基于神經(jīng)網(wǎng)絡(luò)模型的產(chǎn)品市場占有率分析方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
:
[0001]本發(fā)明涉及互聯(lián)網(wǎng)通信技術(shù)領(lǐng)域，具體地說是一種能夠?qū)碗s產(chǎn)品市場占有率進行預期評估，進而為產(chǎn)品生產(chǎn)銷售提供預期規(guī)劃基礎(chǔ)的基于神經(jīng)網(wǎng)絡(luò)的產(chǎn)品市場占有率分析方法及系統(tǒng)。
【背景技術(shù)】
:
[0002]復雜產(chǎn)品的分階段規(guī)劃需要根據(jù)市場預測信息完成，市場預測信息的準確性是規(guī)劃期內(nèi)投資預估的必要條件之一?，F(xiàn)階段，對于市場占有率的分析主要通過對以往市場信息的分析挖掘?qū)崿F(xiàn)，預測方法的選擇直接關(guān)系到預測結(jié)果的精確度。傳統(tǒng)的預測方法很多，包括趨勢外推法，成長曲線法等，但這些預測方法的預測結(jié)果會出現(xiàn)以下問題:預測結(jié)果均為平滑的曲線，無法直觀描述出業(yè)務(wù)隨季節(jié)及其他外部環(huán)境引起的波動。
[0003]人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks，ANN)系統(tǒng)是20世紀40年代后出現(xiàn)的。它是由眾多的神經(jīng)元可調(diào)的連接權(quán)值連接而成，具有大規(guī)模并行處理、分布式信息存儲、良好的自組織自學習能力等特點。BP(Back Propagat1n)算法又稱為誤差反向傳播算法，是人工神經(jīng)網(wǎng)絡(luò)中的一種監(jiān)督式的學習算法。BP神經(jīng)網(wǎng)絡(luò)算法在理論上可以逼近任意函數(shù)，基本的結(jié)構(gòu)由非線性變化單元組成，具有很強的非線性映射能力。而且網(wǎng)絡(luò)的中間層數(shù)、各層的處理單元數(shù)及網(wǎng)絡(luò)的學習系數(shù)等參數(shù)可根據(jù)具體情況設(shè)定，靈活性很大，在優(yōu)化、信號處理與模式識別、智能控制、故障診斷等許多領(lǐng)域都有著廣泛的應(yīng)用前景。

【發(fā)明內(nèi)容】

:
[0004]本發(fā)明針對現(xiàn)有技術(shù)中存在的缺點和不足，提出了一種能夠?qū)碗s產(chǎn)品市場占有率進行預期評估，進而為產(chǎn)品生產(chǎn)銷售提供預期規(guī)劃基礎(chǔ)的基于神經(jīng)網(wǎng)絡(luò)的產(chǎn)品市場占有率分析方法及系統(tǒng)。
[0005]本發(fā)明可以通過以下措施達到:
[0006]一種基于神經(jīng)網(wǎng)絡(luò)的產(chǎn)品市場占有率分析方法，其特征在于包括以下步驟:
[0007]步驟1:獲取某地區(qū)一段時間內(nèi)的用戶數(shù)，以及業(yè)務(wù)中對于用戶數(shù)有影響的5個指標，包括:市場占有率、產(chǎn)品普及率、每月節(jié)假日天數(shù)、居民可支配收入及常駐人口數(shù)；對用戶數(shù)以及5個指標進行歸一化處理；
[0008]步驟2:建立神經(jīng)網(wǎng)絡(luò)模型；所述神經(jīng)網(wǎng)絡(luò)模型包括四層，第一層有1個神經(jīng)元，第二層有1個神經(jīng)元，第三層有6個神經(jīng)元，第四層有1個神經(jīng)元；第一層的神經(jīng)元為月份序列，第二層的神經(jīng)元為網(wǎng)絡(luò)參數(shù)初始值，第三層6個神經(jīng)元為第一層月份序列中對應(yīng)月份的用戶數(shù)以及對應(yīng)5個指標，第四層為輸出的預測的用戶數(shù)；其中第一層次中，對月份序列進行建模，將月份序列數(shù)據(jù)轉(zhuǎn)化為微分方程；
[0009]步驟3:對神經(jīng)網(wǎng)絡(luò)模型進行訓練和測試；
[0010]步驟4:利用通過測試的神經(jīng)網(wǎng)絡(luò)模型來預測一地市的用戶數(shù)，其中利先將檢測數(shù)據(jù)歸一化到0和+1之間再進行輸入，并將網(wǎng)絡(luò)運算后的輸出值進行反歸一化后得到用戶數(shù)的預測值；
