CN109242558A - 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统 - Google Patents
一种基于神经网络的经营数据预测方法、可读存储介质和预测系统 Download PDFInfo
- Publication number
- CN109242558A CN109242558A CN201810993164.7A CN201810993164A CN109242558A CN 109242558 A CN109242558 A CN 109242558A CN 201810993164 A CN201810993164 A CN 201810993164A CN 109242558 A CN109242558 A CN 109242558A
- Authority
- CN
- China
- Prior art keywords
- neural network
- management data
- prediction technique
- data prediction
- value
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Abstract
本发明公开了一种基于神经网络的经营数据预测方法,解决了BP神经网络算法中的容易陷入局部极小值的缺陷,并且通过优化输入参数值,减少了模型的训练计算量,提高了运算的速度,提高了预测的精度。本发明改进了神经网络隐含层节点难确立、变量选择困难、运算速度缓慢等缺陷,能准确预测具有非线性和通过本发明能更好的进行公司经营以及其他的数据预测,能够为用户提供更好的帮助,还提高了用户体验感。
Description
技术领域
本发明属于数据预测和计算领域,更具体的,涉及一种基于神经网络的经营数据预测方法、可读存储介质和预测系统。
背景技术
财务指标分析,是指总结和评价企业财务状况与经营成果的分析指标,包括偿债能力指标、运营能力指标、盈利能力指标和发展能力指标。在分析企业的经营数据或者财务数据时,通常会分析有偿债能力、盈利能力、贡献能力等。具体的,包含净资产收益率、净利润增长率、主营业务收入增长率、毛利率、负债率、现金流等数据。另外,分析国家相关数据时,GDP的增长率体现一个国家的宏观经济状况,CPI则直接影响居民的购买力,深入研究分析这些宏观经济指标,对于研究我国经济发展过程,探究经济增长规律,进行宏观经济调控以及制定经济政策具有非常重要的意义。GDP和CPI作为衡量个人、家庭、企业和国家经济部门的重要经济指标,准确预测这些指标的走势和波动幅度,则为企业合理安排生产经营与政府部门制定科学的宏观经济政策提供有效的依据。
发明人发现预测方法主要分为两类:第一类是基于线性模型的传统统计经济学方法,第二类是采用人工神经网络模型的非线性方法。然而在经济指标的预测中是十分复杂的,具有非结构性、非线性、高噪声的特征。另外,在很多采用神经网络模型进行预测时,其很容易陷入局部最小值,不利于对数据的预测,BP神经网络模型存在着隐含层节点难确立、变量选择困难、运算速度缓慢等缺点。如何利用历史大数据进行指标的预测,并且提高预测精度是目前亟不可待要解决的问题。
发明内容
有鉴于此,本发明期望提供一种基于神经网络的经营数据预测方法,解决了BP神经网络算法中的容易陷入局部极小值的缺陷,并且通过优化输入参数值,减少了模型的训练计算量,提高了运算的速度,提高了预测的精度。本发明改进了神经网络隐含层节点难确立、变量选择困难、运算速度缓慢等缺陷,能准确预测具有非线性和通过本发明能更好的进行公司以及其他的数据预测,能够为用户提供更好的帮助,还提高了用户体验感。
为达到上述目的,本发明的技术方案是这样实现的:
本发明第一方面提供了一种基于神经网络的经营数据预测方法,包括:
S1,获取待预测数据的历史数据,建立网络拓扑结构;
