CN115222454A - 基于Stacking集成学习算法的车辆销售预测方法、系统及存储介质 - Google Patents
基于Stacking集成学习算法的车辆销售预测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN115222454A CN115222454A CN202210858110.6A CN202210858110A CN115222454A CN 115222454 A CN115222454 A CN 115222454A CN 202210858110 A CN202210858110 A CN 202210858110A CN 115222454 A CN115222454 A CN 115222454A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- training
- learner
- preprocessing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 29
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000007637 random forest analysis Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 7
- 238000010200 validation analysis Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000013277 forecasting method Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- NISOCYUAQBTSBZ-UHFFFAOYSA-N n-methyl-n-(2-phenylethyl)prop-2-yn-1-amine Chemical compound C#CCN(C)CCC1=CC=CC=C1 NISOCYUAQBTSBZ-UHFFFAOYSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及车辆销售预测相关领域，公开了基于Stacking集成学习算法的车辆销售预测方法、系统及存储介质，通过将机器学习算法在汽车销售预测中的应用进行了研究，在随机森林、BP神经网络等经典算法上通过Stacking算法进行模型融合，从而达到了对销售预测中的低误差预测，有益于高效的适应多样性的变化、客户的需求动态等，能够在销售、计划等方面提升企业竞争力。
Description
技术领域
本发明涉及车辆销售预测相关领域，具体是基于Stacking集成学习算法的车辆销售预测方法、系统及存储介质。
背景技术
随着经济的飞速发展，汽车行业也发展迅猛，但同时，汽车行业产品同质化也越发严重，在这样的背景下，竞争激烈的汽车行业，营销活动也需更加精益化才行，准确的需求预测能让管理者合理安排订货时间、生产计划等环节，从而降低库存成本和缺货损失，提升企业的核心竞争力。
由于需求的变化多样，掌握客户需求动态、做出准确的销售预测是一项巨大的挑战，随着互联网技术的快速发展，运用数据挖掘技术和机器学习算法等解决销量预测问题也成了研究热点。
发明内容
本发明的目的在于提供基于Stacking集成学习算法的车辆销售预测方法、系统及存储介质，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于Stacking集成学习算法的车辆销售预测方法，其特征在于，包含以下步骤：
获取原始数据，并通过预处理程序对所述原始数据进行预处理，以生成预处理数据，所述预处理程序包括对所述原始数据的数据质量分析处理，文本类型的数值化处理，以及数据集的划分处理；
进行特征工程，对所述预处理数据进行特征分析，获取多个特征集合，并基于相关性分析对多个所述特征集合进行特征选择，以删除多个所述特征集合中的冗余特征；
进行基学习器模型训练，所述基学习器模型训练包括步骤：通过日向前链交叉验证方法与网格搜索对随机森林和BP神经网络进行超参数调优，通过训练集训练模型，并通过验证集评估模型性能，以获取超参数；
进行元学习器模型训练，所述元学习器模型训练包括步骤：基于超参数调优后的模型，分别在验证集和测试集上进行结果的预测，所述结果作为Stacking模型第二层元学习器的训练集与测试集，并通过数据集对LR模型进行训练，输出预测结果。
作为本发明的进一步方案：所述通过预处理程序对所述原始数据进行预处理的步骤中，还包括对所述原始数据的数据特征分析、数据集成、数据清理以及数据变化操作，所述数据质量分析用于判断所述原始数据中是否包含脏数据，所述脏数据包括缺省值、异常值、不一致的值以及重复数据和特殊符号数据。
作为本发明的再进一步方案：所述进行特征工程的步骤中，还包括：
进行PCA特征提取，通过Pearson相关系数获取特征间的相关性，所述PCA特征提取用于通过一组特征计算出一组按预设事件重要性降序排列的新特征，所述PCA特征提取用于对数据降维，所述Pearson相关系数用于衡量数据集合间的线性相关关系。
作为本发明的再进一步方案：所述超参数用于表征主动设定的参数，在进行所述超参数调优的过程中，通过缩小范围并随机取值的方式进行收敛判断。
作为本发明的再进一步方案：所述LR模型即逻辑回归模型，逻辑回归假设数据服从伯努利分布，通过极大化似然函数方法，运用梯度下降来求解参数，以达到将数据二分目的。
本发明实施例旨在提供一种基于Stacking集成学习算法的车辆销售预测系统，其特征在于，包括：
预处理模块，用于获取原始数据，并通过预处理程序对所述原始数据进行预处理，以生成预处理数据，所述预处理程序包括对所述原始数据的数据质量分析处理，文本类型的数值化处理，以及数据集的划分处理；
特征工程模块，用于对所述预处理数据进行特征分析，获取多个特征集合，并基于相关性分析对多个所述特征集合进行特征选择，以删除多个所述特征集合中的冗余特征；
