基于ARIMA-BP组合模型的某餐饮O2O企业订单预测研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-19页 |
| 1.1 选题背景与研究意义 | 第11-13页 |
| 1.1.1 选题背景 | 第11-12页 |
| 1.1.2 研究目的与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 研究方法与内容 | 第15-19页 |
| 1.3.1 研究方法 | 第15-16页 |
| 1.3.2 研究内容 | 第16-19页 |
| 2 预测模型相关理论 | 第19-33页 |
| 2.1 时间序列模型 | 第19-25页 |
| 2.1.1 时间序列模型概念与特征 | 第19-20页 |
| 2.1.2 时间序列模型分析方法 | 第20-22页 |
| 2.1.3 时间序列模型建立步骤 | 第22-25页 |
| 2.2 BP神经网络模型 | 第25-30页 |
| 2.2.1 神经网络模型概念与特征 | 第25-26页 |
| 2.2.2 BP神经网络算法原理 | 第26-28页 |
| 2.2.3 BP神经网络模型建立步骤 | 第28-30页 |
| 2.3 组合预测模型介绍 | 第30-33页 |
| 3 餐饮O2O背景介绍与数据准备 | 第33-49页 |
| 3.1 餐饮O2O模式发展与特点 | 第33-34页 |
| 3.2 企业运作流程与现状分析 | 第34-39页 |
| 3.2.1 餐饮O2O运作流程 | 第34-36页 |
| 3.2.2 餐饮O2O发展现状 | 第36-39页 |
| 3.3 预测主题确定 | 第39-40页 |
| 3.4 数据描述性与因素分析 | 第40-46页 |
| 3.4.1 订单数据描述性分析 | 第40-42页 |
| 3.4.2 影响O2O订单预测因素分析 | 第42-44页 |
| 3.4.3 影响因素数据描述性分析 | 第44-46页 |
| 3.5 数据收集与预处理 | 第46-49页 |
| 3.5.1 数据收集 | 第46-47页 |
| 3.5.2 数据预处理操作 | 第47-49页 |
| 4 ARIMA-BP组合预测模型构建与验证 | 第49-75页 |
| 4.1 组合模型建模思想 | 第49页 |
| 4.2 组合预测模型构建 | 第49-53页 |
| 4.2.1 模型构建方法 | 第49-51页 |
| 4.2.2 组合模型权重判定 | 第51-52页 |
| 4.2.3 组合模型评价标准 | 第52-53页 |
| 4.3 基于整体的预测模型实现与验证 | 第53-59页 |
| 4.3.1 整体数据处理 | 第53-54页 |
| 4.3.2 时间序列预测模型实现与验证 | 第54-56页 |
| 4.3.3 BP神经网络预测模型实现与验证 | 第56-59页 |
| 4.4 基于商家的预测模型实现与验证 | 第59-67页 |
| 4.4.1 商家数据处理 | 第59-60页 |
| 4.4.2 商家时间序列预测模型实现与验证 | 第60-64页 |
| 4.4.3 商家BP神经网络预测模型实现与验证 | 第64-67页 |
| 4.5 基于城市的预测模型实现与验证 | 第67-73页 |
| 4.5.1 城市数据处理 | 第67-68页 |
| 4.5.2 城市时间序列预测模型实现与验证 | 第68-70页 |
| 4.5.3 城市BP神经网络预测模型实现与验证 | 第70-73页 |
| 4.6 不同预测主题组合模型权重确定与对比 | 第73-75页 |
| 5 某餐饮O2O企业订单预测与结果分析 | 第75-83页 |
| 5.1 模型预测结果 | 第75-79页 |
| 5.1.1 整体订单量预测结果 | 第75-76页 |
| 5.1.2 商家订单量预测结果 | 第76-77页 |
| 5.1.3 城市订单量预测结果 | 第77-78页 |
| 5.1.4 预测效果对比分析 | 第78-79页 |
| 5.2 预测应用分析 | 第79-83页 |
| 6 总结与展望 | 第83-85页 |
| 参考文献 | 第85-89页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第89-93页 |
| 学位论文数据集 | 第93页 |