S2,根据最优值算法得到最优权值阈值;
S3,计算输出层的校正误差;
S4,计算隐含层的校正误差;
S5,调整隐含层至输出层的连接权值和输出层的输出阈值;
S6,判断网络输出误差是否满足预设条件;
满足条件则进行步骤S7;若不满足条件则返回步骤S3;
S7,获取输入值,计算输出值,得到预测数据。
上述方案中,所述根据最优值算法得到最优权值阈值具体为:
随机产生一组分布数据,对该组中的每个权值阈值进行编码,生成出一个个码链,所述码链对应一个权值阈值取特定值的一个神经网络;
对所生成的神经网络模型计算误差函数,确定其适应度函数值,所述误差与适应度成反比关系;
进行交叉运算;
进行变异运算;
重复上述的步骤,直到达到预设的条件为止,获得最优权值阈值。
上述方案中,在所述对所产生的神经网络计算误差函数,确定其适应度函数值步骤之前执行操作:
根据所述历史数据进行计算,得到优化输入参数值;
生成神经网络模型。
上述方案中,所述根据所述历史数据进行计算,得到优化输入参数值具体为:
获取历史数据值和n个参数;
计算所述n个参数的方差贡献率;
将所述计算的n个方差贡献率从大到小进行排列;
将排名靠前的m个方差贡献率进行求和相加,得到方差贡献率和,判断所述方差贡献率和是否大于优化阈值W;
若大于等于所述优化阈值W,则选取所述m个方差为输入参数值;
其中n为大于等于2的自然数,m为小于等于n的自然数。
上述方案中,所述优化阈值W为85-100%。
上述方案中,所述进行交叉运算具体为:
按预先设定概率从种群中随机选择两个个体相互交换;
所述进行变异运算具体为:
定义随机的变异点,在变异点上变异为(一1,1)的值;通过对个体进行交叉,变异等自适应调整,采用改进的遗传算子,形成新一代群体。
上述方案中,在训练神经网络模型时,通过如下方案确定隐含层的单元数:
通过下列公式计算:
n2=log2n
n3=(n1+n2)/2
其中,n1、n2为隐藏层单元数,n为输入单元数,m为输出单元数;n3为确定的隐含层最佳数目。
上述方案中,所述判断网络输出误差是否满足预设条件具体为:
判断网络输出误差是否小于1e-5;若小于则继续执行;若大于则返回步骤“计算输出层的校正误差”。
本发明第二方面提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有基于神经网络的经营数据预测方法程序,所述经营数据预测方法程序被处理器执行时实现如上述的经营数据预测方法的步骤。
本发明第三方面还提供了一种经营数据预测系统,所述系统包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的经营数据预测方法的程序,所述经营数据预测方法的程序被所述处理器执行时实现如上述的经营数据预测方法的步骤。
本发明期望提供一种基于神经网络的经营数据预测方法,解决了BP神经网络算法中的容易陷入局部极小值的缺陷,并且通过优化输入参数值,减少了模型的训练计算量,提高了运算的速度,提高了预测的精度。本发明改进了神经网络隐含层节点难确立、变量选择困难、运算速度缓慢等缺陷,能准确预测具有非线性和通过本发明能更好的进行公司以及其他的数据预测,能够为用户提供更好的帮助,还提高了用户体验感。
附图说明
图1示出了本发明神经网络的示意图;
图2示出了本发明一种基于神经网络的经营数据预测方法的流程图;
图3示出了本发明实施例的方法流程图;
图4示出了本发明实施例的预测结果对比图。
具体实施方式
为了能够更加详尽地了解本发明的特点与技术内容,下面结合附图对本发明的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本发明。
BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念,是一种按照误差逆向传播算法训练的多层前馈神经网络,是目前应用最广泛的神经网络。
