基于多维度跨尺度LSTM模型的时序预测

针对当前LSTM模型在对金融时间序列数据预测时普遍存在的滞后性问题，提出一种基于LSTM模型的金融数据跨尺度预测方法。通过在训练模型中加入最值选择机制，结合短周期数据转换为长周期数据方法，达到跨尺度预测效果，该跨尺度预测方法降低了金融时间序列数据预测的滞后性。通过结合经济学技术性指标的多维度数据，提高模型的预测精度。依据K线图思路，对金融时序数据进行处理，将K线图所反映的信息通过数值的角度回馈模型，通过这种改进型方法，提高模型的预测精度。通过实验验证，该方法相较传统方法预测精度更高，滞后性更低。     

基于LSTM-LightGBM模型的车站环境温度预测

客运火车站环境温度易受其他环境特征变量如湿度、PM2.5、二氧化碳等影响,传统的单变量预测算法并未考虑其他环境特征变量的影响因素;为进一步准确预测车站环境温度值,提出了结合长短期记忆神经网络LSTM与梯度提升算法LightGBM的组合模型,对客运站环境温度值进行预测;首先将预处理数据输入LSTM模型,对环境特征变量湿度、二氧化碳、PM2.5、PM10进行单变量预测;再将环境特征变量的LSTM输出预测值输入LightGBM模型得出环境温度预测值;根据波形图与均方根误差RMSE对比分析,基于LSTM-LightGBM的组合模型预测方法可以保留LSTM模型对单变量预测的周期性特点,且可表现出环境特征变量输入LightGBM模型后对温度预测的非平稳变化;结果表明基于LSTM-LightGBM的组合模型方法比单纯使用LSTM方法更接近原始波形,具有更低的RMSE。     

消费者研究从何下手

零售终端上出现缺货的原因,在于对消费者的需求把握不足。供应商和零售商可以通过对门店POS数据、销售数据和会员消费信息等数据的分析和对购物者的调查来了解目标消费者的消费需求和行为特征,以克服不利经营的因素。     

消费者行为分析的推荐算法研究

随着互联网技术的不断进步,电子商务得到了快速的发展,通过网络购物平台消费已经逐渐成为一种主要消费渠道。在互联网大发展的背景下,庞大的数据量带来便利的同时又为消费者的消费选择造成了困扰。如何从这些数量庞大的商品信息中快速准确地挖掘出消费者所感兴趣的商品成为当前电子商务领域研究的一大热点。随着人工智能技术的不断进步和突破,电子商务企业对消费者的消费倾向及消费能力等作出预测,以实现精准的商品推荐。为进一步了解国内外对消费者行为预测及精准推荐算法的研究,笔者特查阅相关的文献资料,对文献资料进行了分析总结,撰写文献综述,旨在为消费者行为算法的研究提供理论指导。     

基于改进的深度Q网络结构的商品推荐模型

传统推荐方法存在数据稀疏和特征识别差等问题,为了解决这些问题,根据隐式反馈构建具有时序性的正负反馈数据集。由于正负反馈数据集和商品购买具有强时序性特征,引入长短期记忆（LSTM）网络作为模型构件。考虑用户自身特征和用户动作选择回报由不同的输入数据决定,对竞争架构的深度Q网络进行改进,融合用户正负反馈和商品购买时序性,设计了基于改进的深度Q网络结构的商品推荐模型。模型对正负反馈数据进行区分性训练,对商品购买的时序性特征进行提取。在Retailrocket数据集上,与因子分解机（FM）模型、W&D模型和协同过滤（CF）模型中表现最好的相比,所提模型的准确率、召回率、平均准确率（MAP）和归一化折损累计增益（NDCG）分别提高了158.42%、89.81%、95.00%和67.57%。同时,使用DBGD作为探索方法,改善了推荐商品多样性低的缺陷。     

