数据预处理:
- 数据整合:使用Python编程实现表格间自然连接(NJ)。
- 变量处理:时间序列处理、One-hot编码等。
- 数据聚合:按日、周、月、年对数据进行聚合。
- 异常数据处理:使用3σ法则和修正处理法。
- 无关数据处理:剔除无关或无效的数据。
时间序列分析与建模:
- 自相关函数(ACF)分析:用于识别时间序列的周期性和趋势。
- 时间序列分解:用于分离时间序列中的趋势、周期和随机成分。
相关性分析:
- 偏相关性分析:用于去除外界因素影响,探究变量之间的内在相关性。
- FP-Growth算法:用于挖掘单品之间的关联规则。
需求模型:
- 双对数需求模型(Double-log模型):用于估计价格弹性,分析销售量与定价的关系。
预测模型:
- LSTM(长短时记忆网络):用于对未来七天的成本和销量进行时间序列预测。
优化模型:
- 粒子群优化(PSO)算法:用于求解收益最大化的连续型优化问题。
- 多目标遗传算法(NSGA-II):用于求解混合多目标非线性规划问题。
评价与决策方法:
- VIKOR评价方法:用于确定单品的需求值和优先级。
鲁棒性检验:
- 对LSTM模型进行鲁棒性测试,确保模型在面对干扰时的稳定性。