臺灣博碩士論文加值系統

零售業為了達成最佳的銷售目標，需要藉由零售採購去挖掘或預測市場產品及服 務需求，用最適當的時間與最小成本，獲得零售業需要銷售的產品及服務數量。如果 能夠以過去的銷售資訊來預測未來市場的脈動及商品銷售量，將有效幫助企業控管存 貨與進貨量，達到降低損失與增加銷售的最大利潤。
本文的研究工作，採用數據分析競賽平台 Kaggle 所提供之 Predict Future Sales 銷 售資料集進行分析研究，以「時間序列」為基礎的「需求預測」技術，經由特徵工程 與特徵分析技術進行資料前處理，並採用具分析時間序列之機器學習模型 Extreme Gradient Boosting、Light Gradient Boosting 與 Long-Short Term Model，將經前處理後 之多維度歷史資料進行模型訓練，藉此對未來銷售數量進行預測。根據實驗結果，以 Light Gradient Boosting 能提供較準確之銷售預測。

To achieve the best sales target, the retail industry needs to explore or predict market products and services’ demand through retail procurement and use the most appropriate time and minimum cost to determine the appropriate number of products and services the retail industry needs to sell. Further, if past sales information can be used to predict future market pulsation and product sales, companies will be able to effectively control inventory and purchase volume. This will help the companies to reduce losses and increase sales, thus maximizing profits.
This study focuses on the prediction of future sales by companies. We used the future sales dataset provided by Kaggle, a data analysis competition platform for analysis and research. We employed a time series-based “demand forecasting” technique in preprocessing the dataset by the feature engineering and feature analysis techniques. We developed extreme gradient boosting, light gradient boosting, and long–short term memory machine learning models on the multidimensional historical data after preprocessing to predict future sales volume. The results of the experiments we performed showed that light gradient boosting produced a more accurate sales forecast.

摘要 ------------------------------------------------------------- i
英文摘要 --------------------------------------------------------- ii
誌謝 ------------------------------------------------------------- iii
目錄 ------------------------------------------------------------- iv
圖目錄 ----------------------------------------------------------- vi
表目錄 ----------------------------------------------------------- vii
第壹章 緒論 ----------------------------------------------------- 1
第一節 研究背景 ---------------------------------------------- 1
第二節 研究目的 ---------------------------------------------- 3
第三節 研究流程 ----------------------------------------------- 4
第貳章 文獻探討 ------------------------------------------------- 5
第一節 銷售預測 ---------------------------------------------- 5
第二節 銷售預測的方法 ---------------------------------------- 7
第參章 研究方法 ------------------------------------------------- 10
第一節 資料準備 ---------------------------------------------- 10
3.1 資料集 ------------------------------------------------ 10
3.2 資料整理 ---------------------------------------------- 12
3.3 資料清理 ---------------------------------------------- 14
第二節 特徵工程 ---------------------------------------------- 18
3.1 類別型特徵 -------------------------------------------- 18
3.2 數值型特徵 -------------------------------------------- 20
第三節 預測模型 ---------------------------------------------- 22
3.1 模型介紹 --------------------------------------------- 22
3.2 數據建模 --------------------------------------------- 24
第肆章 研究結果 ------------------------------------------------- 27
第一節 實驗環境 -------------------------------------------- 27
第二節 模型參數 -------------------------------------------- 28
第三節 實驗結果 -------------------------------------------- 29
第伍章 結論與討論 ----------------------------------------------- 33
參考文獻 ------------------------------------------------------------ 34

