本發(fā)明涉及時間序列預(yù)測
技術(shù)領(lǐng)域：
，具體涉及一種基于BP神經(jīng)網(wǎng)絡(luò)的商品條碼注冊量預(yù)測方法。
背景技術(shù)：
：商品條碼注冊信息涵蓋企業(yè)名稱、行政區(qū)劃、注冊資金、企業(yè)類別、經(jīng)濟(jì)類型代碼、國民經(jīng)濟(jì)行業(yè)分類代碼、最后一次操作時間、是否注銷、注冊日期等，以注冊日期為統(tǒng)計項(xiàng)進(jìn)行統(tǒng)計，便可得到月度商品條碼注冊量數(shù)據(jù)。商品條碼注冊量反應(yīng)了新增商品制造和銷售的情況，從宏觀角度上分析，一定時期內(nèi)的商品條碼注冊量的變化，一方面能夠直接反映一個地區(qū)的商品制造和銷售的表現(xiàn)，另一方面可以間接反映出該地區(qū)的商業(yè)流通的活躍程度，因此商品條碼注冊量可以被認(rèn)為是衡量一個國家或地區(qū)經(jīng)濟(jì)狀況的重要指標(biāo)。目前，對商品條碼注冊量的研究只停留在統(tǒng)計階段，甚少有進(jìn)一步的深入研究。對某地區(qū)的商品條碼注冊量進(jìn)行預(yù)測，可以大致研判該地區(qū)在未來一定時期內(nèi)的經(jīng)濟(jì)發(fā)展程度，還可以根據(jù)預(yù)測數(shù)據(jù)制定各項(xiàng)管理和控制政策，因此商品條碼注冊量預(yù)測具有重要的指導(dǎo)意義。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的是為了解決現(xiàn)有技術(shù)中的上述缺陷，提供一種基于BP神經(jīng)網(wǎng)絡(luò)的商品條碼注冊量預(yù)測方法，該方法可以實(shí)現(xiàn)對商品條碼月度注冊量的高精度預(yù)測。本發(fā)明的目的可以通過采取如下技術(shù)方案達(dá)到：一種基于BP神經(jīng)網(wǎng)絡(luò)的商品條碼注冊量預(yù)測方法，所述商品條碼注冊量預(yù)測方法包括：S1、以商品條碼注冊信息的注冊時間為統(tǒng)計項(xiàng)進(jìn)行統(tǒng)計，得到商品條碼注冊量序列，通過分析商品條碼注冊量序列的自相關(guān)特性生成訓(xùn)練樣本，并進(jìn)行歸一化處理；S2、建立BP神經(jīng)網(wǎng)絡(luò)，利用生成的訓(xùn)練樣本進(jìn)行訓(xùn)練，以得到商品條碼注冊量預(yù)測模型；S3、利用上述預(yù)測模型對商品條碼注冊量進(jìn)行預(yù)測。進(jìn)一步地，所述商品條碼注冊量序列為月度的商品條碼注冊量序列。進(jìn)一步地，所述步驟S1具體為：步驟S11、根據(jù)公式(1)計算商品條碼注冊量序列的自相關(guān)系數(shù)，通過分析自相關(guān)系數(shù)確定8個輸入節(jié)點(diǎn)和1個輸出節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，對訓(xùn)練樣本對的設(shè)定為：假設(shè)需要預(yù)測y(t)，則選取y(t-1)，y(t-2)，y(t-3)，y(t-4)，y(t-11)，y(t-12)，y(t-13)，y(t-24)作為輸入；其中，公式(1)如下：rk=Σt=1n-k(yt-y‾)(yt+k-y‾)Σt=1n-k(yt-y‾)2---(1)]]>上式中，rk表示自相關(guān)系數(shù)，表示時間序列的均值，n表示時間序列的數(shù)據(jù)個數(shù)，k表示滯后期；步驟S12、根據(jù)公式(2)，對訓(xùn)練樣本進(jìn)行歸一化處理；其中，公式(2)如下：x‾i=xi-xminxmax-xmin---(2)]]>上式中，xmax表示數(shù)據(jù)集中的最大值，xmin表示數(shù)據(jù)集中的最小值。