典型文献
基于EEMD-GBDT-BiLSTM模型的块状需求预测
文献摘要：
块状需求是间断性需求的一种，在零售商品SKU（Stock Keeping Unit）级别的需求预测中较为常见，而块状需求的时间序列呈现非平稳性及间断性等特征，导致其难以预测。为了解决该问题，本文提出了一种基于集合经验模态分解（EEMD）的Stacking集成预测模型（EEMD-GBDT-BiLSTM）。该模型利用EEMD处理原始时间序列以降低数据的非平稳性，减弱间断性的影响；其次通过梯度提升树（GBDT）模型训练出性能较好的初级学习器；最后使用双向长短期记忆神经网络（BiLSTM）作为次级学习器，弥补GBDT模型对数据间时序依赖关系识别的不足。采用国内某零售企业7个月的销售数据进行验证，实验结果表明，EEMD-GBDT-BiLSTM模型能有效应用于块状需求预测，对比基准预测模型，在MAE，RMSE和WMAPE指标方面均有显著提升。
文献关键词：
块状需求预测;Stacking;EEMD;GBDT;BiLSTM
中图分类号：
作者姓名：
徐骏
作者机构：
同济大学经济与管理学院
文献出处：
引用格式：
[1]徐骏-.基于EEMD-GBDT-BiLSTM模型的块状需求预测)[J].经济与社会发展研究,2022(13):65-68,192
A类：
块状需求预测,WMAPE
B类：
EEMD,GBDT,BiLSTM,间断性,性需求,零售商,SKU,Stock,Keeping,Unit,非平稳性,难以预测,集合经验模态分解,Stacking,集成预测模型,梯度提升树,模型训练,练出,初级学习器,双向长短期记忆神经网络,次级学习器,依赖关系,关系识别,零售企业,销售数据,有效应用,比基,MAE,RMSE
AB值：
0.320363
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