基学习器训练模块，用于进行基学习器模型训练，所述基学习器模型训练包括步骤：通过日向前链交叉验证方法与网格搜索对随机森林和BP神经网络进行超参数调优，通过训练集训练模型，并通过验证集评估模型性能，以获取合适超参数；
元学习器训练模块，进行元学习器模型训练，所述元学习器模型训练包括步骤：基于超参数调优后的模型，分别在验证集和测试集上进行结果的预测，所述结果作为Stacking模型第二层元学习器的训练集与测试集，并通过数据集对LR模型进行训练，输出预测结果。
本发明实施例还提供一种存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现基于Stacking集成学习算法的车辆销售预测方法的任一步骤，所述存储介质为非易失性存储器。
与现有技术相比，本发明的有益效果是：本发明将机器学习算法在汽车销售预测中的应用进行了研究，在随机森林、BP神经网络等经典算法上通过Stacking算法进行模型融合，从而达到了对销售预测中的低误差预测，有益于高效的适应多样性的变化、客户的需求动态等，能够在销售、计划等方面提升企业竞争力。
附图说明
图1为基于Stacking集成学习算法的车辆销售预测方法的流程框图。
图2为基于Stacking集成学习算法的车辆销售预测方法中Stacking框架图。
图3为基于Stacking集成学习算法的车辆销售预测系统的组成框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现方式进行详细描述。
如图1和图2所述，为本发明一个实施例提供的基于Stacking集成学习算法的车辆销售预测方法，包括以下步骤：
S10，获取原始数据，并通过预处理程序对所述原始数据进行预处理，以生成预处理数据，所述预处理程序包括对所述原始数据的数据质量分析处理，文本类型的数值化处理，以及数据集的划分处理。
S20，进行特征工程，对所述预处理数据进行特征分析，获取多个特征集合，并基于相关性分析对多个所述特征集合进行特征选择，以删除多个所述特征集合中的冗余特征。
S30，进行基学习器模型训练，所述基学习器模型训练包括步骤：通过日向前链交叉验证方法与网格搜索对随机森林和BP神经网络进行超参数调优，通过训练集训练模型，并通过验证集评估模型性能，以获取超参数。
S40，进行元学习器模型训练，所述元学习器模型训练包括步骤：基于超参数调优后的模型，分别在验证集和测试集上进行结果的预测，所述结果作为Stacking模型第二层元学习器的训练集与测试集，并通过数据集对LR模型进行训练，输出预测结果。
本实施例中，给出了一种基于Stacking集成学习算法的车辆销售预测的方法，其目的在于突破单一模型在销售预测中的局限性，首先结合历史销售数据构造新特征，再根据相关性分析做特征选择，提高模型性能和可解释性，最后以随机森林、BP神经网络为基学习器，逻辑回归为元学习器构造模型，该方法可以有效融合几种模型优势，作出更准确的销售预测，为企业决策提供有力支持；在步骤S30中，在特征构造和特征选择后，为保证Stacking算法取得最佳效果，需对基学习器的超参数进行调整，采用日向前链的交叉验证方法与网格搜索对随机森林和BP神经网络进行超参数优化，数据集划分后，在训练集训练模型，在验证集评估模型性能来选取模型的超参数，同时考虑到计算量和准确率，仅选取几个核心参数进行优化调参，其中步骤S40在步骤S30完成各基学习器的超超参数调优后重新训练模型；根据预测的评价指标，各单模型和Stacking模型的最终预测结果如表1所示，从结果中可以看出，随机森林模型的预测精度最差，在单模型中各项指标的误差都较大，这一方面是由于随机森林算法在解决回归问题上的表现没有在分类问题上的表现优秀，另一方面是实验数据维度较低，随机森林算法无法挖掘出有效信息，BP神经网络在单模型上的表现较好，MAPE仅为2.64％，这说明汽车销售和特征的关系趋近于更复杂的非线性关系，Stacking模型的各项预测指标都为最低值，相较于表现最差的随机森林模型，预测误差下降约1.42％，这表明该模型充分吸收了多个基学习器的优点，作出了更好的预测。
表1最终预测效果
| 模型 | RMSE | MAE | MPPE |
| 随机森林 | 75.95 | 60.18 | 3.58 |
| 神经网络 | 45.56 | 36.00 | 2.64 |
| Stacking | 43.62 | 32.84 | 2.16 |
作为本发明另一个优选的实施例，所述通过预处理程序对所述原始数据进行预处理的步骤中，还包括对所述原始数据的数据特征分析、数据集成、数据清理以及数据变化操作，所述数据质量分析用于判断所述原始数据中是否包含脏数据，所述脏数据包括缺省值、异常值、不一致的值以及重复数据和特殊符号数据。
作为本发明另一个优选的实施例，所述进行特征工程的步骤中，还包括：
进行PCA特征提取，通过Pearson相关系数获取特征间的相关性，所述PCA特征提取用于通过一组特征计算出一组按预设事件重要性降序排列的新特征，所述PCA特征提取用于对数据降维，所述Pearson相关系数用于衡量数据集合间的线性相关关系。
作为本发明另一个优选的实施例，所述超参数用于表征主动设定的参数，在进行所述超参数调优的过程中，通过缩小范围并随机取值的方式进行收敛判断。
作为本发明另一个优选的实施例，所述LR模型即逻辑回归模型，逻辑回归假设数据服从伯努利分布，通过极大化似然函数方法，运用梯度下降来求解参数，以达到将数据二分目的。
如图3所示，本发明还提供了一种基于Stacking集成学习算法的车辆销售预测系统，其包含：
预处理模块100，用于获取原始数据，并通过预处理程序对所述原始数据进行预处理，以生成预处理数据，所述预处理程序包括对所述原始数据的数据质量分析处理，文本类型的数值化处理，以及数据集的划分处理。
特征工程模块300，用于对所述预处理数据进行特征分析，获取多个特征集合，并基于相关性分析对多个所述特征集合进行特征选择，以删除多个所述特征集合中的冗余特征。
基学习器训练模块500，用于进行基学习器模型训练，所述基学习器模型训练包括步骤：通过日向前链交叉验证方法与网格搜索对随机森林和BP神经网络进行超参数调优，通过训练集训练模型，并通过验证集评估模型性能，以获取合适超参数。
