| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状及分析 | 第9-12页 |
| 1.2.1 库位优化的研究现状 | 第9-11页 |
| 1.2.2 时间序列的异常模式识别研究现状 | 第11-12页 |
| 1.3 论文研究主要内容及思路 | 第12-14页 |
| 1.3.1 研究内容 | 第12页 |
| 1.3.2 技术路线及组织架构 | 第12-14页 |
| 第2章 基于时序关联的快消品库位优化相关理论 | 第14-29页 |
| 2.1 快消品市场相关理论概述 | 第14-15页 |
| 2.1.1 快消品行业与产品特点 | 第14页 |
| 2.1.2 电子商务对快消品市场的影响 | 第14-15页 |
| 2.2 基于时间序列的异常检测相关技术 | 第15-20页 |
| 2.2.1 基于窗口的技术 | 第15-16页 |
| 2.2.2 基于模型预测的技术 | 第16-17页 |
| 2.2.3 其他异常检测技术 | 第17-18页 |
| 2.2.4 常用异常检测技术比较分析 | 第18-20页 |
| 2.3 时序关联规则常用算法 | 第20-25页 |
| 2.3.1 关联规则 | 第20页 |
| 2.3.2 常用关联规则算法 | 第20-21页 |
| 2.3.3 序列模式挖掘算法 | 第21-25页 |
| 2.4 货位分配优化的相关理论 | 第25-28页 |
| 2.4.1 货位分配优化及实现 | 第25-26页 |
| 2.4.2 货位分配优化的常用策略 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 针对冲动消费的时间序列异常检测 | 第29-41页 |
| 3.1 问题提出 | 第29-30页 |
| 3.2 基于支持向量回归的滑动窗口冲动消费检测算法 | 第30-36页 |
| 3.2.1 滑动窗口构建 | 第31-32页 |
| 3.2.2 基于SVR算法的预测模型构建 | 第32-35页 |
| 3.2.3 基于预测模型的异常数据判定与处理 | 第35-36页 |
| 3.3 基于孤立森林聚类的冲动消费检测算法 | 第36-40页 |
| 3.3.1 孤立森林算法 | 第36-38页 |
| 3.3.2 孤立森林的算法模型构造 | 第38-39页 |
| 3.3.3 异常值的确定 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 基于时序关联的库位分配优化策略 | 第41-50页 |
| 4.1 基于时间约束的序列关联算法建模与实现 | 第41-45页 |
| 4.1.1 序列模式算法 | 第41-42页 |
| 4.1.2 时序数据表的转换 | 第42-43页 |
| 4.1.3 基于时间约束的GSP算法建模与实现 | 第43-45页 |
| 4.2 生成关联指数 | 第45-48页 |
| 4.3 建立货位分配优化模型 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 基于实例的库位优化策略验证分析 | 第50-63页 |
| 5.1 数据来源 | 第50页 |
| 5.2 异常检测算法的实例分析 | 第50-58页 |
| 5.2.1 基于支持向量回归的滑动窗口异常检测算法验证 | 第50-53页 |
| 5.2.2 基于孤立森林聚类的异常检测算法验证 | 第53-58页 |
| 5.3 货位分配优化策略验证条件及方法 | 第58-59页 |
| 5.4 剔除冲动消费的库位优化策略实证分析 | 第59-62页 |
| 5.4.1 基于时间约束的GSP序列挖掘结果分析 | 第59-61页 |
| 5.4.2 库位分配优化结果分析 | 第61-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63页 |
| 6.2 展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 攻读硕士学位期间的科研工作情况 | 第69页 |