進(jìn)一步地，所述步驟S2具體為：步驟S21、選擇Sigmoid函數(shù)作為BP神經(jīng)網(wǎng)絡(luò)輸出層和隱含層的傳遞函數(shù)；步驟S22、按照公式(3)計算得到隱含層節(jié)點(diǎn)n；其中，公式(3)如下：n＝2m+l(3)上式中，m表示輸入層神經(jīng)元數(shù)量，l表示輸出層神經(jīng)元數(shù)量；步驟S23、根據(jù)公式(4)求得BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程的目標(biāo)函數(shù)，采用梯度下降法調(diào)整權(quán)值，使目標(biāo)函數(shù)E達(dá)到期望值；其中，公式(4)如下：E=12PΣp=1PΣk=1K(dkp-ykp)2---(4)]]>上式中，P表示訓(xùn)練樣本的數(shù)量，dk表示期望輸出，yk表示實(shí)際輸出，K表示輸出層節(jié)點(diǎn)數(shù)量。進(jìn)一步地，所述步驟S23中采用梯度下降法調(diào)整權(quán)值具體為：步驟S231、學(xué)習(xí)速率采用自適應(yīng)調(diào)節(jié)法，具體計算公式為：ρ(t+1)=1.05ρ(t)E(t)<E(t-1)0.7ρ(t)E(t)>1.04E(t-1)ρ(t)otherwise---(5)]]>上式中，ρ(t+1)表示(t+1)時刻的學(xué)習(xí)速率，ρ(t)表示t時刻的學(xué)習(xí)速率，E(t)表示t時刻的目標(biāo)函數(shù)值，E(t-1)表示(t-1)時刻的目標(biāo)函數(shù)值；步驟S232、采用增加動量項(xiàng)方法改進(jìn)梯度下降法，將動量系數(shù)取為0.5，隱含層-輸出層的連接權(quán)值和輸入層-隱含層的連接權(quán)值計算公式分別為：Δwjk(t)=0.5ρPΣp=1PMkpzjp+0.5Δwjk(t-1)---(6)]]>Δvij(t)=0.5ρPΣp=1P{[Σk=1lMkpwjk]zjp(1-zjp)xip}+0.5Δvij(t-1)---(7)]]>上兩式中，dk表示期望輸出，yk表示實(shí)際輸出，l表示輸出層節(jié)點(diǎn)數(shù)量，P表示訓(xùn)練樣本的數(shù)量，表示隱含層的輸出，表示輸入。本發(fā)明相對于現(xiàn)有技術(shù)具有如下的優(yōu)點(diǎn)及效果：1、本發(fā)明考慮了商品條碼注冊量數(shù)據(jù)的非線性特征，能夠?qū)崿F(xiàn)對商品條碼注冊量的高精度預(yù)測。2、本發(fā)明在保證高預(yù)測精度的前提下采用單隱含層BP神經(jīng)網(wǎng)絡(luò)，跟多隱含層神經(jīng)網(wǎng)絡(luò)相比大大降低了計算難度和復(fù)雜度，具有簡單易操作的特點(diǎn)。附圖說明圖1是本發(fā)明公開的基于BP神經(jīng)網(wǎng)絡(luò)的商品條碼注冊量預(yù)測方法的流程步驟圖。具體實(shí)施方式為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。實(shí)施例附圖1所示，附圖1是本發(fā)明公開的基于BP神經(jīng)網(wǎng)絡(luò)的商品條碼注冊量預(yù)測方法的流程步驟圖，下面結(jié)合附圖1具體說明一種基于BP神經(jīng)網(wǎng)絡(luò)的商品條碼注冊量預(yù)測方法，該方法包括下列步驟：步驟S1、以商品條碼注冊信息的注冊時間為統(tǒng)計項(xiàng)進(jìn)行統(tǒng)計，得到商品條碼注冊量序列，通過分析商品條碼注冊量序列的自相關(guān)特性生成訓(xùn)練樣本，并進(jìn)行歸一化處理；本實(shí)施例中，商品條碼注冊量序列為月度的商品條碼注冊量序列，按月份進(jìn)行統(tǒng)計商品條碼注冊信息，即以商品條碼注冊信息的注冊時間為統(tǒng)計項(xiàng)進(jìn)行統(tǒng)計，得到商品條碼月度注冊量序列，具有應(yīng)用中，所述步驟S1具體為：步驟S11、根據(jù)公式(1)計算商品條碼注冊量序列的自相關(guān)系數(shù)，通過分析自相關(guān)系數(shù)確定8個輸入節(jié)點(diǎn)和1個輸出節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，對訓(xùn)練樣本對的設(shè)定為：假設(shè)需要預(yù)測y(t)，則選取y(t-1)，y(t-2)，y(t-3)，y(t-4)，y(t-11)，y(t-12)，y(t-13)，y(t-24)作為輸入；其中，公式(1)如下：rk=Σt=1n-k(yt-y‾)(yt+k-y‾)Σt=1n-k(yt-y‾)2---(1)]]>上式中，rk表示自相關(guān)系數(shù)，表示時間序列的均值，n表示時間序列的數(shù)據(jù)個數(shù)，k表示滯后期。