CN106355269A - 基于bp神经网络的商品条码注册量预测方法 - Google Patents

Abstract

本发明公开了一种基于BP神经网络的商品条码注册量预测方法，该方法包括步骤如下：对商品条码注册量的自相关分析图进行分析，生成训练样本；建立BP神经网络，利用生成的训练样本进行训练，以得到商品条码注册量预测模型；利用预测模型对商品条码注册量进行预测。本发明考虑了商品条码注册量数据的非线性特征，能够实现对商品条码注册量的高精度预测。本发明在保证高预测精度的前提下采用单隐含层BP神经网络，跟多隐含层神经网络相比大大降低了计算难度和复杂度，具有简单易操作的特点。

Description

基于BP神经网络的商品条码注册量预测方法

技术领域

本发明涉及时间序列预测技术领域，具体涉及一种基于BP神经网络的商品条码注册量预测方法。

背景技术

商品条码注册信息涵盖企业名称、行政区划、注册资金、企业类别、经济类型代码、国民经济行业分类代码、最后一次操作时间、是否注销、注册日期等，以注册日期为统计项进行统计，便可得到月度商品条码注册量数据。商品条码注册量反应了新增商品制造和销售的情况，从宏观角度上分析，一定时期内的商品条码注册量的变化，一方面能够直接反映一个地区的商品制造和销售的表现，另一方面可以间接反映出该地区的商业流通的活跃程度，因此商品条码注册量可以被认为是衡量一个国家或地区经济状况的重要指标。

目前，对商品条码注册量的研究只停留在统计阶段，甚少有进一步的深入研究。对某地区的商品条码注册量进行预测，可以大致研判该地区在未来一定时期内的经济发展程度，还可以根据预测数据制定各项管理和控制政策，因此商品条码注册量预测具有重要的指导意义。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于BP神经网络的商品条码注册量预测方法，该方法可以实现对商品条码月度注册量的高精度预测。

本发明的目的可以通过采取如下技术方案达到：

一种基于BP神经网络的商品条码注册量预测方法，所述商品条码注册量预测方法包括：

S1、以商品条码注册信息的注册时间为统计项进行统计，得到商品条码注册量序列，通过分析商品条码注册量序列的自相关特性生成训练样本，并进行归一化处理；

S2、建立BP神经网络，利用生成的训练样本进行训练，以得到商品条码注册量预测模型；

S3、利用上述预测模型对商品条码注册量进行预测。

进一步地，所述商品条码注册量序列为月度的商品条码注册量序列。

进一步地，所述步骤S1具体为：

步骤S11、根据公式(1)计算商品条码注册量序列的自相关系数，通过分析自相关系数确定8个输入节点和1个输出节点的神经网络结构，对训练样本对的设定为：假设需要预测y(t)，则选取y(t-1)，y(t-2)，y(t-3)，y(t-4)，y(t-11)，y(t-12)，y(t-13)，y(t-24)作为输入；其中，公式(1)如下：

$r_k=\frac{\underset{t=1}{\overset{n-k}{\Σ}}(y_t-\stackrel{\‾}{y})(y_{t+k}-\stackrel{\‾}{y})}{\underset{t=1}{\overset{n-k}{\Σ}}{(y_t-\stackrel{\‾}{y})}^2}---\left(1\right)$

上式中，r_k表示自相关系数，表示时间序列的均值，n表示时间序列的数据个数，k表示滞后期；

步骤S12、根据公式(2)，对训练样本进行归一化处理；其中，公式(2)如下：

${\stackrel{\‾}{x}}_i=\frac{x_i-x_{\min }}{x_{\max }-x_{\min }}---\left(2\right)$

上式中，x_max表示数据集中的最大值，x_min表示数据集中的最小值。

进一步地，所述步骤S2具体为：

步骤S21、选择Sigmoid函数作为BP神经网络输出层和隐含层的传递函数；

步骤S22、按照公式(3)计算得到隐含层节点n；其中，公式(3)如下：

n＝2m+l (3)

上式中，m表示输入层神经元数量，l表示输出层神经元数量；

步骤S23、根据公式(4)求得BP神经网络训练过程的目标函数，采用梯度下降法调整权值，使目标函数E达到期望值；其中，公式(4)如下：

$E=\frac{1}{2P}\underset{p=1}{\overset{P}{\Σ}}\underset{k=1}{\overset{K}{\Σ}}{(d_k^p-y_k^p)}^2---\left(4\right)$

