文献类型：期刊文章

作　　者：谢坤[1] 容钰添[1] 胡奉平[1] 陈桓[1] 姚小龙[1]

XIE Kun;RONG Yutian;HU Fengping;CHEN Huan;YAO Xiaolong(Research and Development Center of Big Data and Blockchain,SF Technology Co.,Ltd.,Shenzhen,Guangdong 518000,China)

机构地区：[1]顺丰科技有限公司大数据与区块链研发中心,广东深圳518000

出　　处：《计算机工程》

基　　金：深圳市发展改革委战略性新兴产业发展专项“基于人工智能技术的智慧物流系统研发与产业化项目”。

年　　份：2020

卷　　号：46

期　　号：12

起止页码：290-298

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD_E2019_2020、IC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘　　要：用于销售预测的历史数据存在稀疏性与波动性等特点,当预测周期较长时,传统统计学或者机器学习领域预测算法的预测效果较差。为此,利用随机森林的集成思想与训练数据集的随机分割重组,提出一种基于数据集成的随机森林算法。该算法通过随机重组将原始的一维预测变量重组为高维变量,并将输出求和值作为最终预测值。实验结果表明,与ARIMA、RF、GBDT等传统算法相比,该算法在实际数据集上的预测效果取得显著提高。同时,拓展实验表明数据集成还可应用在ARIMA算法上,使预测准确率提高约3%。

关 键 词：销量预测 时间序列预测 机器学习  数据集成 随机森林  

分 类 号：TP181]