基于迭代回归树模型的跨平台长尾商品购买行为预测

长尾商品是指单种商品销量较低,但是由于种类繁多,形成的累计销售总量较大,能够增加企业盈利空间的商品。在电子商务网站中,用户信息量较少且购买长尾商品数量较少、数据稀疏,因此对用户购买长尾商品的行为预测具有一定的挑战性。该文提出预测用户购买长尾商品的比例,研究单一用户购买长尾商品的整体偏好程度。利用社交媒体网站上海量的文本信息和丰富的用户个人信息,提取用户的个人属性、文本语义、关注关系、活跃时间等多个种类的特征;采用改进的迭代回归树模型MART(Multiple Additive Regression Tree),对用户购买长尾商品的行为进行预测分析;分别选取京东商城和新浪微博作为电子商务网站和社交媒体网站,使用真实数据构建回归预测实验,得到了一些有意义的发现。该文从社交媒体网站抽取用户特征,对于预测用户购买长尾商品的行为给出一个新颖的思路,可以更好地理解用户个性化需求,挖掘长尾市场潜在的经济价值,改进电子商务网站的服务。     

基于改进的深度Q网络结构的商品推荐模型

传统推荐方法存在数据稀疏和特征识别差等问题，为了解决这些问题，根据隐式反馈构建具有时序性的正负反馈数据集。由于正负反馈数据集和商品购买具有强时序性特征，引入长短期记忆（LSTM）网络作为模型构件。考虑用户自身特征和用户动作选择回报由不同的输入数据决定，对竞争架构的深度Q网络进行改进，融合用户正负反馈和商品购买时序性，设计了基于改进的深度Q网络结构的商品推荐模型。模型对正负反馈数据进行区分性训练，对商品购买的时序性特征进行提取。在Retailrocket数据集上，与因子分解机（FM）模型、W&D模型和协同过滤（CF）模型中表现最好的相比，所提模型的准确率、召回率、平均准确率（MAP）和归一化折损累计增益（NDCG）分别提高了158.42%、89.81%、95.00%和67.57%。同时，使用DBGD作为探索方法，改善了推荐商品多样性低的缺陷。     

基于时空图神经网络的商品销量预测

精准预测商品的销量是提高商品营销效率的前提和基础.为了更好地预测商品销量,现有研究人员提出了基于深度神经网络(DNNs)、卷积神经网络(CNNs)、时间序列分析等方法,但这些方法大多只单方面考虑到商品销售过程中的时间或者空间特征.同时基于商品销售数据的建模分析发现,商品的销量和对应的零售商户的空间位置和销售时间有较大的相关性.为了更加准确地预测某种商品,在特定商店,以及在特定时间的销量,本研究首先构建了以商家为基础的大规模知识图谱系统,通过一张图的数据模型,描述商品销售和对应的商圈、商户、用户的相关交互场景.同时在图模型上增加了商家数据的空间和数据特征,用于描述商户的时空特性.最后基于构建的商家知识图谱,本研究提出了基于图卷积神经网络(GCN)聚合信息获取空间特征,然后使用长短期记忆(LSTM)提取时间特征,并将两种特征进行加权结合,进行商品销量预测.初步研究结果表明:基于图和LSTM模型的混合模型的算法预测投放量最为贴近实际销量,相比于传统的神经网络算法,该模型预测的平均准确率为89%.最后通过构建流水线工作流,将整个商品销量智能预测系统部署到生产环境中,为实现商品精准化营销提供了智...     

基于单步预测LSTM的短期负荷预测模型北大核心

针对目前智能电网下负荷数据存在特征相关性低与序列非平稳性的特点,为达到提高短期负荷预测精度的目的,提出一种单步负荷预测的双层LSTM模型的方法,除了考虑的地理区域的天气数据外,还使用负荷的时间序列。首先采用最大信息系数(MIC)对多源异构特征进行提取,随后使用随机森林和递归特征消除(RFE)用于特征选择,将对异常值敏感、鲁棒性好的Robust标准化方法应用于所选特征的预处理中,最后由单步预测的双层LSTM模型预测结果。文章所搭建的负荷预测模型具有数据强相关性特征、预测精度高的优点。依据数据实验结果,取得了1.38%的MAPE值。并且与其它预测模型相比,基于单步预测LSTM的短期负荷预测方法的预测精度提高效果明显。     

