2023年泰迪杯数据挖掘挑战赛B题完整数据分析与预测（5.针对完整数据的组合预测-机器学习+深度学习）

原创 已于 2023-04-26 14:54:48 修改 · 9.7k 阅读 · 101 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
收录于
数学建模竞赛

当前文章被收录于：

数学建模竞赛
39 篇文章 61 人学习

数学建模爱好者的个人分享

订阅专栏 查看详情
于 2023-04-17 02:06:25 首次发布
文章介绍了使用机器学习（如随机森林）和深度学习（LSTM）结合时间序列分析对泰迪杯数据进行商品需求预测的过程。首先，通过非线性回归的树模型建立预测基准，然后利用LSTM考虑时间序列信息，发现按周粒度预测能提高模型泛化能力。最终，通过线性加权组合两种模型的结果得到最终预测。

背景

==2023年泰迪杯完整数据最新出炉，博主根据最新完整数据对原来的预测方案进行了调整，采用机器学习+深度学习的组合预测来实现最终预测 ==

全部数据已经出炉，可以看出训练样本和预测样本都增加了十倍，这对于数据的处理复杂程度也有所增加。其实本道题最难的地方就是数据预处理，跑模型反而是最简单的。

1.先跑机器学习模型（不考虑时间序列）

在这里插入图片描述
检查变量之间相关性，无明显线性相关特征，因此考虑非线性回归模型来解决，

在这里插入图片描述

效果较好的主要还是传统的树模型，尤其在随机森林上有较好表现。下面是随机森林回归得到的重要特征排序。
在这里插入图片描述

利用效果较好的机器学习模型进行预测，并且保存预测结果作为预测基准结果。
在这里插入图片描述

2.深度学习-LSTM（考虑时间序列）

  • 数据预处理流程，按照预测数据集样本数将训练数据集分割成对应时间序列数据集
  • 循环训练模型进行预测
  • 组合预测，加权得到最终预测结果

按照商品code：20002按天维度预测的demo

下面是lstm模型训练随着训练轮次的损失函数收敛情况。

在这里插入图片描述

下面是在验证集上的拟合效果图：可以看出按照天的预测效果一般，但也进行了很好的拟合。
在这里插入图片描述
在这里插入图片描述
进一步开了按照周的时间粒度进行预测。

在这里插入图片描述
模型训练损失函数下降过程。
在这里插入图片描述
根据验证集对比效果可以看出，按照周的时间粒度预测，模型的泛化能力有所增强。这是因为按照周的时间预测可以保证大部分数据不会缺失，从而保证模型预测的合理性。
在这里插入图片描述
可以看出该商品在周的时间粒度上能够取得更好的预测效果。

最终将该商品未来三个月的商品需求预测出来，并且进一步建立组合预测模型尽心给处理，组合预测最简单的一种方式就是线性加权，以机器学习预测结果作为基准，考虑时间序列的深度学习进行加权，得到最终预测结果。

