| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 前言 | 第9-14页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 文献综述 | 第11-12页 |
| 1.3 主要研究内容与框架 | 第12页 |
| 1.4 研究创新点 | 第12-14页 |
| 第二章 相关理论基础及方法 | 第14-23页 |
| 2.1 数据预处理 | 第14页 |
| 2.1.1 缺失值的处理 | 第14页 |
| 2.1.2 错误值的处理 | 第14页 |
| 2.1.3 重复记录的处理 | 第14页 |
| 2.1.4 不一致性的检测及解决方法 | 第14页 |
| 2.2 K-means聚类介绍 | 第14-16页 |
| 2.2.1 k-means聚类的具体算法过程 | 第14-15页 |
| 2.2.2 K-Means算法的优点和缺点 | 第15-16页 |
| 2.3 广义线性模型的介绍 | 第16-17页 |
| 2.3.1 广义线性模型的介绍 | 第16页 |
| 2.3.2 广义线性模型与线性模型的比较 | 第16-17页 |
| 2.4 人工神经网络模型的介绍 | 第17-18页 |
| 2.5 Boosting算法和决策树的介绍 | 第18-21页 |
| 2.5.1 决策树的介绍 | 第18-20页 |
| 2.5.2 GBDT算法的介绍 | 第20-21页 |
| 2.6 脱敏规则 | 第21-23页 |
| 第三章 店铺聚类的销售额预测模型 | 第23-39页 |
| 3.1 数据的来源及预处理 | 第23页 |
| 3.2 利用K-means聚类实现店铺聚类 | 第23-26页 |
| 3.2.1 数据结构展示 | 第23-26页 |
| 3.2.2 数据集群性评估 | 第26页 |
| 3.3 第一类店铺的销售额预测模型 | 第26-30页 |
| 3.3.1 广义线性模型的建立与分析 | 第27-28页 |
| 3.3.2 基于GBDT算法模型的建立与分析 | 第28-29页 |
| 3.3.3 基于BP神经网络模型的研究与分析 | 第29页 |
| 3.3.4 广义线性、GBDT算法和BP神经网络模型的预测结果比较 | 第29-30页 |
| 3.4 第二类店铺的销售额预测模型 | 第30-33页 |
| 3.4.1 店铺销售额的GBDT算法模型 | 第30-31页 |
| 3.4.2 店铺销售额的BP神经网络模型 | 第31-32页 |
| 3.4.3 店铺销售额的BP神经网络模型和GBDT算法模型的比较 | 第32-33页 |
| 3.5 第三类店铺的销售额预测模型 | 第33-39页 |
| 3.5.1 店铺销售额的广义线性模型 | 第33-35页 |
| 3.5.2 店铺销售额的BP神经网络模型 | 第35-39页 |
| 第四章 结论和建议 | 第39-42页 |
| 4.1 结论 | 第39页 |
| 4.2 不足与展望 | 第39-42页 |
| 4.2.1 不足 | 第39-40页 |
| 4.2.2 未来展望 | 第40-42页 |
| 参考文献 | 第42-44页 |
| 附录 | 第44-47页 |
| 致谢 | 第47-48页 |