基于商品聚类的电商销量预测

随着我国大力推进电商行业的发展,越来越多的电商企业加入到线上的竞争之中.随着销量的增大,第三方电商企业所掌握的销售数据也越来越多,这些分类上零散的销售数据给数据处理预测带来了一定的难度,常常导致在预测过程中数据不完备或者预测结果存在非常大的偏差.为了改善这一问题,这里提出了一种基于销售数据的产品重分类预测模型,利用产品销售共性提取产品聚类簇,再使用时间序列模型得出预测结果并通过隐马尔科夫预测模型给出预测结果的概率分布.通过实验分析,利用以上模型的预测获得较好的预测结果,对电商企业制定营销策略具有一定的参考价值.     

基于机器学习组合模型的电商商品销量预测

如何准确高效地预测销量是企业一直以来关注的重要问题.传统的时间序列预测方法虽然在研究和实践中占主导地位,但是存在一定的局限性.随着大数据的发展,电商企业能获取前所未有的数据量和数据特征,仅利用过去的行为和趋势很难准确地对销量进行预测.本文提出一种基于随机森林、GBDT、XGBoost算法的成本厌恶偏向性组合预测模型,并...     

机器学习中的概念聚类

一、引言机器学习是人工智能发展中一个十分活跃的领域,机器学习的研究就是希望计算机能够像人类那样具有从现实世界获取知识的能力。学习应是一切智能系统的重要特征之一,没有学习能力的系统都不堪称为智能系统。因此不少学者认为,如果说八十年代是专家系统的年代,那么九十年代将是机器学习的年代。归纳学习是机器学习研究中最为困难,然而却最为诱人的一个方面。从科学哲学的观点来看,归纳能够帮助人们学习,而且也     

基于聚类和XGboost算法的心脏病预测

过去十几年来,心脏病发病率在全球一直呈上升趋势且居高不下.所以,如果可以通过计算机手段提取人体相关的体检指标,且通过机器学习的方式来分析不同特征及其权值对于心脏病的影响,对于预测和预防心脏病将起到很关键的作用.因此本文提出一个基于聚类和XGboost算法的预测方法.通过对数据的预处理,区分特征,再通过聚类算法如K-means对数据集聚类分块.最后用XGboost算法进行预测分析.实验结果表明,所提出的基于聚类和XGboost算法的预测方法的可行性和有效性,为就医推荐等应用提供了精准有效的帮助.     

基于K-均值聚类的RBF神经网络血糖浓度预测

针对糖尿病患者血糖数据的复杂性与不稳定性,提出一种基于K-均值聚类算法的径向基函数（Radical Basis Function, RBF）神经网络的短期血糖预测方法。首先将动态血糖监测(Continous Glucose Monitoring System, CGMS)采集的糖尿病患者血糖浓度时间序列进行平滑滤波和归一化处理,提高血糖数据序列的光滑度,弱化原始血糖数据序列的随机性。然后对处理后的血糖浓度时间序列构造RBF网络,采用K-均值聚类进行优化,并用最小二乘法进行RBF网络的权值调整进而获得未来血糖浓度的预测值,从而保证预测的精度。     

机器学习中谱聚类方法的研究

最近几年,谱聚类方法在模式识别中得到了广泛的应用。与传统的聚类方法比较,它具有能在任意形状的样本空间上聚类,且收敛于全局最优解的优点。本文着重介绍了谱方法的基本原理、相应的算法、研究状况及其在模式识别领域中的应用,同时指出了它的关键问题与未来的研究方向。     

基于聚类的模糊神经网络预测系统

本文在Ｔａｋａｇｉ提出的神经网络驱动的模糊推理基础上,提出了基于聚类的新模糊神经网络的和学习算法。     

基于聚类的超链路预测

超链路预测是利用已观测到网络的特性来复现网络中缺失的链路。现有的超链路预测算法通常利用整个网络来进行预测,预测结果会遗漏训练样本数据较少的链路类别,导致预测种类不够全面。为了解决这个问题,提出了基于聚类的超链路预测算法C-CMM,首先对数据集进行聚类分簇,进而对每一个簇建立模型进行超链路预测。所提算法能够充分利用各个簇的观察样本所蕴含的信息,扩大预测结果覆盖的类别。在三个真实数据集上的实验结果表明,C-CMM和多个先进的链路预测算法相比具有更高的预测精度和效率,同时其预测覆盖种类也更加全面。     