在这里插入图片描述
在这里插入图片描述

3.分享

有任何问题都可以私信我讨论
2023泰迪杯完整数据的源码和结果

标签
#2023年泰迪杯 #全部数据 #机器学习 #深度学习 #多元时间序列回归
2023年泰迪杯B-产品订单需求预测一等奖完整paper.pdf
06-27
博主参赛作品，最终拿了一等奖，全文不含附录55页，质量非常好，有需要的同学可以参考学习。 具体解题思路可以参考博主的博客https://blog.csdn.net/maligebilaowang/article/details/130191381?spm=1001.2014.3001.5501 本文通过建立 Pearson 相关性模型，趋势拟合模型，方差分析模型来定量的研究各 种因素对订单需求的影响。进一步建立机器学习模型，深度学习模型以及以及各种组合 预测模型来产品未来的订单需求量，并且利用 GA 智能寻优算法确定模型超参，基于不 同时间粒度的数据提高预测精度，实现企业订单需求的精准预测。
2023年泰迪杯B题完整数据代码结果
04-26
代码有详细文件说明，开发环境jupyter，主要利用集成学习+深度学习+多种因素分析+完整结果。具体的思路可以参考以下博客，有任何问题可以私信我。 https://blog.csdn.net/maligebilaowang/article/details/130191381?spm=1001.2014.3001.5501 https://blog.csdn.net/maligebilaowang/article/details/129905113?spm=1001.2014.3001.5501
2023泰迪杯数据挖掘赛B题完整成品讲解
smppbzyc的博客
04-23 5532
B题论文共90页，一些修改说明7页，正文72页，附录11页。这次泰迪杯我做得有点晚了，一方面是之前有点事耽搁了两天，所以我是从6天前才开始做。另一方面泰迪杯不愧是时间这么长的比赛，数据量极大，第一问方便你们挑选，题目给出的8个角度我全都分析了，重点是后面需要自己标注数据的四个角度例如节假日等，需要谨慎查询并标注，这四个数据预处理花了我不少时间。不过求解也就是麻烦点，做起来其实也就是相关性＋差异性分析＋分类统计绘图挑着用。
2023年“呕心沥血”之泰迪杯数据挖掘A题新冠疫情比赛经历分享
hhR888888的博客
05-03 4426
2023年“呕心沥血”之泰迪杯数据挖掘A题新冠疫情比赛经历分享
赛事通知丨2024年（第12届）“泰迪杯”挑战赛即将开始
tipdm0526的博客
03-07 2531
2024年（第12届）“泰迪杯”数据挖掘挑战赛将于3月8日开放报名。“泰迪杯”数据挖掘挑战赛始创于2013年，迄今已经连续举办了12年。累计参赛高校千余所，累计参赛人数逾10万人，全国各省份均有参加。大赛的开展始终秉持推动校企合作，产教融合的理念，为高校师生及相关企业搭建交流合作的桥梁。
2023年第十一届“泰迪杯”数据挖掘挑战赛-B题 产品订单的数据分析与需求预测
最新发布
VV1212_662的博客
11-13 966
本文针对产品订单数据开发了多粒度需求预测模型。研究采用相关性分析方法量化价格、区域、销售方式等8个因素对需求量的影响，并基于梯度提升树构建了日/周/月预测模型。模型通过数据预处理、特征降维等步骤，最终选用月度预测模型输出结果。研究探讨了不同时间粒度对预测精度的影响，为产品需求预测提供了多因素分析和组合预测方法。关键词：ARIMA、机器学习、多因素分析。
2023年泰迪杯数据挖掘挑战赛B题--产品订单数据需求预测（3.模型训练与预测）
maligebilaowang的博客
04-02 6947
并且考虑天，周，月等数据精度进行预测，根据问题一的数据分析结果已经可以确定，销售区域，订单类别，销售方式以及时间段等指标对于订单需求都有显著影响，具体的数据分析方法可以参考博主之前的博文。本文考虑利用多种机器学习回归模型进行模型训练和求解，具体包括Arima时间序列，综合考虑了季节因素，在结合支持向量机回归，决策树回归，随机森林回归，Xgboost等多种模型进行综合预测。最终选用了效果较好的时间序列+回归预测进行组合预测，得到最终的预测结果，
2023年泰迪杯数据挖掘挑战赛B题--产品订单数据分析与需求预测（1.数据处理）
maligebilaowang的博客
03-30 1万+
本题相对来说比较适合新手，包括针对数据的预处理，数据分析，特征提取以及模型训练等多个步骤，完整的做下来是可以学到很多东西的。
2023年泰迪杯数据挖掘挑战赛B题产品订单数据分析与需求预测（4.深度学习循环神经网络训练和预测）
maligebilaowang的博客
04-05 4049
前面虽然利用机器学习回归模型，Arima时间序列等模型结合的组合预测已经能够对本题进行很好的解答，但是时间序列无法考虑其他特征变量，比如销售区域，商品品类等的影响，而传统的机器学习回归建模比如支持向量机等也很难考量时间序列的影响，因此考了尝试深度学习模型来进一步深入解决这道题；模型拟合效果一般，但是泛化能力有所增强，对于LSTM模型来说，核心在于超参数的确定以及模型调试，重点还有针对时间的训练数据处理，以及最后的预测处理。，后续全部数据公布之后，会利用上述模型再跑一次，并把结果进行公布。
【2023年第十一届泰迪杯数据挖掘挑战赛】B题：产品订单的数据分析与需求预测 建模及python代码详解 问题一
BetterBench的博客
03-26 1万+
然后，可以计算出每个节假日的平均需求量，将其与普通日的需求量进行比较，从而分析节假日对产品需求量的影响。例如，如果线上订单需求量的中位数明显高于线下订单需求量的中位数，那么我们可以判断线上销售渠道对产品需求量的贡献较大。从结果中可以看出，不同季节的订单需求量分布存在差异，例如冬季的订单需求量普遍较高，而夏季的订单需求量则普遍较低。此外，不同季节的订单需求量与产品价格之间的关系也存在一定的差异，例如在春季和秋季，订单需求量与产品价格之间存在一定的正相关关系，而在夏季和冬季则不存在明显的相关性。