基于艾宾浩斯遗忘曲线的零售商品模糊关联分析

针对消费者对商品的偏好存在时序变化特征,而传统关联规则方法未考虑时间因素的影响,且对海量数据集进行关联挖掘时存在效率低下的问题,提出了基于艾宾浩斯遗忘曲线的模糊关联规则算法。该方法通过FCM聚类算法对商品进行聚类,并用艾宾浩斯遗忘曲线来修正聚类的距离度量方法,从而得到商品类及各类的代表点商品;然后将各代表点商品作为属性,消费记录小票作为样本,利用模糊关联规则算法得到代表点商品间的规则;最后将某大型超市一个月的销售记录作为关联规则的事务数据来挖掘潜在规律,结果显示所提算法先对商品模糊关联分析,与传统直接对商品进行关联分析相比,该算法可以显著提高关联挖掘的效率和规则的正确率。     

一种基于LSTM模型的日销售额预测方法

精准的销售额预测对于商业运营有非常大的指导意义,可以指导运营后台提前进行合理的资源配置,帮助管理者制定合理的目标。零售商店日销售额预测指从商店已有日销售额的数据资料中总结出商品销售额的变化规律,并根据该规律动态预测未来一段时间内的日销售额。预测目的是通过增加企业销量,从而完善生产模式,使企业获利。目前,现有的关于商品销售额预测方法的精度大都不高,低于85%。因此,提出了一种基于TensorFlow的LSTM模型的零售商店日销售额预测方法,能够提高预测未来一周的日销售额精度。实验结果显示,预测精度达到90%;同时得到LSTM模型的MAPE为0.031932,MAE为168.3207,明显高于现有模型的预测结果。     

基于XGBoost和LSTM加权组合模型在销售预测的应用

针对多变量的商品销售预测问题,为了提高预测的精度,提出了一种ARIMA-XGBoost-LSTM加权组合方法,对具有多个影响因素的商品销售序列进行预测,本文采用ARIMA做单变量预测,将预测值作为新变量同其他变量一起放入XGBoost模型中进行不同属性的挖掘,并将XGBoost的预测值合并到多变量序列中,然后通过将新的多维数据转换为监督学习序列后利用LSTM模型进行预测,将3种模型预测结果进行加权组合,通过多次实验得出最佳组合的权值,以此计算出最终的预测值.数据结果表明,基于XGBoost和LSTM的加权组合的多变量预测方法比单一的预测方法所得到的预测值更为精准.     

基于LSTM的智能家庭用电预测模型研究

家庭用电是能源市场的一个重要组成部分,预测家庭用电需求能够实现智能供电,可以有效地提高供给率,但目前预测方法大多效果不佳.针对此,提出了一种基于LSTM的面向家庭智能用电预测算法,建立了端到端的智能家庭用电预测模型.其在Boruta特征筛选的基础上设计了特征选择方法,对多个特征进行重要性计算,选取其中重要性高的部分进行...     

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.     

基于支持向量机的海量电力数据智能分类方法

针对电力公司海量数据分类问题,提出一种改进的k-means数据分类方法。在k-means算法的基础上,应用PCA对k-means算法进行降维处理,用canopy算法优化最佳簇集数、初始聚类中心。然后,应用改进的k-means算法对居民用户用电进行聚类;最后以该聚类结果为基础,建立LSTM预测模型。通过LSTM预测模型对某小区90户居民用电数据进行仿真实验,并对比分析了传统聚类、改进聚类和不适用聚类下LSTM三种模型的预测结果。结果表明,未使用任何聚类算法构建的LSTM模型在进行电力负荷预测时,预测结果的精度最低;应用改进的k-means算法构建的LSTM模型预测结果精度最佳。     

