基于ARIMA-BP组合模型的某餐饮O2O企业订单预测研究

摘要

随着人们对生活品质的不断追求和互联网+时代的到来，逐渐涌现出了很多借助O2O商业模式来提供生活服务的公司，如新美大、去哪儿网、58到家、链家网等等。这些公司通过线上线下相结合的方式，更加便捷地满足人们在生活衣食住行方面的需求。其中餐饮是O2O领域的一个重要垂直分类，团购与外卖是其主要的两个发展模式。一方面，该领域市场竞争异常激烈，外界环境变化迅速;另一方面，企业的订单量直接影响着企业的销售业绩与所在市场中所占的份额。因此，对于企业而言需要不断提升数据化运营能力，以应对市场变化。如何更快更准确地预测订单，对未来发展状况进行预判，挖掘潜在市场需求将十分重要。
　　传统的需求预测模型一般为基于时间序列的算法模型，借助历史销量和时间的关系进行建模预测，并且一般针对以销售实际商品为载体的制造业、零售业居多，对O2O餐饮企业的订单预测的研究较少。对于餐饮O2O的企业来说，其最大的特征是以线上平台的方式，与多家线下餐饮企业进行合作，尽可能在线上平台入驻多的商家。另一方面在业务推广和营销手段上与传统线下餐饮公司截然不同，给予用户设定营销的策略是餐饮O2O企业的生存法宝。针对餐饮O2O企业的订单预测研究，能够快速帮助企业了解未来订单走势，辅助营销策略的制定。本文以我国某O2O模式下的餐饮企业为背景，以预测企业订单为目标建立预测模型。
　　本文通过对餐饮O2O企业的现有业务模式与经营数据的分析，以某O2O餐饮企业的具体业务为背景进行订单预测研究。由于O2O商业模式与传统企业差异性较大，其订单量变化受到的因素也诸多，订单走势波动性较大。餐饮O2O企业订单数据具有一定的趋势特征与季节特征，具有一部分线性特征;此外订单量的变化还与商家参加的促销优惠活动、商家体验等因素有关，也会受到外在环境、天气等异常因素的影响，具有非线性特征。因此，本文选取了较有代表性的ARIMA时间序列与BP神经网络算法模型，对订单的线性与非线性特征分别进行拟合，并建立针对某餐饮O2O企业的组合预测模型。此外，本文基于整体、商家、城市三种企业不同的预测场景分别进行了模型实现与验证。最后，文章对模型的预测效果进行对比分析，发现组合预测模型取得优于两单一模型的预测效果。本文研究内容可以帮助餐饮O2O企业进行精细化运营，提前洞悉不同维度下订单的未来走势，辅助企业各级人员进行资源分配、业务目标方面的策略制定。

目录

声明

致谢

摘要

1．1．1选题背景

1．1．2研究目的与意义

1．2国内外研究现状

1．3研究方法与内容

1．3．1研究方法

1．3．2研究内容

2预测模型相关理论

2．1时间序列模型

2．1．1时间序列模型概念与特征

2．1．2时间序列模型分析方法

2．1．3时间序列模型建立步骤

2．2 BP神经网络模型

2．2．1 神经网络模型概念与特征

2．2．2 BP神经网络算法原理

2．2．3 BP神经网络模型建立步骤

2．3组合预测模型介绍

3餐饮O2O背景介绍与数据准备

3．1 餐饮O2O模式发展与特点

3．2企业运作流程与现状分析

3．2．1餐饮O2O运作流程

3．2．2餐饮O2O发展现状

3．3预测主题确定

3．4数据描述性与因素分析

3．4．1订单数据描述性分析

3．4．2影响O2O订单预测因素分析

3．4．3影响因素数据描述性分析

3．5数据收集与预处理

3．5．1数据收集

3．5．2数据预处理操作

4 ARIMA-BP组合预测模型构建与验证

4．1 组合模型建模思想

4．2组合预测模型构建

4．2．1模型构建方法

4．2．2组合模型权重判定

4．2．3组合模型评价标准

4．3基于整体的预测模型实现与验证

4．3．1整体数据处理

4．3．2时间序列预测模型实现与验证

4．3．3 BP神经网络预测模型实现与验证

4．4基于商家的预测模型实现与验证

4．4．1商家数据处理

4．4．2商家时间序列预测模型实现与验证

4．4．3商家BP神经网络预测模型实现与验证

4．5 基于城市的预测模型实现与验证

4．5．1城市数据处理

4．5．2城市时间序列预测模型实现与验证

4．5．3城市BP神经网络预测模型实现与验证

4．6不同预测主题组合模型权重确定与对比

5 某餐饮O2O企业订单预测与结果分析

5．1模型预测结果

5．1．1整体订单量预测结果

5．1．2商家订单量预测结果

5．1．3城市订单量预测结果

5．1．4预测效果对比分析

5．2预测应用分析

6总结与展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集