图1示出了本发明神经网络的示意图。如图1所示,BP神经网络模型主要包括三个部分,分别是输入层、隐含层和输出层如图1所示。学习样本从输入层经各隐含层传向输出层,最终在输出层的各个神经元收到来自输入层的信息。之后,系统以减少输出值与期望值的误差为目标,从输出层开始经过各个中间隐含层修正各连接权值,最后回到输入层。随着这种修正传播的不断进行,网络调整权值直至误差达到理想值。在本发明图1中的隐层就是指代隐藏层,以下也是如此。
但是在实际应用中,BP神经网络模型存在着隐含层节点难确立、变量选择困难、运算速度缓慢等缺点。BP算法存在一个缺陷就是,容易陷入局部极小值。BP算法的收敛速度与很多因素有关,其中包括算法参数的选择等等,即使一个简单的问题,网络也需要几百次甚至上万次的学习才能收敛。BP算法学习规则采用了按误差函数梯度下降的方向进行收敛,这就意味着由能量函数构成的连接权空间不仅是只有一个极小点的抛物面,而且是存在多个极小点的超曲面。因此,BP网络的收敛过程很可能在遇到局部极小值时便被“冻结”,当陷于局部最优时训练次数增加并不能进一步改善网络的性能,从而无法最终收敛到全局最小点。
BP网络是在输入层与输出层之间增加若干层(一层或多层)神经元,这些神经元称为隐单元,它们与外界没有直接的联系,但其状态的改变,则能影响输入与输出之间的关系,每一层可以有若干个节点。BP神经网络的计算过程由正向计算过程和反向计算过程组成。正向传播过程,输入模式从输入层经隐单元层逐层处理,并转向输出层,每~层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出,则转入反向传播,将误差信号沿原来的连接通路返回,通过修改各神经元的权值,使得误差信号最小。
图2示出了本发明一种基于神经网络的经营数据预测方法的流程图。
如图2所示,本发明提供了一种基于神经网络的经营数据预测方法,包括:
S1,获取待预测数据的历史数据,建立网络拓扑结构;
S2,根据最优值算法得到最优权值阈值;
S3,计算输出层的校正误差;
S4,计算隐含层的校正误差;
S5,调整隐含层至输出层的连接权值和输出层的输出阈值;
S6,判断网络输出误差是否满足预设条件;
满足条件则进行步骤S7;若不满足条件则返回步骤S3;
S7,获取输入值,计算输出值,得到预测数据。
需要说明的是,本发明的技术方案为选取合适的隐含层单元数,构建BP神经网络模型;将输入变量分为训练段和预测段两部分,确保训练段数据尽量拟合,从而确定遗传算法相关参数;最后,训练改进后的BP神经网络,并用其预测股价。采用本发明的方法改进了BP神经网络隐含层节点难确立、变量选择困难、运算速度缓慢等缺陷,能准确预测具有非线性和随机性的各种数据和价格,使预测值的误差达到最小值,实现更好的预测效果。
根据本发明实施例,所述根据最优值算法得到最优权值阈值具体为:
随机产生一组分布数据,对该组中的每个权值阈值进行编码,生成出一个个码链,所述码链对应一个权值阈值取特定值的一个神经网络;
对所生成的神经网络模型计算误差函数,确定其适应度函数值,所述误差与适应度成反比关系;
进行交叉运算;
进行变异运算;
重复上述的步骤,直到达到预设的条件为止,获得最优权值阈值。
值得说明的是,其中最优值算法在本发明中采用遗传算法。
根据本发明实施例,其中编码为:最优值算法在进行搜索之前应先选择编码策略并将解空间的解数据表示成基因型串结构数据,这些串结构数据的不同组合便构成了不同的点。
根据本发明实施例,再进行初始化:设置最大进化代数T;随机生成初始群体P。
个体评价:定义适应值函数,计算群体中各个个体的适应度。
按照策略,运用选择、交叉和变异算子作用于群体,形成下一代群体,群体P(t)经过选择、交叉、变异运算后得到下一代群体P(t+1);