基于神经网络的自动售货机销量预测

采用神经网络理论对罐装饮料自动售货机销售额的预测进行了数学建模,采用BP神经网络实现了罐装饮料自动售货机销售额的预测,并通过隐层神经元和输入层神经元个数的确定以及训练算法性能对比验证了所设计模型和方法的可行性和有效性,为罐装饮料自动售货机的管理工作提供了一种新的方法.     

基于BP-AdaBoost的电商短期销量预测模型

电子商务是伴随互联网技术快速兴起的一种规模大、潜力大的新型商业模式,对产品进行短期销量预测能够帮助电商企业对市场变化采取更加迅速的反应和措施.本文通过电商销量历史数据和门户商品链接点击量建立了一种应用于电子商务会计系统的短期销量预测模型.借助AdaBoost思想集合多个传统的BP神经网络的预测结果,使其具备更高的预测准...     

基于聚类和支持向量机的话务量预测模型

针对利用单因素时问序列模型进行话务量预测的不足,建立基于模糊C均值(FCM)聚类和支持向量机(SVM)的多元回归话务量预测模型.模型使用FCM算法对话务量的原始样本集聚类,选择与待预测样本特征最相似的样本子集作为训练集.使用SVM训练样本,通过决策回归函数预测话务量.实际话务量数据验证表明,该方法较周期时间序列和神经网络预测方法具有更高的预测精度和泛化能力.     

混合多机器学习的ICU病人生死预测框架

ICU病人生死预测一直都是医学界的研究热点和难点。数据挖掘的机器学习方法近年来在该领域取得了一定的进展,但依然有很大的发展空间。针对ICU时序数据的高维度和不确定间隔采样特性,提出了不确定间隔采样转化为确定间隔的空采样的思想和相应的处理策略;在此基础上将传统的时间序列聚类与机器学习方法相结合,提出了一个两阶段的混合多机器学习算法框架,使得数据集的高维和不确定性得到了约简,从而可以采用经典的机器学习方法挖掘病人生死知识。在一个公开数据集上的两组实验结果表明,基于该算法框架的ICU病人死亡预测方法对于少数样本的分类效果优于传统方法,弹性时间间隔下的预测效果更好,最优时间间隔的选取可以通过实验效果来验证。     

基于机器学习的短期负荷预测算法综述

为维持电网稳定,各种负荷预测方法层出不穷,但由于算法泛化能力、模型复杂度等自身特点不同,使其对于负荷预测的适用性存在差异.本文讨论了近5年短期电力负荷预测的国内外研究现状,从实验数据集、数据预处理、预测算法、优化模型以及评估方法等多个维度对当前电力负荷预测研究现状进行整体概述,同时总结各种预测算法的优缺点与适用性,对短期电力负荷预测系统的发展趋势进行总结与展望,以期为未来电力系统负荷预测模型选择提供参考.     

一种基于自演化预训练的多变量时间序列预测算法

时间序列预测是典型的时间序列分析任务,对于辅助决策、资源配置、提前采取止损措施等方面有重要意义,在包括电力、气象、交通、商业等领域有广泛应用.近年来,时间序列预测算法一直是机器学习的热门研究领域,其中多变量时间序列预测是一个具有挑战性的任务.本文研究多变量时间序列预测的局部变量预测精度问题,即多变量预测需要在提升整体预...     

基于时间序列的支持向量机在股票预测中的应用

由于股票预测是不确定、非线性、非平稳的时间序列问题,传统的方法往往难以取得满意的预测效果。本文提出一种基于时间序列的支持向量机（SVM）股票预测方法。利用沙河股份的股票数据,建立股票收盘价回归预测模型,该模型克服了传统时间序列预测模型仅局限于线性系统的情况。实验结果表明,该方法比神经网络方法以及时间序列方法的预测精度更高,可以很好的应用某些非线性时间序列的预测中。