义 | 第28页 |
| 4.2 背景知识 | 第28-31页 |
| 4.2.1 特征工程 | 第28-30页 |
| 4.2.2 模型验证 | 第30-31页 |
| 4.3 特征工程具体实现 | 第31-32页 |
| 4.3.1 特征使用与获取方案 | 第31-32页 |
| 4.3.2 特征分析与特征监控 | 第32页 |
| 4.4 基于经典机器学习算法的价格预测 | 第32-43页 |
| 4.4.1 实验数据描述 | 第33页 |
| 4.4.2 K近邻预测 | 第33-34页 |
| 4.4.3 随机森林预测 | 第34-37页 |
| 4.4.4 梯度提升决策树预测 | 第37-40页 |
| 4.4.5 XGBOOST预测 | 第40-43页 |
| 4.5 改进Stacking预测 | 第43-46页 |
| 4.6 本章小结 | 第46-47页 |
| 第五章 基于聚类的酒店价格预测算法HELM | 第47-54页 |
| 5.1 分层集成学习算法HELM | 第47-51页 |
| 5.1.1 基于特征划分的分层集成学习模型HELM-F | 第47-48页 |
| 5.1.2 基于二分k均值聚类的分层集成学习模型HELM-B | 第48-51页 |
| 5.2 实验结果 | 第51-53页 |
| 5.2.1 实验数据描述 | 第51页 |
| 5.2.2 实验结果 | 第51-53页 |
| 5.3 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 工作总结 | 第54页 |
| 6.2 未来展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-59页 |
| 作者简介 | 第59页 |