终止条件判断:判断群体性能是否满足某一指标,或者己完成预定迭代次数,以进化过程中所得到的具有最大适应度的个体作为最优解输出,不满足则返回上步继续进行选择、交叉等操作。
根据本发明实施例,所述进行交叉运算具体为:
按预先设定概率从种群中随机选择两个个体相互交换;
所述进行变异运算具体为:
定义随机的变异点,在变异点上变异为(一1,1)的值;通过对个体进行交叉,变异等自适应调整,采用改进的遗传算子,形成新一代群体。
根据本发明实施例,在所述对所产生的神经网络计算误差函数,确定其适应度函数值步骤之前还执行操作:
根据所述历史数据进行计算,得到优化输入参数值;
生成神经网络模型。
值得说明的是所述生成的神经网络模型与在实际预测过程中的神经网络模型是实时变化的,也就是说在进行预测模型的训练时的模型会动态参与到此步骤中的模型训练中,以使得生成的神经网络模型精度足够高。
根据本发明实施例,所述根据所述历史数据进行计算,得到优化输入参数值具体为:
获取历史数据值和n个参数;
计算所述n个参数的方差贡献率;
将所述计算的n个方差贡献率从大到小进行排列;
将排名靠前的m个方差贡献率进行求和相加,得到方差贡献率和,判断所述方差贡献率和是否大于优化阈值W;
若大于等于所述优化阈值W,则选取所述m个方差为输入参数值;
其中n为大于等于2的自然数,m为小于等于n的自然数。
根据本发明实施例,所述优化阈值W为85-100%。需要说明的是,所述优化阈值W为85-100%。一般取m个主成分的贡献率不低于某个优化阈值W,此优化阈值W设置为大于等于85%以上的时候,取这些m个主成分作为优化后的参数,便可以使得计算的数据量变小,从而增加了计算效率。优选的,所述优化阈值W为95%。
根据本发明实施例,在训练神经网络模型时,通过如下方案确定隐含层的单元数:
在BP神经网络模型中,研究的问题本身已经确定了输入单元数和输出单元数。因此,模型成功的关键在于如何精准确定隐含层的层数和相应的单元数。因为一个隐含层就可以训练BP神经网络无限接近某一目标非线性函数所以本发明将网络层数确定为3,即只有一个隐含层。相反,确定隐含层的单元数是个十分复杂的问题。一方面,过多的单元数会影响网络的概括推理功能,另一方面,过少的单元数则会影响模型训练和预测的精度,降低实证效果。本发明通过如下方案确定隐含层的单元数:
通过下列公式计算:
n2=log2n
n3=(n1+n2)/2
其中,n1、n2为隐藏层单元数,n为输入单元数,m为输出单元数;n3为确定的隐含层最佳数目。
其中n1、n2为发明人通过多次的实验得出的隐藏层的单元数,其分别代表了达到最佳的推理功能的隐藏单元数和达到最佳精度的隐藏层的单元数。为了使其既能达到较好的推理功能和保证预测的精度,采用加权平均的方式得到新的隐含层单元数。
根据本发明实施例,所述判断网络输出误差是否满足预设条件具体为:
判断网络输出误差是否小于1e-5;若小于则继续执行;若大于则返回步骤“计算输出层的校正误差”。
其中,1e-5就是1*(10的-5次方)即0.00001。所以在此步骤中,判断网络输出误差小于0.00001作为满足的预设条件。
下面通过几个具体的实施例进一步说明本发明的技术方案。
实施例一
图3示出了本发明实施例的方法流程图,根据本发明的一种基于神经网络的经营数据预测方法,本发明的具体计算预测步骤可以为:
(1)随机产生一组分布,采用某种编码方案对该组中的每个权值或阈值进行编码,进而构造出一个个码链,在网络结构和学习算法已定的前提下,该码链就对应一个权值和阈值取特定值的一个神经网络。
(2)对所产生的神经网络计算它的误差函数,从而确定其适应度函数值,误差与适应度成反比关系。
(3)采用适应度比例法对个体进行排列,选择若干适应值较大的个体,直接遗传给下一代。
(4)进行交叉运算,即按设定概率从种群中随机选择两个个体相互交换。
(5)进行变异运算,定义随机的变异点,在变异点上变异为(一1,1)的值。通过对个体进行交叉,变异等自适应调整,采用改进的遗传算子,形成新一代群体。