消费者偏好预测的深度学习神经网络模型

通过对于人类大脑活动的研究来分析消费者对广告和产品的反应的神经营销正在受到新的关注。针对基于脑电波（EEG）的神经营销，提出了一种基于深度学习神经网络的消费者对产品的偏好预测方法。首先，为了提取消费者EEG的特征，采用短时傅里叶变换（STFT）与双调和样条插值，从多通道脑电信号中得到了5个不同频带的EEG形图视频；然后，提出了一种结合5个三维卷积神经网络（3D CNN）与多层长短期记忆（LSTM）神经网络的预测模型，用于从脑电地形图视频预测到消费者的偏好。与卷积神经网络（CNN）模型和LSTM神经网络模型相比，消费者依赖模型的平均准确度分别提高了15.05个百分点和19.44个百分点，消费者独立模型的平均准确度分别提高了16.34个百分点和17.88个百分点。理论分析与实验结果表明，所提出的消费者偏好预测系统可以以低成本提供有效的营销策略开发和营销管理。     

Forecasting building energy consumption: Adaptive long-short term memory neural networks driven by genetic algorithm

The real-world building can be regarded as a comprehensive energy engineering system; its actual energy consumption depends on complex affecting factors, including various weather data and time signature. Accurate energy consumption forecasting and effective energy system management play an essential part in improving building energy efficiency. The multi-source weather profile and energy consumption data could enable integrating data-driven models and evolutionary algorithms to achieve higher forecasting accuracy and robustness. The proposed building energy consumption forecasting system consists of three layers: data acquisition and storage layer, data pre-processing layer and data analytics layer. The core part of the data analytics layer is a hybrid genetic algorithm (GA) and long-short term memory (LSTM) neural network model for accurate and robust energy prediction. LSTM neural network is adopted to capture the interrelationship between energy consumption data and time. GA is adopted to select the optimal architecture for LSTM neural networks to improve its forecasting accuracy and robustness. The hyper-parameters for determining LSTM architecture include the number of LSTM layers, number of neurons in each LSTM layer, dropping rate of each LSTM layer and network learning rate. Meanwhile, the effects of historical weather profile and time horizon of past information are also investigated. Two real-life educational buildings are adopted to test the performance of the proposed building energy consumption forecasting system. Experiments reveal that the proposed adaptive LSTM neural network performs better than the existing feedforward neural network and LSTM-based prediction models in accuracy and robustness. It also outperforms those LSTM networks whose hyper-parameters are determined by grid search, Bayesian optimisation and PSO. Such accurate energy consumption prediction can play an essential role in various areas, including daily building energy management, decision making of facility managers, building information model designs, net-zero energy operation, climate change mitigation and circular economy.     

Optimal pricing of online products based on customer anchoring-adjustment psychology

Online product pricing is an important factor that affects the purchase of customers and the earnings of e-commerce platform enterprises. It has an increasingly prominent influence on consumers’ purchasing decisions. To study the influence of customers’ anchoring psychology and product pricing on customers’ purchasing behaviors, this paper proposes a pricing model that considers online consumers to be anchored by the product price and sales. The cognitive bias of online consumers is described by a utility function based on an anchoring-adjustment heuristic, and consumer choice behavior and an online product pricing strategy are studied with a multinomial logit model. Then, it studies the influence of the anchoring point and anchoring degree on optimal pricing, sales and profit. In particular, when consumers are anchored only by sales of goods, the optimal solution is monotonic with respect to the anchoring degree. However, when consumers are anchored by both price and sales, both factors affect consumer behaviors and produce more complex results. This paper provides a flexible pricing mechanism for platform enterprises, and it can provide a theoretical basis and decision support for dynamic pricing of platform enterprises based on historical consumption data.     

基于二次聚类和隐马尔可夫链的持卡消费行为预测

银行卡支付在社会消费行为中占很大比例,在促进经济增长中发挥重大作用,因此,预测持卡消费行为具有重要意义。然而,传统方法难以有效应对复杂数据和动态变化。为此,提出基于二次聚类和隐马尔可夫链（HMC）理论的个体消费行为预测方法。首先,对消费行为按照序列进行模式聚类,并引入惩罚聚类进行二次聚类,对序列模式中的层次状态进行平衡划分;其次,利用HMC来估计序列中消费层次的状态转移,对用户的未来消费行为进行预测。最后,通过实验比较分析传统聚类、无惩罚序列聚类和带惩罚项的聚类结果表明,提出的基于二次聚类和隐马氏链的方法更适用于消费者行为预测。