基于AdaBoost算法构建的商品销量融合预测模型制造技术

本发明专利技术涉及商品销售预测技术领域，具体的提供了一种基于AdaBoost算法构建的商品销量融合预测模型，包括以下步骤：1：基于多种预测模型构建基模型库；2：单一预测模型调参；3：构建弱学习器自动选择算法，完成弱学习器自动选择过程；4：识别弱学习器自动选择算法的输出结果作为初始弱学习器，进行融合训练，得到强学习器及强学习器预测结果；5：计算强学习器预测结果的平均绝对百分比误差，将强学习器的预测结果进行融合，得到最后的预测结果。通过汇总神经网络及机器学习中适用于预测商品销售的经典模型，将预测商品销量的经典模型汇集到基模型库，使用基模型库中经典的商品销量预测模型分别完成对每家门店产品的销量预测工作。型分别完成对每家门店产品的销量预测工作。型分别完成对每家门店产品的销量预测工作。

【技术实现步骤摘要】
基于AdaBoost算法构建的商品销量融合预测模型


[0001]本专利技术涉及商品销售预测
，具体的提供了一种基于AdaBoost算法构建的商品销量融合预测模型。

技术介绍

[0002]在众多组合模型中，以Stacking和AdaBoost等为代表的集成学习算法凭借其强大的预测性能，获得了众多学者的青睐。杨荣新等人基于Stacking集成算法提出了一种预测光伏发电功率的组合模型，通过对光伏电站的历史数据进行递归特征消除和特征选择后，以RF、XGBoost、LGBM 三种模型作为Stacking融合模型的初级学习器，线性回归作为次级学习器，建立了预测光伏发电功率的Stacking融合模型。实验结果表明，该模型相较于单模型，预测准确度明显提升。邓威等人提出了一种基于特征选择和Stacking集成算法的用于预测配电网损的预测方法，通过相关性分析法和最大信息系数法进行特征重要性分析，然后集成RF、KNN、MLP、SVM、GBDT(梯度下降树)五种模型，构建了融合模型对配电网网损进行预测。Ganiyu和Dong将AdaBoost算法与GRU进行结，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于AdaBoost算法构建的商品销量融合预测模型，其特征在于，包括以下步骤：步骤1：汇总神经网络及机器学习中适用于预测商品销售的经典模型，基于多种预测模型构建基模型库；步骤2：单一预测模型调参，选用随机搜索法完成单一预测模型的超参数调整优化工作；步骤3：构建弱学习器自动选择算法，采用均方误差作为衡量预测模型准确度性能的指标，把预测最准确的模型和预测第二准确的模型筛选出来，用以后续融合预测模型构建的初始输入弱学习器模型，完成弱学习器自动选择过程；步骤4：识别弱学习器自动选择算法的输出结果作为初始弱学习器，利用AdaBoost算法原理并行地、完全独立地对初始弱学习器进行融合训练，得到强学习器，获取对应的强学习器预测结果；步骤5：基于真实值，计算强学习器预测结果的平均绝对百分比误差，利用平均绝对百分比误差将强学习器的预测结果进行融合，得到最后的生鲜商品销售预测结果。2.根据权利要求1所述的基于AdaBoost算法构建的商品销量融合预测模型，其特征是：步骤1中所述预测模型包括基于长短期记忆网络、门控循环单元、时域卷积网络以及多层感知机、支持向量回顾模型五种预测模型。3.根据权利要求1所述的基于AdaBoost算法构建的商品销量融合预测模型，其特征是：所述步骤2包括：步骤2
‑
1：根据超参数的取值和算法关系设置超参数的取值范围步骤2
‑
2：在范围内随机搜索，以模型准确率作为目标函数及评价指标；步骤2
‑
3：由于随机搜索可能会出现局部最优解，因此重复多次得到搜索结果；步骤2
‑
4：选择准确率最高的超参数组合作为最终的搜索结果，即确定最终的模型超参数取值。4.根据权利要求3所述的基于AdaBoost算法构建的商品销量融合预测模型，其特征是：在步骤3中，所述均方误差为，其中和分别为预测目标的真实值和预测值，n为数据的样本数量，MSE值越小，预测模型的准确度越高。5.根据权利要求4所述的基于AdaBoost算法构建的商品销量融合预测模型，其特征是：所述步骤3包括：步骤3
‑
1：将输入的数据集划分为训练集和测试集，利用训练集分别对单一预测模型调参基模型库中的经典预测模型进行训练，使其抓取并适...

【专利技术属性】
技术研发人员：徐小峰，曹贵玲，陈梦，邓忆瑞，尹萌娟，陈优，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：