(6)重复步骤2-5,使初始确定的一组权值分布得到不断的进化,直到训练目标得到满足或者迭代次数达到预设目标为止。
(7)将经过优化后的权值和阈值带入神经网络,便可以得出网络输出,即预测结果。
实施例二
在进行GDP和CPI的预测时。按照以往的算法,可能需要过多的输入参数值参与计算,具体参数值为:工业增加值、M2指数、原材料、外汇储备、进出口总额、财政收支等十几个变量参数,并且这些变量参数也是预测后的输出变量参数。但发明人通过参数优化分析之后发现,当时输入参数值为工业增加值、M2指数、原材料、外汇储备、进出口总额这5个的时候,其贡献率达到了91.3%。已经大于了优化阈值W的85%,则说明采用这5个可以完全满足预测模型的标准。
需要说明的是,获取历史数据为获取之前的相关数据,例如,获取公司经营的各种数据,净资产收益率、净利润增长率、主营业务收入增长率、毛利率、负债率、现金流等数据,并且获取和历史数据的相关的参数。例如上述的净资产收益率、净利润增长率、主营业务收入增长率等参数。其中,所述历史数据可以为用户输入的,也可以为通过网络进行抓取或者通过网络云进行计算获得。
根据本发明实施例,在获取了上述的数据之后,则计算所述n个参数的方差贡献率。方差是在概率论和统计方差衡量随机变量或一组数据时离散程度的度量。概率论中方差用来度量随机变量和其数学期望(即均值)之间的偏离程度。统计中的方差(样本方差)是每个样本值与全体样本值的平均数之差的平方值的平均数。进行方差和方差贡献率的计算是本领域的通用计算方法,本发明不再次进行一一赘述。
根据本发明实施例,在计算所述n个参数的方差贡献率之后,将所述计算的n个方差贡献率从大到小进行排列。例如,n=7,即有7个参数,在计算了贡献率之后得到其贡献度为:参数1:20%;参数2:5%;参数3:10%;参数4:3%;参数5:15%;参数6:17%;参数7:30。则从大到小进行排列之后可得:参数7、参数1、参数6、参数5、参数3、参数2、参数4。
根据本发明实施例,将排名靠前的m个方差贡献率进行求和相加,得到方差贡献率和,判断所述方差贡献率和是否大于优化阈值W。例如,取优化阈值W为90%,参照上述步骤的结果,将排名靠前的5个参数的贡献率相加之后得92%,超过了优化阈值的90%。
将排名靠前的m个方差贡献率进行求和相加,得到方差贡献率和,判断所述方差贡献率和是否大于优化阈值W;若大于等于所述优化阈值W,则选取所述m个方差为输入参数值。由于上述步骤选取的前5个的参数贡献率就达到了92%,已经超过了90%的优化阈值W,所以选取的m为5,具体的优化参数为:参数7、参数1、参数6、参数5、参数3。将优化后的参数作为训练模型的输入变量参数,进行模型的训练。
实施例三
本发明涉及的BP神经网络为输入层,隐含层,输出层的三层BP神经网络。隐含层的神经元数目选择是一个十分复杂的问题,它没有一个固定的解析式可用,通常是由经验和多次试验来得出比较合适的数值,隐含层节点的数目选择对模型的构建有着重要影响,隐含层节点数太少会影响整个神经网络的收敛速度,隐含层节点数选择过多,会引起神经网络拓扑结构过于复杂,学习时间过长,学习效果也不一定有效,甚至还可能出现信息冗余而导致过拟合。
通过下列公式计算:
n2=log2n
n3=(n1+n2)/2
其中,n1、n2为隐藏层单元数,n为输入单元数,m为输出单元数;n3为确定的隐含层最佳数目。
其中n1、n2为发明人通过多次的实验得出的隐藏层的单元数,其分别代表了达到最佳的推理功能的隐藏单元数和达到最佳精度的隐藏层的单元数。为了使其既能达到较好的推理功能和保证预测的精度,采用加权平均的方式得到新的隐含层单元数。通过计算之后然后再进行n3的自然数取整之后可得,最佳的隐含层数目为4。
实施例四