上式中，P表示训练样本的数量，d_k表示期望输出，y_k表示实际输出，K表示输出层节点数量。

进一步地，所述步骤S23中采用梯度下降法调整权值具体为：

步骤S231、学习速率采用自适应调节法，具体计算公式为：

$\mathrm{\&rho;}(t+1)=\left\{\begin{array}{cc}1.05\mathrm{\&rho;}\left(t\right)& E\left(t\right)<E(t-1)\\ 0.7\mathrm{\&rho;}\left(t\right)& E\left(t\right)>1.04E(t-1)\\ \mathrm{\&rho;}\left(t\right)& otherwise\end{array}\right.---\left(5\right)$

上式中，ρ(t+1)表示(t+1)时刻的学习速率，ρ(t)表示t时刻的学习速率，E(t)表示t时刻的目标函数值，E(t-1)表示(t-1)时刻的目标函数值；

步骤S232、采用增加动量项方法改进梯度下降法，将动量系数取为0.5，隐含层-输出层的连接权值和输入层-隐含层的连接权值计算公式分别为：

${\mathrm{\&Delta;w}}_{jk}\left(t\right)=0.5\frac{\mathrm{\&rho;}}{P}\underset{p=1}{\overset{P}{\&Sigma;}}{M}_{kp}{z}_j^p+0.5{\mathrm{\&Delta;w}}_{jk}(t-1)---\left(6\right)$

${\mathrm{\&Delta;v}}_{ij}\left(t\right)=0.5\frac{\mathrm{\&rho;}}{P}\underset{p=1}{\overset{P}{\&Sigma;}}\{\&lsqb;\underset{k=1}{\overset{l}{\&Sigma;}}{M}_{kp}{w}_{jk}\&rsqb;z_j^p(1-z_j^p)x_i^p\}+0.5{\mathrm{\&Delta;v}}_{ij}(t-1)---\left(7\right)$

上两式中，d_k表示期望输出，y_k表示实际输出，l表示输出层节点数量，P表示训练样本的数量，表示隐含层的输出，表示输入。

本发明相对于现有技术具有如下的优点及效果：

1、本发明考虑了商品条码注册量数据的非线性特征，能够实现对商品条码注册量的高精度预测。

2、本发明在保证高预测精度的前提下采用单隐含层BP神经网络，跟多隐含层神经网络相比大大降低了计算难度和复杂度，具有简单易操作的特点。

附图说明

图1是本发明公开的基于BP神经网络的商品条码注册量预测方法的流程步骤图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

附图1所示，附图1是本发明公开的基于BP神经网络的商品条码注册量预测方法的流程步骤图，下面结合附图1具体说明一种基于BP神经网络的商品条码注册量预测方法，该方法包括下列步骤：

步骤S1、以商品条码注册信息的注册时间为统计项进行统计，得到商品条码注册量序列，通过分析商品条码注册量序列的自相关特性生成训练样本，并进行归一化处理；

本实施例中，商品条码注册量序列为月度的商品条码注册量序列，按月份进行统计商品条码注册信息，即以商品条码注册信息的注册时间为统计项进行统计，得到商品条码月度注册量序列，

具有应用中，所述步骤S1具体为：

步骤S11、根据公式(1)计算商品条码注册量序列的自相关系数，通过分析自相关系数确定8个输入节点和1个输出节点的神经网络结构，对训练样本对的设定为：假设需要预测y(t)，则选取y(t-1)，y(t-2)，y(t-3)，y(t-4)，y(t-11)，y(t-12)，y(t-13)，y(t-24)作为输入；其中，公式(1)如下：

$r_k=\frac{\underset{t=1}{\overset{n-k}{\&Sigma;}}(y_t-\stackrel{\&OverBar;}{y})(y_{t+k}-\stackrel{\&OverBar;}{y})}{\underset{t=1}{\overset{n-k}{\&Sigma;}}{(y_t-\stackrel{\&OverBar;}{y})}^2}---\left(1\right)$