步驟S12、根據(jù)公式(2)，對訓(xùn)練樣本進(jìn)行歸一化處理；其中，公式(2)如下：x‾i=xi-xminxmax-xmin---(2)]]>上式中，xmax表示數(shù)據(jù)集中的最大值，xmin表示數(shù)據(jù)集中的最小值。步驟S2、建立BP神經(jīng)網(wǎng)絡(luò)，利用生成的訓(xùn)練樣本進(jìn)行訓(xùn)練，以得到商品條碼注冊量預(yù)測模型；具有應(yīng)用中，所述步驟S2具體為：步驟S21、選擇Sigmoid函數(shù)作為BP神經(jīng)網(wǎng)絡(luò)輸出層和隱含層的傳遞函數(shù)；步驟S22、按照公式(3)計算得到隱含層節(jié)點(diǎn)n；其中，公式(3)如下：n＝2m+l(3)上式中，m表示輸入層神經(jīng)元數(shù)量，l表示輸出層神經(jīng)元數(shù)量；步驟S23、根據(jù)公式(4)求得BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程的目標(biāo)函數(shù)，采用梯度下降法調(diào)整權(quán)值，使目標(biāo)函數(shù)E達(dá)到期望值；其中，公式(4)如下：E=12PΣp=1PΣk=1K(dkp-ykp)2---(4)]]>上式中，P表示訓(xùn)練樣本的數(shù)量，dk表示期望輸出，yk表示實(shí)際輸出，K表示輸出層節(jié)點(diǎn)數(shù)量。具體應(yīng)用中，所述步驟S23中采用梯度下降法調(diào)整權(quán)值包括以下步驟：步驟S231、學(xué)習(xí)速率采用自適應(yīng)調(diào)節(jié)法，具體計算公式為：ρ(t+1)=1.05ρ(t)E(t)<E(t-1)0.7ρ(t)E(t)>1.04E(t-1)ρ(t)otherwise---(5)]]>上式中，ρ(t+1)表示(t+1)時刻的學(xué)習(xí)速率，ρ(t)表示t時刻的學(xué)習(xí)速率，E(t)表示t時刻的目標(biāo)函數(shù)值，E(t-1)表示(t-1)時刻的目標(biāo)函數(shù)值；步驟S232、采用增加動量項(xiàng)方法改進(jìn)梯度下降法，將動量系數(shù)取為0.5，隱含層-輸出層的連接權(quán)值和輸入層-隱含層的連接權(quán)值計算公式分別為：Δwjk(t)=0.5ρPΣp=1PMkpzjp+0.5Δwjk(t-1)---(6)]]>Δvij(t)=0.5ρPΣp=1P{[Σk=1lMkpwjk]zjp(1-zjp)xip}+0.5Δvij(t-1)---(7)]]>上兩式中，dk表示期望輸出，yk表示實(shí)際輸出，l表示輸出層節(jié)點(diǎn)數(shù)量，P表示訓(xùn)練樣本的數(shù)量，表示隱含層的輸出，表示輸入。步驟S3、利用上述預(yù)測模型對商品條碼注冊量進(jìn)行預(yù)測。綜上所述，本實(shí)施例公開的基于BP神經(jīng)網(wǎng)絡(luò)的商品條碼注冊量預(yù)測方法考慮了商品條碼注冊量數(shù)據(jù)的非線性特征，能夠?qū)崿F(xiàn)對商品條碼注冊量的高精度預(yù)測。同時，本預(yù)測方法在保證高預(yù)測精度的前提下采用單隱含層BP神經(jīng)網(wǎng)絡(luò)，跟多隱含層神經(jīng)網(wǎng)絡(luò)相比大大降低了計算難度和復(fù)雜度，具有簡單易操作的特點(diǎn)。上述實(shí)施例為本發(fā)明較佳的實(shí)施方式，但本發(fā)明的實(shí)施方式并不受上述實(shí)施例的限制，其他的任何未背離本發(fā)明的精神實(shí)質(zhì)與原理下所作的改變、修飾、替代、組合、簡化，均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護(hù)范圍之內(nèi)。當(dāng)前第1頁1 2 3