CN104732411B - 一种基于bp神经网络的农产品消费引导方法 - Google Patents
一种基于bp神经网络的农产品消费引导方法 Download PDFInfo
- Publication number
- CN104732411B CN104732411B CN201510142355.9A CN201510142355A CN104732411B CN 104732411 B CN104732411 B CN 104732411B CN 201510142355 A CN201510142355 A CN 201510142355A CN 104732411 B CN104732411 B CN 104732411B
- Authority
- CN
- China
- Prior art keywords
- risk
- consumer
- degree
- target consumer
- event
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于BP神经网络的农产品消费引导方法，包括：获取训练样本集；建立BP神经网络初始模型，经训练得到训练后的BP神经网络模型；将目标消费者的特征数据带入训练后的BP神经网络模型，获取目标消费者在风险事件发生地感知风险事件的风险程度的预测值；获取目标消费者感知所有地区的风险事件的风险程度的预测值，并进行标准化；获取目标消费者的消费引导结果。本发明能够考虑到消费者所在地与风险事件发生位置的距离对消费行为决策的影响，使消费行为决策很好适应风险事件地域相关、突然发生、快速发展的变化特点。
Description
技术领域
本发明涉及食品安全技术领域，尤其涉及一种基于BP神经网络的农产品消费引导方法。
背景技术
食品安全是衡量社会经济发展水平和消费者生活质量水平的重要指标。消费者在食品质量和食品安全问题上的消费风险感知，直接影响着消费者的购买动机，并进一步决定消费者的购买倾向和决策行为。在农产品市场，消费风险感知不仅是研究风险事件下消费者消费需求变动的主要方面，且是影响农业生产秩序、政府决策和整个农产品产业链盈利能力的重要因素。
一般在风险感知条件下，通过对农产品消费行为决策进行预测，去引导农产品的消费，但是传统的风险感知条件下农产品消费行为决策的预测方法主要通过计量经济学模型，对影响居民农产品消费的各种因素进行宏观层面的分析，该类方法较少考虑到消费者所在地区与风险事件发生位置的距离对消费行为决策的影响，不能很好适应风险事件地域相关、突然发生、快速发展的变化特点。
发明内容
有鉴于此，本发明实施例提供一种基于BP神经网络的农产品消费引导方法，能够考虑到消费者所在地与风险事件发生位置的距离对消费行为决策的影响，使消费行为决策很好的适应风险事件地域相关、突然发生、快速发展的变化特点。
本发明实施例提供了一种基于BP神经网络的农产品消费引导方法，包括：
调查风险事件发生地的消费者的特征及消费者对所在地的风险事件感知的风险程度的数据，获取训练样本集；其中，所述消费者的特征包括消费者的年龄、性别和收入；所述消费者所在地发生了风险事件；
以消费者的特征作为输入变量，消费者对所在地的风险事件感知的风险程度作为输出变量，的Sigmoid型函数为神经元的激活函数建立具有输入层、隐含层和输出层的BP神经网络初始模型，采用获取的训练样本集中的各个消费者的特征及对所在地风险事件感知的风险程度的数据对BP神经网络进行训练，得到训练后的BP神经网络模型；
将目标消费者的特征数据带入训练后的所述BP神经网络模型，获取目标消费者在风险事件发生地感知风险事件的风险程度的预测值；
根据获取的目标消费者在风险事件发生地感知风险事件的风险程度的预测值，获取目标消费者感知所有地区的风险事件的风险程度的预测值，并对目标消费者感知所有地区的风险事件的风险程度的预测值进行标准化；
根据预设的目标消费者对风险事件所能容忍的最大消费风险程度的值和目标消费者感知所有地区的风险事件的风险程度标准化的预测值，获取目标消费者的消费引导结果。
本发明实施例提供的一种基于BP神经网络的农产品消费引导方法，该方法通过建立BP神经网络模型，获取目标消费者在风险事件发生地感知风险事件的风险程度的预测值，进而获取目标消费者感知所有地区的风险事件的风险程度的预测值并进行标准化，根据预设的目标消费者对风险事件所能容忍的最大消费风险程度的值和目标消费者感知所有地区风险事件的风险程度标准化的预测值，获取目标消费者的消费引导结果，该方法能够考虑到消费者所在地区与风险事件发生位置的距离对消费行为决策的影响，使消费行为决策很好地适应风险事件地域相关、突然发生、快速发展的变化特点。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1本发明实施例提供的一种基于BP神经网络的农产品消费引导方法的流程图；
图2是本发明实施例提供的BP神经网络模型图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。
实施例
图1为本发明实施例提供的一种基于BP神经网络的农产品消费引导方法的流程图，如图1所示，该方法包括：
步骤101：调查风险事件发生地的消费者的特征及消费者对所在地的风险事件感知的风险程度的数据，获取训练样本集。