上式中，r_k表示自相关系数，表示时间序列的均值，n表示时间序列的数据个数，k表示滞后期。

步骤S12、根据公式(2)，对训练样本进行归一化处理；其中，公式(2)如下：

${\stackrel{\&OverBar;}{x}}_i=\frac{x_i-x_{\min }}{x_{\max }-x_{\min }}---\left(2\right)$

上式中，x_max表示数据集中的最大值，x_min表示数据集中的最小值。

步骤S2、建立BP神经网络，利用生成的训练样本进行训练，以得到商品条码注册量预测模型；

具有应用中，所述步骤S2具体为：

步骤S21、选择Sigmoid函数作为BP神经网络输出层和隐含层的传递函数；

步骤S22、按照公式(3)计算得到隐含层节点n；其中，公式(3)如下：

n＝2m+l (3)

上式中，m表示输入层神经元数量，l表示输出层神经元数量；

步骤S23、根据公式(4)求得BP神经网络训练过程的目标函数，采用梯度下降法调整权值，使目标函数E达到期望值；其中，公式(4)如下：

$E=\frac{1}{2P}\underset{p=1}{\overset{P}{\&Sigma;}}\underset{k=1}{\overset{K}{\&Sigma;}}{(d_k^p-y_k^p)}^2---\left(4\right)$

上式中，P表示训练样本的数量，d_k表示期望输出，y_k表示实际输出，K表示输出层节点数量。

具体应用中，所述步骤S23中采用梯度下降法调整权值包括以下步骤：

步骤S231、学习速率采用自适应调节法，具体计算公式为：

$\mathrm{\&rho;}(t+1)=\left\{\begin{array}{cc}1.05\mathrm{\&rho;}\left(t\right)& E\left(t\right)<E(t-1)\\ 0.7\mathrm{\&rho;}\left(t\right)& E\left(t\right)>1.04E(t-1)\\ \mathrm{\&rho;}\left(t\right)& otherwise\end{array}\right.---\left(5\right)$

上式中，ρ(t+1)表示(t+1)时刻的学习速率，ρ(t)表示t时刻的学习速率，E(t)表示t时刻的目标函数值，E(t-1)表示(t-1)时刻的目标函数值；

步骤S232、采用增加动量项方法改进梯度下降法，将动量系数取为0.5，隐含层-输出层的连接权值和输入层-隐含层的连接权值计算公式分别为：

${\mathrm{\&Delta;w}}_{jk}\left(t\right)=0.5\frac{\mathrm{\&rho;}}{P}\underset{p=1}{\overset{P}{\&Sigma;}}{M}_{kp}{z}_j^p+0.5{\mathrm{\&Delta;w}}_{jk}(t-1)---\left(6\right)$

${\mathrm{\&Delta;v}}_{ij}\left(t\right)=0.5\frac{\mathrm{\&rho;}}{P}\underset{p=1}{\overset{P}{\&Sigma;}}\{\&lsqb;\underset{k=1}{\overset{l}{\&Sigma;}}{M}_{kp}{w}_{jk}\&rsqb;z_j^p(1-z_j^p)x_i^p\}+0.5{\mathrm{\&Delta;v}}_{ij}(t-1)---\left(7\right)$

上两式中，d_k表示期望输出，y_k表示实际输出，l表示输出层节点数量，P表示训练样本的数量，表示隐含层的输出，表示输入。

步骤S3、利用上述预测模型对商品条码注册量进行预测。

综上所述，本实施例公开的基于BP神经网络的商品条码注册量预测方法考虑了商品条码注册量数据的非线性特征，能够实现对商品条码注册量的高精度预测。同时，本预测方法在保证高预测精度的前提下采用单隐含层BP神经网络，跟多隐含层神经网络相比大大降低了计算难度和复杂度，具有简单易操作的特点。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (5)

1.一种基于BP神经网络的商品条码注册量预测方法，其特征在于，所述商品条码注册量预测方法包括：

S1、以商品条码注册信息的注册时间为统计项进行统计，得到商品条码注册量序列，通过分析商品条码注册量序列的自相关特性生成训练样本，并进行归一化处理；

S2、建立BP神经网络，利用生成的训练样本进行训练，以得到商品条码注册量预测模型；

S3、利用上述预测模型对商品条码注册量进行预测。

2.根据权利要求1所述的基于BP神经网络的商品条码注册量预测方法，其特征在于，所述商品条码注册量序列为月度的商品条码注册量序列。

3.根据权利要求1或2所述的基于BP神经网络的商品条码注册量预测方法，其特征在于，所述步骤S1具体为：

步骤S11、根据公式(1)计算商品条码注册量序列的自相关系数，通过分析自相关系数确定8个输入节点和1个输出节点的神经网络结构，对训练样本对的设定为：假设需要预测y(t)，则选取y(t-1)，y(t-2)，y(t-3)，y(t-4)，y(t-11)，y(t-12)，y(t-13)，y(t-24)作为输入；其中，公式(1)如下：