[0011]步驟5:獲取用戶偏好信息，用戶偏好信息以字符串形式上傳至信息服務(wù)器；
[0012]步驟6:對用戶偏好信息進行挖掘，包括:計算第一字符串與第二字符串的文本相關(guān)性特征值以及第一字符串與第二字符串的語義相關(guān)性特征值，然后用基于邏輯回歸模型將所述文本相關(guān)性特征值與語義相關(guān)性特征值擬合成第一字符串與第二字符串的相關(guān)性特征值；
[0013]步驟7:根據(jù)步驟6的輸出結(jié)果獲得潛在用戶數(shù)量，與步驟4輸出結(jié)果合并后輸出市場預測用戶數(shù)量值。
[0014]本發(fā)明還提出了一種基于神經(jīng)網(wǎng)絡(luò)的產(chǎn)品市場占有率分析系統(tǒng)，其特征在于設(shè)有信息處理服務(wù)器以及兩個以上的用戶終端，其中信息處理服務(wù)器分別與兩個以上的用戶終端相連接，所述信息處理服務(wù)器中設(shè)有現(xiàn)有用戶預估單元和潛在用戶預估單元，所述用戶終端設(shè)有信息接收歷史數(shù)據(jù)存儲單元、數(shù)據(jù)篩選單元、數(shù)據(jù)上傳/下載單元，其中信息接收歷史數(shù)據(jù)存儲單元中存儲終端使用者偏好。
[0015]本發(fā)明所述信息處理服務(wù)器中的現(xiàn)有用戶預估單元包括數(shù)據(jù)獲取模塊、數(shù)據(jù)預處理模塊、數(shù)據(jù)挖掘模塊以及數(shù)據(jù)輸出模塊，所述數(shù)據(jù)獲取模塊用于獲取某地區(qū)一段時間內(nèi)的用戶數(shù)，以及業(yè)務(wù)中對于用戶數(shù)有影響的5個指標，包括:市場占有率、產(chǎn)品普及率、每月節(jié)假日天數(shù)、居民可支配收入及常駐人口數(shù)；所述數(shù)據(jù)預處理模塊用于對數(shù)據(jù)獲取模塊采集的數(shù)據(jù)進行歸一化處理。
[0016]本發(fā)明所述潛在用戶預估單元包括字符串接收單元、相關(guān)性特征值計算單元和相關(guān)性特征值擬合單元，其中:字符串接收單元，用于接收第一字符串和第二字符串；相關(guān)性特征值計算單元，用于計算第一字符串與第二字符串的文本相關(guān)性特征值以及第一字符串與第二字符串的語義相關(guān)性特征值；相關(guān)性特征值擬合單元，用于基于邏輯回歸模型將所述文本相關(guān)性特征值與語義相關(guān)性特征值擬合成第一字符串與第二字符串的相關(guān)性特征值。
[0017]本發(fā)明與現(xiàn)有技術(shù)相比，能夠根據(jù)現(xiàn)有用戶數(shù)以及用戶偏好預估復雜產(chǎn)品的市場占有情況，具有響應(yīng)速度快、估算準確等顯著的優(yōu)點。
【附圖說明】
:
[0018]附圖1是本發(fā)明的系統(tǒng)框圖。
[0019]附圖標記:信息處理服務(wù)器1、用戶終端2、現(xiàn)有用戶預估單元3、潛在用戶預估單元4ο
【具體實施方式】
:
[0020]下面結(jié)合附圖對本發(fā)明作進一步的說明。
[0021]如附圖所示，本發(fā)明提出了一種基于神經(jīng)網(wǎng)絡(luò)的產(chǎn)品市場占有率分析方法，其特征在于包括以下步驟:
[0022]步驟1:獲取某地區(qū)一段時間內(nèi)的用戶數(shù)，以及業(yè)務(wù)中對于用戶數(shù)有影響的5個指標，包括:市場占有率、產(chǎn)品普及率、每月節(jié)假日天數(shù)、居民可支配收入及常駐人口數(shù)；對用戶數(shù)以及5個指標進行歸一化處理；
[0023]步驟2:建立神經(jīng)網(wǎng)絡(luò)模型；所述神經(jīng)網(wǎng)絡(luò)模型包括四層，第一層有1個神經(jīng)元，第二層有1個神經(jīng)元，第三層有6個神經(jīng)元，第四層有1個神經(jīng)元；第一層的神經(jīng)元為月份序列，第二層的神經(jīng)元為網(wǎng)絡(luò)參數(shù)初始值，第三層6個神經(jīng)元為第一層月份序列中對應(yīng)月份的用戶數(shù)以及對應(yīng)5個指標，第四層為輸出的預測的用戶數(shù)；其中第一層次中，對月份序列進行建模，將月份序列數(shù)據(jù)轉(zhuǎn)化為微分方程；
[0024]步驟3:對神經(jīng)網(wǎng)絡(luò)模型進行訓練和