元学习器训练模块700，进行元学习器模型训练，所述元学习器模型训练包括步骤：基于超参数调优后的模型，分别在验证集和测试集上进行结果的预测，所述结果作为Stacking模型第二层元学习器的训练集与测试集，并通过数据集对LR模型进行训练，输出预测结果。
本发明还提供了一种存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现基于Stacking集成学习算法的车辆销售预测方法的任一步骤，所述存储介质为非易失性存储器。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域技术人员在考虑说明书及实施例处的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (7)
1.一种基于Stacking集成学习算法的车辆销售预测方法，其特征在于，包含以下步骤：
获取原始数据，并通过预处理程序对所述原始数据进行预处理，以生成预处理数据，所述预处理程序包括对所述原始数据的数据质量分析处理，文本类型的数值化处理，以及数据集的划分处理；
进行特征工程，对所述预处理数据进行特征分析，获取多个特征集合，并基于相关性分析对多个所述特征集合进行特征选择，以删除多个所述特征集合中的冗余特征；
进行基学习器模型训练，所述基学习器模型训练包括步骤：通过日向前链交叉验证方法与网格搜索对随机森林和BP神经网络进行超参数调优，通过训练集训练模型，并通过验证集评估模型性能，以获取超参数；
进行元学习器模型训练，所述元学习器模型训练包括步骤：基于超参数调优后的模型，分别在验证集和测试集上进行结果的预测，所述结果作为Stacking模型第二层元学习器的训练集与测试集，并通过数据集对LR模型进行训练，输出预测结果。
2.根据权利要求1所述的基于Stacking集成学习算法的车辆销售预测方法，其特征在于，所述通过预处理程序对所述原始数据进行预处理的步骤中，还包括对所述原始数据的数据特征分析、数据集成、数据清理以及数据变化操作，所述数据质量分析用于判断所述原始数据中是否包含脏数据，所述脏数据包括缺省值、异常值、不一致的值以及重复数据和特殊符号数据。
3.根据权利要求1所述的基于Stacking集成学习算法的车辆销售预测方法，其特征在于，所述进行特征工程的步骤中，还包括：
进行PCA特征提取，通过Pearson相关系数获取特征间的相关性，所述PCA特征提取用于通过一组特征计算出一组按预设事件重要性降序排列的新特征，所述PCA特征提取用于对数据降维，所述Pearson相关系数用于衡量数据集合间的线性相关关系。
4.根据权利要求1所述的基于Stacking集成学习算法的车辆销售预测方法，其特征在于，所述超参数用于表征主动设定的参数，在进行所述超参数调优的过程中，通过缩小范围并随机取值的方式进行收敛判断。
5.根据权利要求1所述的基于Stacking集成学习算法的车辆销售预测方法，其特征在于，所述LR模型即逻辑回归模型，逻辑回归假设数据服从伯努利分布，通过极大化似然函数方法，运用梯度下降来求解参数，以达到将数据二分目的。
6.一种基于Stacking集成学习算法的车辆销售预测系统，其特征在于，包括：
预处理模块，用于获取原始数据，并通过预处理程序对所述原始数据进行预处理，以生成预处理数据，所述预处理程序包括对所述原始数据的数据质量分析处理，文本类型的数值化处理，以及数据集的划分处理；
特征工程模块，用于对所述预处理数据进行特征分析，获取多个特征集合，并基于相关性分析对多个所述特征集合进行特征选择，以删除多个所述特征集合中的冗余特征；
基学习器训练模块，用于进行基学习器模型训练，所述基学习器模型训练包括步骤：通过日向前链交叉验证方法与网格搜索对随机森林和BP神经网络进行超参数调优，通过训练集训练模型，并通过验证集评估模型性能，以获取合适超参数；
元学习器训练模块，进行元学习器模型训练，所述元学习器模型训练包括步骤：基于超参数调优后的模型，分别在验证集和测试集上进行结果的预测，所述结果作为Stacking模型第二层元学习器的训练集与测试集，并通过数据集对LR模型进行训练，输出预测结果。
7.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1至5所述的基于Stacking集成学习算法的车辆销售预测方法的任一步骤，所述存储介质为非易失性存储器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210858110.6A CN115222454A (zh) | 2022-07-20 | 2022-07-20 | 基于Stacking集成学习算法的车辆销售预测方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210858110.6A CN115222454A (zh) | 2022-07-20 | 2022-07-20 | 基于Stacking集成学习算法的车辆销售预测方法、系统及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115222454A true CN115222454A (zh) | 2022-10-21 |
Family
ID=83613952
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210858110.6A Pending CN115222454A (zh) | 2022-07-20 | 2022-07-20 | 基于Stacking集成学习算法的车辆销售预测方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115222454A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115147155A (zh) * | 2022-07-05 | 2022-10-04 | 西南交通大学 | 一种基于集成学习的铁路货运客户流失预测方法 |