$r_k=\frac{\underset{t=1}{\overset{n-k}{\&Sigma;}}(y_t-\stackrel{\&OverBar;}{y})(y_{t+k}-\stackrel{\&OverBar;}{y})}{\underset{t=1}{\overset{n}{\&Sigma;}}{(y_t-\stackrel{\&OverBar;}{y})}^2}---\left(1\right)$

上式中，r_k表示自相关系数，表示时间序列的均值，n表示时间序列的数据个数，k表示滞后期；

步骤S12、根据公式(2)，对训练样本进行归一化处理；其中，公式(2)如下：

${\stackrel{\&OverBar;}{x}}_i=\frac{x_i-x_{\min }}{x_{max}-x_{\min }}---\left(2\right)$

上式中，x_max表示数据集中的最大值，x_min表示数据集中的最小值。

4.根据权利要求1或2所述的基于BP神经网络的商品条码注册量预测方法，其特征在于，所述步骤S2具体为：

步骤S21、选择Sigmoid函数作为BP神经网络输出层和隐含层的传递函数；

步骤S22、按照公式(3)计算得到隐含层节点n；其中，公式(3)如下：

n＝2m+l(3)

上式中，m表示输入层神经元数量，l表示输出层神经元数量；

步骤S23、根据公式(4)求得BP神经网络训练过程的目标函数，采用梯度下降法调整权值，使目标函数E达到期望值；其中，公式(4)如下：

$E=\frac{1}{2P}\underset{p=1}{\overset{P}{\&Sigma;}}\underset{k=1}{\overset{K}{\&Sigma;}}{(d_k^p-y_k^p)}^2---\left(4\right)$

上式中，P表示训练样本的数量，d_k表示期望输出，y_k表示实际输出，K表示输出层节点数量。

5.根据权利要求4所述的基于BP神经网络的商品条码注册量预测方法，其特征在于，所述步骤S23中采用梯度下降法调整权值具体为：

步骤S231、学习速率采用自适应调节法，具体计算公式为：

$\mathrm{\&rho;}(t+1)=\left\{\begin{array}{cc}1.05\mathrm{\&rho;}\left(t\right)& E\left(t\right)<E(t-1)\\ 0.7\mathrm{\&rho;}\left(t\right)& E\left(t\right)>1.04E(t-1)\\ \mathrm{\&rho;}\left(t\right)& otherwise\end{array}\right.---\left(5\right)$

上式中，ρ(t+1)表示(t+1)时刻的学习速率，ρ(t)表示t时刻的学习速率，E(t)表示t时刻的目标函数值，E(t-1)表示(t-1)时刻的目标函数值；

步骤S232、采用增加动量项方法改进梯度下降法，将动量系数取为0.5，隐含层-输出层的连接权值和输入层-隐含层的连接权值计算公式分别为：

${\mathrm{\&Delta;w}}_{jk}\left(t\right)=0.5\frac{\mathrm{\&rho;}}{P}\underset{p=1}{\overset{P}{\&Sigma;}}{M}_{kp}{z}_j^p+0.5{\mathrm{\&Delta;w}}_{jk}(t-1)---\left(6\right)$

${\mathrm{\&Delta;v}}_{ij}\left(t\right)=0.5\frac{\mathrm{\&rho;}}{P}\underset{p=1}{\overset{P}{\&Sigma;}}\{\&lsqb;\underset{k=1}{\overset{l}{\&Sigma;}}{M}_{kp}{w}_{jk}\&rsqb;z_j^p(1-z_j^p)x_i^p\}+0.5{\mathrm{\&Delta;v}}_{ij}(t-1)---\left(7\right)$

上两式中，d_k表示期望输出，y_k表示实际输出，l表示输出层节点数量，P表示训练样本的数量，表示隐含层的输出，表示输入。