基于数据挖掘的超市商品销量预测

摘要

随着如今互联网技术的发展和大数据的广泛应用，线上线下的购物方式，给消费者带来了更便捷的消费体验。但同时，对于实体超市而言，其面临的竞争则是更加的激烈。如何面对消费者流失问题，采取更迎合消费者心理的销售政策，增加商超竞争力，这对于一个企业而言，是至关重要的根本性问题。本文则是针对一连锁超市，利用数据挖掘技术，基于当前已有的相关数据，设计相关算法，对其未来一个月的商品销量进行预测。通过精准的预测，不仅能为企业管理者提供相关的决策支持，同时又能够为企业的下一步发展，提供技术保障。 本文首先对当前数据挖掘技术在零售业商品预测的现状进行了介绍，阐述了本文研究的主要内容，总体路线和研究方法，提出了基于数据挖掘技术的超市商品销量预测的研究。 本文重点介绍了如何利用数据挖掘进行小超市的短期销量预测研究。首先本文进行了数据的可视化分析，并对发现的异常数据进行数据预处理操作。通过对特征工程构造的介绍，本文重点从多个维度进行特征工程的构建，充分挖掘相关维度的特征。在模型构建上，本文首先进行多元线性回归预测模型，支持向量回归预测模型，随机森林回归预测模型，梯度下降回归预测模型的基础模型预测，并将用获得较好结果的支持向量回归模型与主成分分析法和聚类算法融合，构建动态特征向量提取，获得基础销售因子，之后对于不同的训练集，采用LightGBM进行最终的结果预测。实验结果发现，该模型在该短期商品销量预测上有比较理想的预测结果。

目录

第一个书签之前

学术硕士学位论文

第1章 绪论

1.1选题背景

1.2选题意义

1.3研究内容与研究方法

1.3.1主要内容

1.3.2 总体路线

1.3.3研究方法

第2章 理论基础及国内外研究

2.1 数据挖掘相关概述

2.1.1 数据挖掘的定义和分类

2.1.2 数据挖掘的过程

2.2 数据挖掘在零售业中应用

2.2.1基于零售商品销量预测研究

2.2.2 基于零售总额预测研究

2.2.3常用预测方法

2.3 预测精度指标

第3章 数据预处理

3.1数据源分析

3.2数据探索和可视化分析

3.2.1用户维度数据分析

3.2.2商品维度数据分析

3.3数据清洗

第4章 特征工程

4.1特征工程简介

4.2特征工程的组成

4.2.1特征提取步骤

4.2.2 特征处理方法

4.3特征工程设计思路

4.4特征工程构造展示

第5章 基本模型设计

5.1 基本预测模型

5.1.1多元线性回归模型

5.2.2支持向量回归模型

2.2.3随机森林回归模型

2.2.4梯度提升回归模型

5.2模型构建

5.3模型预测结果

第6章 销量预测组合模型设计

6.1实验描述

6.2 组合模型概述

6.2.1 组合模型介绍

6.2.2 PKS混合模型介绍

6.2.3 LightGBM算法介绍

6.3组合模型构建及结果

6.3.1 PKS混合模型的实验结果

6.3.2 基于LightGBM模型的实验结果

6.3.3模型结果调优融合

第7章 总结

7.1工作总结

7.2工作展望

参考文献

攻读学位期间的研究成果

致谢