一种基于ARIMA模型和GBDT算法的销售预测方法与流程

技术特征：
1.一种基于arima模型和gbdt算法的销售预测方法，其特征在于，基于销售企业的时间序列数据，通过融合arima模型和gbdt算法，建立销量预测模型，挖掘原始销售数据中的线性信息和非线性信息，预测未来时间内的销售数据。2.根据权利要求1所述的方法，其特征在于，步骤如下：(1)数据获取及预处理；(2)构建arima模型；(3)构建arima_gbdt融合模型；(4)模型效果比对。3.根据权利要求2所述的方法，其特征在于，(1)数据获取及预处理接入对数据进行去重、清洗、校验，将多源的数据进行整合；然后对数据进行分析、统计；采用网络爬虫技术获取企业销售数据，然后以python语言为基础，利用pandas进行数据的预处理工作，并以图表的形式将处理好的数据进行可视化展示，为后续算法模型的检验，提供可靠的数据集。4.根据权利要求3所述的方法，其特征在于，对数据进行分析、统计，给出可视化展示。5.根据权利要求2所述的方法，其特征在于，(2)构建arima模型基于处理好的数据，构建arima模型，包括白噪声检验、序列平稳性检验及非平稳序列处理、模型识别和定阶、模型中未知参数的估计、模型优化，最后将应用得到的arima模型，给出数据集未来5个时间单位的销售额预测值。6.根据权利要求2所述的方法，其特征在于，(3)构建arima_gbdt融合模型将一个时间序列看做是线性部分和非线性部分的加和，用arima模型对时间序列进行拟合分析，提取序列中的线性部分，再通过gbdt算法来拟合残差，即可发现序列中的非线性信息。7.根据权利要求6所述的方法，其特征在于，利用python将原始数据、arima拟合数据和残差数据，作为算法的输入值，通过网格调参法，得到预测结果。8.根据权利要求2所述的方法，其特征在于，(4)模型效果比对并采用rmse和mape两种评价指标，来对比和量化模型的优劣，基于以上结果，可得出arima_gbdt融合模型在趋势拟合、短期预测准确率和总体预测误差方面。

技术总结
本发明提供一种基于ARIMA模型和GBDT算法的销售预测方法，属于人工智能领域，本发明基于销售企业的时间序列数据，通过融合ARIMA模型和GBDT算法，建立销量预测模型，充分挖掘原始销售数据中的线性信息和非线性信息，预测未来一段时间内的销售数据。本发明基于时间序列数据的分析方法，提出了传统ARIMA模型和GBDT算法的融合方法，在销售数据分析预测上得到了可观的准确率提升。可观的准确率提升。可观的准确率提升。


技术研发人员：郭英楠 王玉德 赵国森 崔乐乐
受保护的技术使用者：天元大数据信用管理有限公司
技术研发日：2022.08.23
技术公布日：2022/11/11