其中，所述消费者的特征包括消费者的年龄、性别和收入；所述风险程度的值范围为[0，5]。在本实施例中，风险事件优选为风险事件R，并且风险事件R能够影响消费者对农产品的消费行为决策，风险程度的值为0、1、2、3、4或5。表1给出了消费者针对所在地的风险事件R的调查表，通过设计调查问卷或者电话访问的形式获取风险事件R发生地的消费者的特征及对所在地的风险事件R感知的风险程度的值。在调查过程中，能够获取不同消费者的年龄、性别和收入以及对所在地的风险事件R的风险程度的数据，将多个消费者的年龄、性别和收入以及对所在地的风险事件R感知的风险程度的数据作为样本训练的数据。
表1
步骤102：以消费者的特征作为输入变量，消费者对所在地的风险事件感知的风险程度作为输出变量，的Sigmoid型函数为神经元的激活函数建立具有输入层、隐含层和输出层的BP神经网络初始模型，采用获取的训练样本集中的各个消费者的特征及对所在地风险事件感知的风险程度的数据对BP神经网络进行训练，得到训练后的BP神经网络模型。
BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
在本实施例中，如图2所示，以消费者的特征作为输入变量，消费者对所在地的风险事件感知的风险程度作为输出变量，的Sigmoid型函数为神经元的激活函数建立具有输入层、隐含层和输出层的BP神经网络初始模型，其中，输入层单元为3，分别表示消费者的年龄、性别、收入，输出层单元为1，表示消费者对所在地的风险事件感知的风险程度的值，经调整隐含层单元数为2。将步骤101中获取的训练样本集中的消费者的年龄X1、性别X2、收入X3作为输入变量，经过一系列的非线性变换，产生输出Yk(消费者对所在地的风险事件R感知的风险程度的值)；其中，
Oj＝f(wi,jXi-θj) (1)
Yk＝f(wj,kOj-θk) (2)
其中，Xi为第i个输入层节点输出值，i＝1、2、3；j为第j个隐含层节点输出值，j＝1、2；Yk为第k个输出层节点输出值，k＝1；wi,j为Xi到隐含层节点Oj的连接权值，wj,k为Oj到输出层节点Yk的连接权值，其θj为Oj处的阈值，θk为Yk处的阈值；在本实施例中，wi,j、wj,k、θj和θk的初始值均预设为0.01。得到输出Yk后，计算误差，误差的计算公式为：
其中，E为误差，dk为输出层第k个节点期望输出值(在本实施例中k为1，期望输出值为调查表中记载的消费者对所在地的风险事件R感知的风险程度的值)，Yk为输出层第k个节点实际输出值(在本实施例中，k为1)。
当误差E大于预设的误差值时，不断调整wi,j，直至误差小于预设的误差值为止，得到训练后的BP网络模型，在此过程中，调整连接权值wi,j的计算公式为：
其中，t为学习次数，μ为学习因子，0<μ<1；在本实施例中，μ＝0.1，t＝100，wj,k调整的方法和wi,j的调整方法是相同的。
步骤103：将目标消费者的特征数据带入训练后的所述BP神经网络模型，获取目标消费者在风险事件发生地感知风险事件的风险程度的预测值。
具体的，在本实施例中，将目标消费者的年龄、性别、收入的数据带入训练后的BP神经网络模型，获取目标消费者在风险事件发生地感知风险事件R的风险程度的预测值。
步骤104：根据获取的目标消费者在风险事件发生地感知风险事件的风险程度的预测值，获取目标消费者感知所有地区的风险事件的风险程度的预测值，并对目标消费者感知所有地区的风险事件的风险程度的预测值进行标准化。
具体的，所述目标消费者感知所有地区的风险事件的风险程度的预测值的计算公式为：
其中，P为目标消费者感知所有地区的风险事件的风险程度的预测值；Ps为步骤103中获取的目标消费者在风险事件发生地感知风险事件的风险程度的预测值；s为一个风险事件；dist(s)为目标消费者所在地到风险事件发生地之间的距离；ts是风险事件s发生后经过的时间；λ是衰减常数；a、b均为与风险事件的风险传播距离相关的经验系数。
在本实施例中，如果目标消费者所在地区和风险事件R发生的地区均为中国，则a＝300km，b＝800km；根据公式(5)，计算出目标消费者感知所有地区的风险事件R的风险程度的预测值，然后进行标准化，所述对目标消费者感知所有地区的风险事件的风险程度的预测值进行标准化的公式为：
其中，P*为对目标消费者感知所有地区的风险事件的风险程度标准化的预测值，为各个消费者感知所有地区的风险事件的平均风险程度的值。其中，为：将各个消费者感知所有地区的风险事件的风险程度的值进行求和运算后，除以消费者人数之和；所述目标消费者感知所有地区风险事件的风险程度标准化的预测值的范围为(0，5)。
在本实施例中，根据公式(6)获取目标消费者感知所有地区的风险事件R的风险程度标准化的预测值。
步骤105：根据预设的目标消费者对风险事件所能容忍的最大消费风险程度的值和目标消费者感知所有地区风险事件的风险程度标准化的预测值，获取目标消费者的消费引导结果。
在本实施例中，风险事件优选为风险事件R，如果目标消费者感知所有地区风险事件R的风险程度标准化的预测值不大于预设的目标消费者对风险事件R所能容忍的最大消费风险程度的值(P*≤Q，P*为目标消费者感知所有地区风险事件R的风险程度标准化的预测值，Q为目标消费者对风险事件R所能容忍的最大消费风险程度的值)，引导目标消费者购买在所述风险事件R下的农产品；否则，停止购买在所述风险事件R下的农产品。其中,预设的目标消费者对风险事件R所能容忍的最大消费风险程度的值范围为[1,5]，在本实施例中，预设的目标消费者对风险事件R所能容忍的最大消费风险程度的值取1,2,3,4,或5。
