论文部分内容阅读
随着互联网行业的蓬勃发展,外卖行业也越发成熟,随之带来外卖行业间的竞争愈发激烈。对于外卖商家,特别是品牌连锁店铺来说,要增强自身品牌竞争力,就要根据分店的具体需求对各个分店科学调控,来提升服务质量,因此需要对各个分店的消费需求有准确的预测。对外卖订单数量的预测可以为品牌、为店铺、为外卖平台提供决策支持,使资源配置更加合理,达到提高消费者满意度的同时,合理节约生产成本。而BP神经网络可以自行学习输入和输出之间的关系,特别是在解决非线性问题方面具有突出的优势。为此,本文针对连锁商铺的外卖订单数量预测,建立了一种改进的BP神经网络模型,以此提升外卖订单数量预测的准确性,同时将BP神经网络和遗传算法结合,解决BP神经网络在收敛速度慢、容易陷入局部收敛的缺陷,具体工作如下:(1)结合连锁商铺运营模式和外卖订单影响因素相关的研究成果,对实际实验数据进行相关性分析,选取了影响连锁商铺外卖订单数量的主要影响因素。为了降低实验误差,加快训练速度,体现不同影响指标对外卖订单数量的影响程度,使用熵权法和灰色关联分析法,依据数据中蕴含的信息量和相关影响程度对指标数据进行组合加权。对各个店铺的订单数量使用ARIMA时间序列模型进行预测,将预测结果与其他影响因素共同作为BP神经网络的输入,使建立的模型能够结合店铺本身的发展趋势做出预测。(2)BP神经网络存在依赖初始权值和阀值,容易陷入局部极小值的问题,而遗传算法具有较强的全局搜索能力,将BP神经网络作为遗传算法的适应度函数,预测值和实际值之间的误差矩阵范数作为个体适应度,全面搜索最优权值和阀值作为BP神经网络的初始权值和阀值。针对传统遗传算法中根据经验采用固定交叉算子和变异算子所引起的缺陷,将遗传算子改进。使遗传算法在进化过程中,能够根据不同个体的适应度采用不同的交叉和变异概率,避免产生优势不明显的子代个体,减慢进化效率。通过对比实验,建立的模型进化过程加快,达到的误差更小,提高了连锁商铺外卖订单数量的预测精度,更加贴合订单变化的波动情况。