| CN118096244A (zh) * | 2024-04-28 | 2024-05-28 | 无锡挚达物联科技有限公司 | 充电桩销量模型训练方法、装置、设备及存储介质 |
-
2022
- 2022-07-20 CN CN202210858110.6A patent/CN115222454A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115147155A (zh) * | 2022-07-05 | 2022-10-04 | 西南交通大学 | 一种基于集成学习的铁路货运客户流失预测方法 |
| CN118096244A (zh) * | 2024-04-28 | 2024-05-28 | 无锡挚达物联科技有限公司 | 充电桩销量模型训练方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109784806B (zh) | 供应链控制方法、系统以及存储介质 | |
| CN115222454A (zh) | 基于Stacking集成学习算法的车辆销售预测方法、系统及存储介质 | |
| CN111666494B (zh) | 分群决策模型生成、分群处理方法、装置、设备及介质 | |
| de Paula Vidal et al. | Decision support framework for inventory management combining fuzzy multicriteria methods, genetic algorithm, and artificial neural network | |
| CN111105266B (zh) | 基于改进决策树的客户分群方法及装置 | |
| CN108763305A (zh) | 数据特征提取的方法、装置、计算机设备和存储介质 | |
| CN113011518B (zh) | 基于组合加权朴素贝叶斯的铝电解槽槽况健康度分类方法 | |
| CN113822499B (zh) | 一种基于模型融合的列车备件损耗预测方法 | |
| CN113537807A (zh) | 一种企业智慧风控方法及设备 | |
| CN101808339A (zh) | 一种应用k-means和先验知识的话务小区自适应分类方法 | |
| Mahutga et al. | Within-country inequality and the modern world-system: A theoretical reprise and empirical first step | |
| CN112950262A (zh) | 销量预测方法、装置、计算机设备和存储介质 | |
| CN114529067A (zh) | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 | |
| Zhang et al. | Combination classification method for customer relationship management | |
| CN112037005B (zh) | 一种评分卡的融合方法、装置、计算机设备及存储介质 | |
| Schuh et al. | Databased prediction and planning of order-specific transition times | |
| Nwaogu et al. | Customer churn prediction for business intelligence using machine learning | |
| Ferreira et al. | Data-Driven Production Planning Approach Based on Suppliers and Subcontractors Analysis: The Case of the Footwear Cluster | |
| CN115239491A (zh) | 期货交易方法和计算机设备 | |
| Perumalsamy et al. | Predictive analytics using Genetic Algorithm for efficient supply chain inventory optimization | |
| Cherukuri et al. | Control Spare Parts Inventory Obsolescence by Predictive Modelling | |
| Rodionov et al. | Predicting the Probability of Bankruptcy of Service Sector Enterprises Based on Ensemble Learning Methods | |
| Emel et al. | Integrating Quality Function Deployment with Fuzzy Cognitive Maps for Resolving Correlation Issues in the Roof Matrix | |
| Ateekh-Ur-Rehman et al. | Evaluation of advance manufacturing technologies using concord and discord indices | |
| Bisht et al. | Principal component analysis and correlation coefficient-based decision-making approach for stock portfolio selection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20221021 |