[1] 傅鈺婷 (2018)。台灣的毒品犯罪趨勢分析-時間序列模型之應用。https://hdl.handle.
net/11296/brx273
[2] 蔡雅婷 (2018)。文具產業外銷銷售預測模型之研究 -以機器學習建構。https://hdl.h andle.net/11296/w2t43r
[3] 林子軒 (2017)。Kaggle 資料學習 – Grupo Bimbo inventory demand 與 Rossma nn Store sales 資料分析競賽。https://hdl.handle.net/11296/b393vp
[4] 沈秋延 (2014)。銷售分析與預測實證研究-以 X 公司產品為例。https://hdl.handle. net/11296/87ppdp
[5] 沈芳儀 (2013)。數位口碑影響力建構之流行性商品銷售預測模型。https://hdl.handl e.net/11296/9z6n9u
[6] 洪明陽 (2012)。促銷檔期下之銷售預測流程設計與模式構建。https://hdl.handle.net/ 11296/c2y4pv
[7] Chen, T. and Guetrin, C. (2016). XGBoost: A Scalable Tree Boosting System. [8] LightGBM: A Highly Efficient Gradient Boosting Decision Tree. (2017).
[9] Chang, P. C., Liu, C. H., & Fan, C. Y. (2009). Data clustering and fuzzy neur al network for sales forecasting: A case study in printed circuit board industry. Knowledge-Based Systems, 22(5), 344-355.
[10] Lim, C., & McAleer, M. (2002). Time series forecasts of international travel d emand for Australia. Tourism Management, 23(4), 389-396.
[11] 時間序列的深度學習。https://dataholic.wordpress.com/2017/11/18/時間序列的深度學習 [12] 基於機器學習方法對銷售預測的研究。https://www.infoq.cn/article/a-study-on-sales-fo
recasting-based-on-machine-learning/
[13] 機器學習的時間序列特徵工程。https://medium.com/@folderplus/機器學習的時間序列 特徵工程-8ec54cd6b93f
[14] 資料前處理學習筆記: Outlier 檢查及處理。https://medium.com/@claudehung101 6/資料前處理學習筆記-outlier-檢查及處理-98c6bc1821eb
[15] 初學 Python 手記# 3-資料前處理( Label encoding、 One hot encoding)。https:// medium.com/@PatHuang/初學 Python 手記-3-資料前處理 label-encoding-one-hot-e ncoding-85c983d63f87
[16] 時間序列。https://zh.wikipedia.org/wiki/時間序列
[17] Kaggle。https://zh.wikipedia.org/wiki/Kaggle
[18] Time Series Analysis - 時間序列模型基本概念:AR, MA, ARMA, ARIMA 模 型。https://mropengate.blogspot.com/2015/11/time-series-analysis-ar-ma-arma-arima.html
[19] 德爾菲法——經濟實用的市場預測方式。http://www.ifuun.com/a2017692843411/ [20] 淺談遞歸神經網路 (RNN) 與長短期記憶模型 (LSTM)。https://medium.com/@te
ngyuanchang/淺談遞歸神經網路-rnn-與長短期記憶模型-lstm-300cbe5efcc3
[21] LSTM_深度學習_股價預測。https://medium.com/data-scientists-playground/lstm-深
度學習-股價預測-cd72af64413a
[22] Python機器學習筆記:XGBoost演算法。https://www.jishuwen.com/d/2Rz3/zh-tw
[23] GBDT:梯度提升決策樹。https://www.jianshu.com/p/005a4e6ac775
[24] 用 xgboost 模型對特徵重要性進行排序。https://blog.csdn.net/waitingzby/article/details /81610495
[25] 如何看待微軟新開源的 LightGBM?。https://www.zhihu.com/question/51644470 [26] 機器學習算法之 XGBoost。https://www.biaodianfu.com/xgboost.html
[27] 機器學習算法之 LightGBM。https://www.biaodianfu.com/lightgbm.html
[28] LightGBM vs XGBoost。https://zhuanlan.zhihu.com/p/31148458
[29] xgboost官方文件。https://xgboost.readthedocs.io/en/latest/index.html [30] lightgbm官方文件。https://lightgbm.readthedocs.io/en/latest/
[31] Microsoft LightGBM GitHub。https://github.com/microsoft/LightGBM [32] keras-lstm官方文件。https://keras.io/api/layers/recurrent_layers/lstm/
[33] Kaggle - Predict Future Sales Dataset。https://www.kaggle.com/c/competitive-dat a-science-predict-future-sales
[34] Code for Feature engineering, xgboost。https://www.kaggle.com/dlarionov/feature- engineering-xgboost
[35] Code for Multivar-lstm-ts-regression-keras。https://www.kaggle.com/nicapotato/mu ltivar-lstm-ts-regression-keras