本发明实施例提供的一种基于BP神经网络的农产品消费引导方法，该方法通过建立BP神经网络模型，获取目标消费者在风险事件发生地感知风险事件的风险程度的预测值，进而获取目标消费者感知所有地区的风险事件的风险程度的预测值，并进行标准化，根据预设的目标消费者对风险事件所能容忍的最大消费风险程度的值和目标消费者感知所有地区风险事件的风险程度标准化的预测值，获取目标消费者的消费引导结果，该方法能够考虑到消费者所在地区与风险事件发生位置的距离对消费行为决策的影响，使消费行为决策很好地适应风险事件地域相关、突然发生、快速发展的变化特点。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (5)
1.一种基于BP神经网络的农产品消费引导方法，其特征在于，包括：
调查风险事件发生地的消费者的特征及消费者对所在地的风险事件感知的风险程度的数据，获取训练样本集；其中，所述消费者的特征包括消费者的年龄、性别和收入；
以消费者的特征作为输入变量，消费者对所在地的风险事件感知的风险程度作为输出变量，的Sigmoid型函数为神经元的激活函数建立具有输入层、隐含层和输出层的BP神经网络初始模型，采用获取的训练样本集中的各个消费者的特征及对所在地风险事件感知的风险程度的数据对BP神经网络进行训练，得到训练后的BP神经网络模型；
将目标消费者的特征数据带入训练后的所述BP神经网络模型，获取目标消费者在风险事件发生地感知风险事件的风险程度的预测值；
根据获取的目标消费者在风险事件发生地感知风险事件的风险程度的预测值，获取目标消费者感知所有地区的风险事件的风险程度的预测值，并对目标消费者感知所有地区的风险事件的风险程度的预测值进行标准化；
根据预设的目标消费者对风险事件所能容忍的最大消费风险程度的值和目标消费者感知所有地区的风险事件的风险程度标准化的预测值，获取目标消费者的消费引导结果。
2.根据权利要求1所述的方法，其特征在于，所述目标消费者感知所有地区的风险事件的风险程度的预测值的计算公式为：
<mrow>
<mi>P</mi>
<mo>=</mo>
<msub>
<mi>&Sigma;</mi>
<mi>s</mi>
</msub>
<mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msub>
<mi>&lambda;t</mi>
<mi>s</mi>
</msub>
</mrow>
</msup>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mfrac>
<mrow>
<mi>d</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>b</mi>
</mrow>
<mi>a</mi>
</mfrac>
</msup>
</mrow>
</mfrac>
<mo>&times;</mo>
<msub>
<mi>P</mi>
<mi>s</mi>
</msub>
</mrow>
其中，P为目标消费者感知所有地区的风险事件的风险程度的预测值；Ps为目标消费者在风险事件发生地感知风险事件的风险程度的预测值；s为一个风险事件；dist(s)为目标消费者所在地到风险事件发生地之间的距离；ts是风险事件s发生后已经经过的时间；λ是衰减常数；a、b均为与风险事件的风险传播距离相关的经验系数。
3.根据权利要求1所述的方法，其特征在于，所述对目标消费者感知所有地区的风险事件的风险程度的预测值进行标准化的公式为：
<mrow>
<msup>
<mi>P</mi>
<mo>*</mo>
</msup>
<mo>=</mo>
<mfrac>
<mn>5</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>-</mo>
<mover>
<mi>P</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
</msup>
</mrow>
</mfrac>
</mrow>
其中，P*为对目标消费者感知所有地区的风险事件的风险程度标准化的预测值，为各个消费者感知所有地区的风险事件的平均风险程度的值，P为目标消费者感知所有地区的风险事件的风险程度的预测值。
4.根据权利要求3所述的方法，其特征在于，所述各个消费者感知所有地区的风险事件的平均风险程度的值为：将各个消费者感知所有地区的风险事件的风险程度的值进行求和运算后，除以消费者人数之和。
5.根据权利要求1所述的方法，其特征在于，所述根据预设的目标消费者对风险事件所能容忍的最大消费风险程度的值和目标消费者感知所有地区风险事件的风险程度标准化的预测值，获取目标消费者的消费引导结果，包括：
