基于选择性集成ARMA组合模型的零售业销量预测

• 作者: 常炳国 廖春雷 毛丹华 臧虹颖
• 来源期刊: 计算机测量与控制
• 关键词: 零售销量预测 非平稳时序 误差补偿 自回归移动平均模型 遗传优化算法
• 年，卷（期）: 2018,（5）
• 所属期刊栏目: 设计与应用
• 页码范围: 132-135
• 页数: 4页
• 分类号: F272.1
• 语种: 中文
• DOI: 10.16526/j.cnki.11-4762/tp.2018.05.033

摘要

准确预测商品销量的走向对零售企业具有重要意义,构建自回归移动平均模型(ARMA模型,Auto-Regressive and Moving Average Model)对零售商品时序销量数据进行预测分析;传统ARMA模型无法准确描述商品销量中同时存在的非平稳非线性特征;论文分别采用支持向量回归(SVR,Support Vector Regression)方法和极限学习机(ELM,Extreme Learning Machine)方法,对时序模型中非线性误差进行预测并进行误差补偿,提高了商品销量的预测精度;提出了遗传优化的选择性集成定阶方法,用以简化ARMA模型的复杂定阶过程,降低了对数据平稳性程度要求;论文收集了某电商平台商品销量数据,对ARMA、选择性集成ARMA、ARMA-SVR、ARMA-ELM四种预测模型的性能进行了对比分析,结果表明,选择性集成ARMA模型预测精度在平稳和非平稳时序数据下分别提高23.58％和41.28％;组合模型相比仅采用线性平稳时序模型的预测结果更符合实际,其中,ARMA-SVR模型在小样本、非平稳时序下预测精度比ARMA-ELM模型高出约三分之一.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	常炳国	湖南大学信息科学与工程学院	20	118	7.0	10.0
2	臧虹颖	湖南大学信息科学与工程学院	2	3	1.0	1.0
3	廖春雷		1	2	1.0	1.0
4	毛丹华		1	2	1.0	1.0