基于梯度提升模型预测杂货商品销量的研究：GridSearchCV、RandomizedSearchCV与optuna优化方法的比较

《Ain Shams Engineering Journal》：Forecasting grocery item sales using gradient boosting models: A study of GridSearchCV, RandomizedSearchCV, and optuna optimization approaches

　　

本研究提出一种基于极端梯度提升（XGBoost）的预测建模方法，利用Optuna进行超参数优化，并在500天数据集上与GridSearchCV和RandomizedSearchCV进行性能对比。为保障研究结果的统计可靠性，研究人员采用1000次迭代的自举法（bootstrapping）计算各项性能指标的95%置信区间。尽管GridSearchCV与RandomizedSearchCV取得了稳定的性能，其测试集平均R平方分别为0.81677与0.85538；相比之下，Optuna通过识别更优的参数区域优于上述两种方法，平均R平方达0.94146。此外，计算效率分析表明，Optuna平均执行时间28.31秒，在消费级硬件上运行属于可行的权衡。模型可解释性通过SHapley加性解释（SHAP）分析得以确认，该分析识别出3日滚动平均是需求最重要的驱动因素。

研究背景方面，有效的库存管理对防止积压与缺货、保障零售利润至关重要，而乡村杂货店因商品种类多、市场波动大且数据稀缺，传统统计与常规机器学习方法难以兼顾准确率、可解释性与低资源部署。研究人员以印度西孟加拉邦Purulia区Kashibaria村“Amar Grocery Store”为对象，收集2024年3月至2025年7月连续500日销售记录，引入节日与集市日等情境变量，并构造3日与7日滚动平均等时间特征，旨在评估XGBoost在农村零售需求预测中的适用性，并比较三种超参数优化策略在准确率与计算开销上的权衡。论文发表于《Ain Shams Engineering Journal》。

关键技术方法上，研究人员在Intel i5、8 GB RAM消费级笔记本上用Python 3.11搭建管线：以XGBoost为基模型，依次采用GridSearchCV、RandomizedSearchCV与Optuna（贝叶斯优化）调参；时间依赖通过5折TimeSeriesSplit（扩展窗口）处理；按60:40至80:20等八种时序切分评估稳定性；以1000次自举给出RMSE、MAE、R²的95%置信区间；并用SHAP解释特征贡献。

研究结果部分，引言指出乡村非正式零售被主流数据科学忽视，研究缺口在于XGBoost结合先进调参与不确定性量化、可解释性工具的实际落地。创新点小节强调真实乡村数据集、三种调参对照及28.31秒平均开销对低资源场景的示范价值。数据获取章节说明500日CSV经外部源交叉核对，上下文变量以市场日与滚动均值代理加入，预处理含缺失值处理。方法论中XGBoost小节列出正则目标（L1/L2与γ）、原生缺失值方向、并行剪枝与加权分位数草图，并给出GridSearchCV 1.69–2.99秒、RandomizedSearchCV 4.74–5.82秒、Optuna 19.82–37.62秒的耗时区间；GridSearchCV小节给出树数500–3000、最大深度1–3、学习率0.1/0.2等网格与最优值（如深度2、η=0.2、γ=0.05）；RandomizedSearchCV小节说明随机采样n_iter次并以自举置信区间验收。结果显示Optuna平均测试R²=0.94146，优于GridSearchCV的0.81677与RandomizedSearchCV的0.85538，且77:23切分下Optuna的RMSE 95% CI为[0.1210,0.1866]；SHAP指明3日滚动平均为主导特征，市场日等乡村变量具正向贡献。

讨论与结论翻译：研究人员得出结论，Optuna贝叶斯优化在农村小样本、高波动杂货销量预测中相较穷举与随机搜索可显著提升XGBoost性能（R²约0.94），且28.31秒级开销允许在消费级硬件本地重训；1000次自举95%置信区间抑制了点估计虚假确定性的伦理风险；SHAP使店主能以3日动量等特征交叉验证预测，从而优化进货、减少损耗与缺货。该研究为数据稀缺的下沉零售市场提供了一条兼顾准确率、计算可行性与算法问责制的可复制路径。