基于数据集成的随机森林算法

摘要：

用于销售预测的历史数据存在稀疏性与波动性等特点,当预测周期较长时,传统统计学或者机器学习领域预测算法的预测效果较差.为此,利用随机森林的集成思想与训练数据集的随机分割重组,提出一种基于数据集成的随机森林算法.该算法通过随机重组将原始的一维预测变量重组为高维变量,并将输出求和值作为最终预测值.实验结果表明,与ARIMA、RF、GBDT等传统算法相比,该算法在实际数据集上的预测效果取得显著提高.同时,拓展实验表明数据集成还可应用在ARIMA算法上,使预测准确率提高约3％.

关键词：销量预测、时间序列预测、机器学习、数据集成、随机森林

所属期刊栏目：46

分类号：TP181(自动化基础理论)

资助基金：深圳市发展改革委战略性新兴产业发展专项"基于人工智能技术的智慧物流系统研发与产业化项目"

在线出版日期：2021-02-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：290-298