【源码】基于Python的IJCAI17口碑商家客流量预测项目

项目简介

本项目基于Python编程语言，致力于解决阿里巴巴和蚂蚁金服提供的口碑商家客流量预测问题。利用2000个商家从2015年7月至2016年10月的销售数据、用户行为数据以及天气和节假日数据，对商家未来14天的客户流量进行预测。

项目的主要特性和功能

1. 数据预处理和特征提取
   • 数据清洗：处理异常消费，排除开业前7天数据和销量间断前后1天数据。
   • 特征生成：包含历史销量、节假日、天气、商家等多种特征。
2. 模型训练与融合
   • 常规销量预测模型：运用XGBoost和GBDT模型，通过滑窗生成训练样本。
   • 双11销量修正模型：针对双11特殊节日进行销量修正预测。
   • 模型融合：整合多个模型预测结果得出最终预测。
3. 结果输出和评估
   • 将预测结果保存为CSV文件。
   • 采用提供的评估方法评估预测结果。
4. 辅助工具函数：具备日期处理、相关性计算等数据处理和特征提取辅助函数。

安装使用步骤

环境准备

确保已安装Python及其必要库，如pandas、numpy、matplotlib、xgboost等。

数据准备

下载并提供数据文件，涵盖原始数据、外部数据（如天气、节假日信息）及处理后的数据。

运行代码

按文件路径和文件名运行各Python脚本，依次进行数据处理、特征提取、模型训练和结果输出： 1. 运行data_new/table_regenerate.py生成精简版user_pay和user_view表格。 2. 运行additional/Weather_underground_day.py和additional/Weather_underground_hour.py爬取天气数据。 3. 运行feature/WEATHER_FEATURES.py、feature/SHOP_FEATURES.py和feature/TEST_SELLS.py生成特征表。 4. 运行feature/FEATURE_MERGE.py整合所有特征。 5. 运行model/xgb_model1.py、model/xgb_model2.py、model/GBDT_model.py和model/correlation_model.py进行常规销量模型训练。 6. 运行model/DOU11_model.py进行双11修正系数训练。 7. 运行model/model_blend.py进行模型融合并生成最终提交结果。

结果评估

使用提供的评估方法或自定义方法，对预测结果进行评估和验证。

注：因项目数据量较大，完成整个流程需一定计算资源和时间。外部数据（如天气和节假日信息）需按提供的爬取或获取方式获取。

下载地址

点击下载 【提取码: 4003】【解压密码: www.makuang.net】