如果目标消费者感知所有地区风险事件的风险程度标准化的预测值不大于预设的目标消费者对风险事件所能容忍的最大消费风险程度的值，引导目标消费者购买在所述风险事件下的农产品；否则，停止购买在所述风险事件下的农产品。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510142355.9A CN104732411B (zh) | 2015-03-27 | 2015-03-27 | 一种基于bp神经网络的农产品消费引导方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510142355.9A CN104732411B (zh) | 2015-03-27 | 2015-03-27 | 一种基于bp神经网络的农产品消费引导方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104732411A CN104732411A (zh) | 2015-06-24 |
| CN104732411B true CN104732411B (zh) | 2018-01-26 |
Family
ID=53456282
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510142355.9A Active CN104732411B (zh) | 2015-03-27 | 2015-03-27 | 一种基于bp神经网络的农产品消费引导方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104732411B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108122137A (zh) * | 2018-01-08 | 2018-06-05 | 中国农业科学院农业信息研究所 | 一种智能均衡农产品供需的方法及系统 |
| CN110415835B (zh) * | 2018-09-26 | 2021-04-23 | 中车工业研究院有限公司 | 一种机械设备的剩余寿命预测方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7954698B1 (en) * | 2004-06-02 | 2011-06-07 | Pliha Robert K | System and method for matching customers to financial products, services, and incentives based on bank account transaction activity |
| CN102982229A (zh) * | 2012-09-06 | 2013-03-20 | 淮阴工学院 | 一种基于神经网络的多品种商品价格预测的数据预处理方法 |
-
2015
- 2015-03-27 CN CN201510142355.9A patent/CN104732411B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7954698B1 (en) * | 2004-06-02 | 2011-06-07 | Pliha Robert K | System and method for matching customers to financial products, services, and incentives based on bank account transaction activity |
| CN102982229A (zh) * | 2012-09-06 | 2013-03-20 | 淮阴工学院 | 一种基于神经网络的多品种商品价格预测的数据预处理方法 |
Non-Patent Citations (4)
| Title |
|---|
| "产品召回中的负面情绪和感知风险对消费者购买意愿的影响——基于汽车产品召回的实证研究";孙莹等;《管理评论》;20140228;期刊第104-109页 * |
| "产品质量事件频发下消费者的购买选择";高倩丽;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;20140915;第J152-848页 * |
| "基于BP神经网络的我国农产品市场风险预警研究";王川等;《农业经济问题》;20080615;期刊第152-156页 * |
| "风险感知研究中的心理测量范式";伍麟等;《南京师大学报》;20120325;期刊第95-101页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104732411A (zh) | 2015-06-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Salim et al. | Exploring the impact of R&D and climate change on agricultural productivity growth: the case of Western Australia | |
| Al-Fattah et al. | Predicting natural gas production using artificial neural network | |