2023年泰迪杯数据挖掘挑战赛B题订单分析与需求预测+python源码（示例数据）
03-30
2023年泰迪杯数据挖掘挑战赛B题，产品订单数据分析与需求预测问题的源码和数据。博主自己做的结果，python实现，代码都有注释说明，可供参考学习，有问题欢迎私聊。 本题主要包括两问，第一问进行数据预处理+数据分析。第二问是模型训练和预测，主要用了svr，随机森林，xgboost，lgb等模型进行训练和预测
2025年泰迪杯数据挖掘竞赛B题论文首发+问题一二三四代码分享
qq_33690821的博客
04-14 3540
针对问题二，将处理后的数据集，进行合并为一个完整的数据集作为训练数据集，性别 （Sex）和年龄（Age）为类别变量，加速度计数据作为输入数据，MET值作为输出数据，引入随机森林回归器、随机森林、支持向量机、多层感知机、GBDT进行训练模型，并利用RMSE对模型精度进行评估。原始数据存储于CSV格式文件中，其中记录了时间戳和对应的三轴加速度值（X，Y，Z轴），这些数据反映了个体在空间中各个方向上的加速度信息。将所有数据进行汇总，并从中筛选出MET<1.0的数值，保证选取的数据集中包含与睡眠相关的测量。
分享：2024年（第12届）“泰迪杯”数据挖掘挑战赛成绩公示
tipdm0526的博客
06-07 939
2024年（第12届）“泰迪杯”数据挖掘挑战赛成绩公示
赛事通知丨2025年（第13届）“泰迪杯”挑战赛即将开始
tipdm0301的博客
03-03 1510
2025年（第13届）“泰迪杯”数据挖掘挑战赛将于3月1日开放报名。“泰迪杯”数据挖掘挑战赛始创于2013年，迄今已经连续举办了13年。累计参赛高校千余所，累计参赛人数逾10万人，全国各省份均有参加。大赛的开展始终秉持推动校企合作，产教融合的理念，为高校师生及相关企业搭建交流合作的桥梁。
2025年（第13届）“泰迪杯”数据挖掘挑战赛奖项公示
tipdm0301的博客
06-04 771
2025年（第13届）“泰迪杯”数据挖掘挑战赛历时两个月顺利结束。竞赛采用盲审（屏蔽参赛者信息；评审专家只能评阅非本区域作品；三位评阅专家同时评阅同一作品，超限调整后再取平均分），答辩于2025年5月31日，通过线上方式进行，共产生特等奖并获泰迪杯3名，特等奖3名，一等奖并获网宿创新奖3名。现将2025年（第13届）“泰迪杯”数据挖掘挑战赛获奖名单公示如下，公示期为2025年6月3日-2025年6月5日。成功参赛名单（有比赛成绩且没有获得三等奖及以上的队伍）请在页面底部下载。所有证书均为电子证书，将于。
2023年泰迪杯数据挖掘挑战赛B题--产品订单数据分析与需求预测（2.数据探索性分析）
maligebilaowang的博客
04-01 9544
继续上一片数据预处理进行续写，利用预处理之后的数据进行数据分析并且解决问题一相关的问题。问题一主要目的是让研究各种因素对于需求量的影响，然后找到确定影响需求量的主要因素并且进行数据分析和主要特征抽取。对于问题提出的八个小问，可以以具体几个问题进行分析，后续都可以采用一样的分析流程。
【2023年第十一届泰迪杯数据挖掘挑战赛】B题：产品订单的数据分析与需求预测 建模及python代码详解 问题二
热门推荐
BetterBench的博客
03-29 2万+
在此任务中，首先，读取训练集和预测集数据，并将训练集中的日期列转换为日期类型，并将其设置为数据集的索引。接着，将数据按照一定的维度进行分组，并将每个组的时间序列进行了平稳性检验，若不平稳则进行一阶或者多阶差分，直到序列平稳。基于问题一的分析，建立数学模型，对附件预测数据（predict_sku1.csv）中给出的产品，预测未来 3 月（即 2019 年 1 月、2 月、3 月）的月需求量，将预测结果按照表 3 的格式保存为文件 result1.xlsx，与论文一起提交。完整题目参考问题一的文章。
【第十一届“泰迪杯”数据挖掘挑战赛】B题产品订单的数据分析与需求预测“解题思路“”以及“代码分享”
shine_Lee_的博客
03-26 2万+
此题我们需要分析：不同大品类2015到2018年需求量分析、不同细分品类2015到2018年需求量分析从而得出不同点与共同点。首先需要对日期进行判断月初、月中、月末区间，打上标签，再根据标签进行分组(注意：数据中2018的12月没有月末区间数据)先对每天的需求量进行统计，再进行对数据季节打标签处理，最后分组统计获得每年每个季节的需求量均值，绘图分析。（2） 产品所在区域对需求量的影响，以及不同区域的产品需求量有何特性；创作不易，还请见谅！计算促销日期所在周的需求量，以及其前一周，后一周的需求量，
【第十三届“泰迪杯”数据挖掘挑战赛】【2025泰迪杯】【论文篇+改进】A题解题全流程（持续更新）
shine_Lee_的博客
04-09 2468
提供进度更新，论文更新论文结构清晰，按照历届泰迪杯特等奖论文结构写作。并会包含完善论文改进、降重、个性化写作避免重复的批注建议在旁边。
【2025年泰迪杯数据挖掘挑战赛】B题 详细解题思路+数据预处理+代码分享
Magnolia_He的博客
04-12 5067
初步分析整理了B题的赛题分析与解题思路，后面还会更新详细的建模论文与解题代码，明天完成！
评论 21
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

maligebilaowang

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值