| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第18-23页 |
| 1.1 选题背景 | 第18-19页 |
| 1.2 选题意义 | 第19页 |
| 1.3 主要内容和研究思路 | 第19-23页 |
| 1.3.1 主要内容 | 第19-20页 |
| 1.3.2 技术路线图 | 第20-21页 |
| 1.3.3 研究方法 | 第21-22页 |
| 1.3.4 创新点 | 第22-23页 |
| 第2章 理论基础及国内外研究综述 | 第23-38页 |
| 2.1 零售业销售预测研究 | 第23-26页 |
| 2.1.1 基于零售商品的销售预测 | 第23-25页 |
| 2.1.2 零售总额预测 | 第25-26页 |
| 2.2 零售业销售预测技术 | 第26-33页 |
| 2.2.1 定性预测方法 | 第26-27页 |
| 2.2.2 定量预测方法 | 第27-33页 |
| 2.3 预测精度指标 | 第33-36页 |
| 2.4 研究评述 | 第36-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第3章 数据预处理与探索性分析 | 第38-48页 |
| 3.1 数据来源 | 第38-40页 |
| 3.2 数据探索和可视化分析 | 第40-45页 |
| 3.2.1 数据的统计特性概览 | 第40-44页 |
| 3.2.2 变量相关性分析 | 第44-45页 |
| 3.3 数据预处理 | 第45-47页 |
| 3.3.1 缺失值处理 | 第45-46页 |
| 3.3.2 数据的集成与标准化 | 第46-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第4章 预测模型与预测实验对比分析 | 第48-62页 |
| 4.1 预测模型 | 第48-52页 |
| 4.1.1 支持向量回归模型 | 第48-50页 |
| 4.1.2 多元线性回归 | 第50页 |
| 4.1.3 人工神经网络 | 第50-52页 |
| 4.1.4 随机森林 | 第52页 |
| 4.2 模型构建 | 第52-55页 |
| 4.2.1 数据准备和处理 | 第53-54页 |
| 4.2.2 模型的训练和验证 | 第54-55页 |
| 4.3 实验设计与结果分析 | 第55-61页 |
| 4.3.1 不同预测窗口预测结果比较 | 第56-58页 |
| 4.3.2 不同解释变量对预测结果的影响 | 第58-60页 |
| 4.3.3 模型鲁棒性实验 | 第60-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第5章 基于聚类算法的混合预测模型 | 第62-73页 |
| 5.1 混合模型概述 | 第62-65页 |
| 5.1.1 基于主成分分析的多变量序列降维 | 第63页 |
| 5.1.2 基于主成分分析的聚类算法 | 第63-65页 |
| 5.2 模型构建 | 第65-67页 |
| 5.2.1 模型训练阶段 | 第66-67页 |
| 5.2.2 模型验证阶段 | 第67页 |
| 5.3 实验设计和结果分析 | 第67-72页 |
| 5.3.1 实验设计 | 第67页 |
| 5.3.2 聚类结果分析 | 第67-70页 |
| 5.3.3 混合模型与单一模型预测结果对比 | 第70-71页 |
| 5.3.4 模型鲁棒性对比 | 第71-72页 |
| 5.4 本章小结 | 第72-73页 |
| 结论与展望 | 第73-75页 |
| 研究成果 | 第73-74页 |
| 研究展望 | 第74-75页 |
| 参考文献 | 第75-81页 |
| 附录 | 第81-87页 |
| 附录1 数据处理阶段r语言代码 | 第81-83页 |
| 附录2 构建多部门销售预测模型时所采用的r语言代码 | 第83-84页 |
| 附录3 构建基于聚类算法的混合模型所采用的r语言代码 | 第84-87页 |
| 攻读学位期间发表的学术论文 | 第87-88页 |
| 致谢 | 第88-89页 |
| 详细摘要 | 第89-93页 |