| CN110232240B (zh) | 一种改进的变压器顶层油温预测方法 | |
| Zhang et al. | Comparison of econometric models and artificial neural networks algorithms for the prediction of baltic dry index | |
| KR20160011776A (ko) | 다중 의사 결정 문제 해결을 위한 계층적 분석 기법, 회색수 및 엔트로피 기반의 해법 연산 방법 | |
| Mishra et al. | A study on forecasting prices of groundnut oil in Delhi by ARIMA methodology and artificial neural networks | |
| CN104732411B (zh) | 一种基于bp神经网络的农产品消费引导方法 | |
| Iraji | Comparison between soft computing methods for tomato quality grading using machine vision | |
| CN113822499A (zh) | 一种基于模型融合的列车备件损耗预测方法 | |
| Silva et al. | A neural network based approach to support the market making strategies in high-frequency trading | |
| CN111291925A (zh) | 一种基于人工智能的金融市场预测及决策的系统、方法 | |
| KR20140080773A (ko) | 다중 의사 결정 문제 해결을 위한 구간 회색수 및 엔트로피 기반 해법 연산 방법 | |
| Antamoshkina et al. | The model of statistical assessment of food security | |
| Leauprasert et al. | Intelligent machine learning techniques for condition assessment of power transformers | |
| Žnidaršič et al. | proDEX–A DSS tool for environmental decision-making | |
| Ramlan et al. | Information and Communication Technology (ICT) and human capital management trend in Malaysia's economic development | |
| CN116523393A (zh) | 一种食品安全评价方法 | |
| Giebel et al. | Neural network calibrated stochastic processes: forecasting financial assets | |
| Kostiuk et al. | Research of Methods of Control and Management of the Quality of Butter on the Basis of the Neural Network | |
| Karoon et al. | Modification of ARL for detecting changes on the double EWMA chart in time series data with the autoregressive model | |
| Russo et al. | A neuro‐fuzzy computational approach for multicriteria optimisation of the quality of espresso coffee by pod based on the extraction time, temperature and blend | |
| Goyal et al. | Shelf life estimation of processed cheese by artificial neural network expert systems | |
| CN104732427B (zh) | 一种农产品消费行为决策的预测方法及装置 | |
| Kosztyán et al. | Computer aided diagnostic methods to forecast condition-based maintenance tasks | |
| Wang et al. | Demand prediction of cold chain logistics under B2C E-Commerce model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |