MatherCup一等奖——基于时间序列、LSTM等预测优化类1314模型集的论文分享

最新推荐文章于 2024-11-04 17:04:20 发布

修修爪哇

最新推荐文章于 2024-11-04 17:04:20 发布

阅读量529

点赞数 4

分类专栏：数学建模文章标签： lstm 机器学习人工智能

本文链接：https://blog.csdn.net/ss20211121/article/details/136788219

版权

数学建模专栏收录该内容

4 篇文章 0 订阅

订阅专栏

本文提出了一种结合多种时间序列预测方法（ARIMA、LSTM和多元线性回归）并通过K-means聚类和粒子群优化算法优化的模型，用于电商零售需求预测。结果显示，加权预测模型具有95.92%的预测准确率，有效提升了预测性能。

摘要由CSDN通过智能技术生成

该构建的模型适用大多数电商零售商家的预测问题，本文决定综合多种时间序列预测方法创

建一个模型集，将之作为一个新的预测模型来解决实际预测问题。

本文首先对数据预处理，将附件 1-6 的数据合并，将非数值数据转换为可识别的数

值数据，用 q-q 图以及 Kolmogorov-Smirnov 检验判定得知本文数据集服从正态分布，本文决定采用 3 σ 原则判定异常值，认定落于三倍标准差之外的数据点为异常值，将筛查出来的异常值转换为缺失值，用牛顿插值对缺失值进行线性填充，降低异常数值对预测结果带来的负面影响。基于商家+ 仓库 + 商品维度等多种特征，考虑到所需数据过于庞大，本文决定采用K-means 聚类方式进行特征分类。然后综合使用ARIMA 、 LSTM 和多元线性回归三种时间序列预测方法对本文使用数据进行拟合，用粒子群优化算法对三种预测方法得到的预测结果进行加权计算，其结果表明加权预测模型的各个预测指标要优于原先的任一预测模型。本文采用均方根误差（ RMSE ）、平均绝对百分比误差（ MAPE ）、平均绝对误差（MAE ）、确定系数 ( R 2 ) 作为本文建立基于时间的经济预测模型的四大评价指标，以此对预测模型的预测结果进行量化分析，经过检验，其中加权预测模型的预测准确率为95.92% 。将以上 “1+3+1+4 ”种模型作为本文完整的预测流程，用此模型得到问题一所需的需求量预测值。