基于动态权重融合模型的线下商家客流量预测研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究内容 | 第12-13页 |
| 1.3 论文结构 | 第13-15页 |
| 第二章 相关问题研究 | 第15-25页 |
| 2.1 客流量以及销量问题相关研究 | 第15-16页 |
| 2.1.1 客流量预测 | 第15-16页 |
| 2.1.2 销量预测 | 第16页 |
| 2.2 时间序列分析方法 | 第16-19页 |
| 2.2.1 自回归模型 | 第17页 |
| 2.2.2 移动平均模型 | 第17页 |
| 2.2.3 ARIMA模型 | 第17-18页 |
| 2.2.4 时间序列的稳定性 | 第18页 |
| 2.2.5 时间序列方法存在的问题分析 | 第18-19页 |
| 2.3 机器学习相关研究 | 第19-21页 |
| 2.3.1 Boosting算法 | 第19-20页 |
| 2.3.2 决策树算法 | 第20页 |
| 2.3.3 人工神经网络算法 | 第20-21页 |
| 2.4 集成学习 | 第21-24页 |
| 2.4.2 集成学习的优点 | 第22-23页 |
| 2.4.3 集成学习的不足 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于动态权重的融合模型 | 第25-42页 |
| 3.1 集成学习的有效性 | 第25-31页 |
| 3.1.1 差异度分解 | 第26-27页 |
| 3.1.2 泛化误差分解 | 第27-31页 |
| 3.2 模型生成 | 第31-33页 |
| 3.2.1 数据集采样 | 第31-33页 |
| 3.2.2 参数集构造 | 第33页 |
| 3.3 模型融合 | 第33-36页 |
| 3.3.1 静态融合 | 第33-35页 |
| 3.3.2 动态融合 | 第35-36页 |
| 3.4 动态权重融合模型 | 第36-41页 |
| 3.4.1 判定特征权重 | 第38-39页 |
| 3.4.2 判定基学习器的权重 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 实验分析 | 第42-63页 |
| 4.1 实验目标 | 第42页 |
| 4.2 实验数据以及实验环境 | 第42-47页 |
| 4.2.1 数据分析 | 第42-45页 |
| 4.2.2 数据预处理 | 第45-47页 |
| 4.2.3 数据集划分 | 第47页 |
| 4.2.4 实验环境 | 第47页 |
| 4.3 特征工程 | 第47-51页 |
| 4.3.1 特征处理 | 第48-49页 |
| 4.3.2 特征提取 | 第49-51页 |
| 4.4 时序模型以及机器学习单模型 | 第51-56页 |
| 4.4.1 时序模型 | 第51-52页 |
| 4.4.2 机器学习单模型 | 第52-56页 |
| 4.5 融合模型 | 第56-61页 |
| 4.5.1 与单模型的效果对比 | 第56-59页 |
| 4.5.2 不同融合模型之间的实验对比 | 第59-61页 |
| 4.6 本章小结 | 第61-63页 |
| 总结与展望 | 第63-65页 |
| 工作总结 | 第63页 |
| 工作展望 | 第63-65页 |
| 参考文献 | 第65-68页 |
| 攻读硕士学位期间取得的研究成果 | 第68-69页 |
| 致谢 | 第69-70页 |
| 附件 | 第70页 |
