【技术实现步骤摘要】
基于Prophet-随机森林的电商事件驱动型需求量预测方法
本专利技术属于电商需求预测领域，具体涉及一种基于Prophet-随机森林的电商事件驱动型需求量预测方法。
技术介绍
节日活动及电商平台促销事件之间日期间隔并不固定，并不呈现标准的周期性运动规律，其驱动的短期消费者需求呈现出事件短期内激增、非事件效应影响时段内小幅度波动的状态。但是，当前电商需求预测常用方法为自回归移动平均模型，其进行时序数据预测的前提是数据稳定，无法很好地捕捉不稳定数据的规律，在电商订单需求常常由节日活动及电商平台促销事件驱动且具备突发性特征的情况下，现有的模型并不能表现真实商业环境下的需求。
技术实现思路
本专利技术的目的是提供一种基于Prophet-随机森林的电商事件驱动型需求量预测方法，本专利技术针对电商事件需求及非事件需求特点，分别应用Prophet、随机森林进行预测，提高了电商事件驱动型需求的预测精度。本专利技术所采用的技术方案是：一种基于Prophet-随机森林的电商事件驱动型需求量预测方法，包括步骤：...
【技术保护点】
1.一种基于Prophet-随机森林的电商事件驱动型需求量预测方法，其特征在于：包括步骤，/n步骤1、获取电商平台的历史销售数据，销售数据包括时序数据和购买相关产品用户数据；/n步骤2、清洗历史销售数据，提高数据质量；/n步骤3、将时序数据进行尺度压缩，降低数据波动性；/n步骤4、基于节日活动及电商平台促销事件进行事件建模；/n步骤5、为Prophet模型附加事件回归量，并进行Prophet预测；剔除并插值处理属于事件效应范围内的离群点，并进行随机森林预测；/n步骤6、组合Prophet预测与随机森林预测结果；/n步骤7、进行精度评估以观测模型泛化能力与预测效果。/n
【技术特征摘要】
1.一种基于Prophet-随机森林的电商事件驱动型需求量预测方法，其特征在于：包括步骤，
步骤1、获取电商平台的历史销售数据，销售数据包括时序数据和购买相关产品用户数据；
步骤2、清洗历史销售数据，提高数据质量；
步骤3、将时序数据进行尺度压缩，降低数据波动性；
步骤4、基于节日活动及电商平台促销事件进行事件建模；
步骤5、为Prophet模型附加事件回归量，并进行Prophet预测；剔除并插值处理属于事件效应范围内的离群点，并进行随机森林预测；
步骤6、组合Prophet预测与随机森林预测结果；
步骤7、进行精度评估以观测模型泛化能力与预测效果。
2.如权利要求1所述的基于Prophet-随机森林的电商事件驱动型需求量预测方法，其特征在于：在步骤1中，时序数据包含不同时间上的销售数据，以描述需求量随时间变化的情况；购买相关产品用户数据包括产品类别描述与客户信息。
3.如权利要求1所述的基于Prophet-随机森林的电商事件驱动型需求量预测方法，其特征在于：在步骤2中，数据清洗操作包括无效值处理、缺失值与重复值处理、一致性处理、数据子集筛选和数据排序，其中，无效值处理是用统计分析方法识别出极端值并进行删除或替换，缺失值与重复值处理是用平均值、最大值、最小值或概率估计代替缺失的值并删除重复数据，一致性处理是根据变量合法规则及逻辑将超出正常范围内的数据删除，数据子集筛选是筛选有用信息并减少字段冗余，数据排序是按照销售数据中的时序数据对整体数据进行时序排序以观测数据的时序变化规律。
4.如权利要求1所述的基于Prophet-随机森林的电商事件驱动型需求量预测方法，其特征在于：在步骤3中，时序数据为经提取的时间戳和订单需求量，时间戳数据列包含日期或具体的时间点，订单需求量数据列是数值变量，基于时序分解的乘法模型y(t)＝T*S*H*I，将时序分解为趋势项T、季节项S、节日活动及电商平台促销事件项H和随机波动项I，通过对数变换对数据进行尺度压缩。
5.如权利要求4所述的基于Prophet-随机森林的电商事件驱动型需求量预测方法，其特征在于：在步骤4中，事件建模为不同节日活动及电商平台促销事件Hi设置前后时间窗口值，并假设节日活动及电商平台促销事件Hi对前后窗口值中的订单需求量的影响呈高斯分布，即k～N(0，γ2)，其中γ表示影响程度；对于具体的事件中的窗口日t，其事件效应E(t)用虚拟变量表示：
6.如权利要求5所述的基于Prophet-随机森林的电商事件驱动型需求量预测方法，其特征在于：在步骤5中，为Prophet模型附加事件回归量，并进行Prophet预测时，包括步骤：
1)创建事件附加回归量，将步骤4中正向影响订单需求量的事件再次进行相同的虚拟变量赋值，但对不同的事件赋予不同以γ进...
【专利技术属性】
技术研发人员：张梦雅，王家宁，任梦婷，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。