在计算预测公司的将净资产收益率、净利润增长率、主营业务收入增长率、毛利率、负债率、现金流的时候,本发明实施例选择实数编码的方式,这种方式采用一个染色体用一个浮点向量表示的方法,具有微调功能,同时可在解的表现型上直接进行遗传操作,从而便于引入与所求问题最优解相关的启发式信息,增加算法导向性,提高算法的收敛性和收敛速度,达到改善算法收敛的目的。
通过编码函数产生初始种群,编码函数为:
pop=encode(popu,S)
编码长度为:S=S1*R+S1*S2+S2
S1为隐藏层节点数,R为输入单元数S2的输出单元数。
适应度函数设定为:
fit=1/SE
其中采用输入输出的相对误差平方和的倒数作为适应度函数。
在最优值算法中,进行选择,交叉,变异的遗传操作,遗传代数N设定在2000到3000之间。
选择操作:在选择运算中,适应值占全部适应值之和比例大的被选中,单个个体被选择的概率为
其中fit指单个个体的适应度。
交叉操作:进行交叉运算,即按概率从种群中随机选择两个个体相互交换。本发明实施例中,将交叉概率定在0.8。
变异操作:选择随机的变异点,在该变异点上变异成(-1,1)内的值,通过试算,将变异概率定在0.3。
本发明实施例对基本的参数和公式进行了定义,然后获取输入值,计算输出值,得到预测数据。
将净资产收益率、净利润增长率、主营业务收入增长率、毛利率、负债率、现金流这6个数据输入到训练好的模型中,便得出了模型的预测输出值。图4示出了本发明实施例的预测结果对比图。其中神经网络的模型采用了A公司的2005-2016年的历史经营数据进行训练,通过训练好的神经网络模型进行2017年经营数据的预测。由于在公司经营过程中存在较多的不确定性因素,因此本发明实施例选取了未上市的公司,尽量减少由于资本市场的波动而对预测结果产生的干扰。其中在预测之后,可以看出,通过本发明的方案得到的预测结果的误差都较为理想,误差均为5%以下。
需要说明的是,在进行最优值计算和训练神经网络的过程中,可以通过网络进行设定参数,具体为:获取其他用户设定或者预测模型,比较与要预测的数据采用的模型的相似度,将相似度在前面的模型的训练参数进行加权平均运算,得到新的训练参数值,将所述新的训练参数值作为此次预测的数值。
其中服务器获取其他用户设定或者预测模型。服务器获取的可以是其他用户在之前进行预测过的数据或者模型,也可以是系统通过之前的运算得到的最优的预测模型。也就是说,服务器获取的是之前使用过的模型或者是用户使用过的数据和模型。然后比较与要预测的数据采用的模型的相似度,比较相似度是为了得到和本次预测的模型类似的模型组,这样有利于本次预测的使用。再进行计算,比较与要预测的数据采用的模型的相似度,将相似度在前面的模型的训练参数进行加权平均运算。此步骤采用加权平均计算减少了数据的统计复杂度,还可以较好的完成模型参数的选择。最后,得到新的训练参数值,将所述新的训练参数值作为此次预测的数值。
通过网络获取训练参数值,可以较好的完成BP神经网络模型的训练,并且可以得到较好的训练模型。
通过本发明的方案,还可应用于股票价格、股市指数、汇率、大宗商品价格预测、企业财务状况预警、交通客流预测等方面。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有基于神经网络的经营数据预测方法程序,所述经营数据预测方法程序被处理器执行时实现如上述的经营数据预测方法的步骤。
需要说明的是,计算机可读存储介质可以在手机终端中使用,也可以在服务器中使用。
本发明还提供了一种经营数据预测系统,所述系统包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的经营数据预测方法的程序,所述经营数据预测方法的程序被所述处理器执行时实现如上述的经营数据预测方法的步骤。
需要说明的是,本系统可以为计算机的服务器系统,通过存储在所述存储器上并可在所述处理器上运行的经营数据预测方法的程序,所述经营数据预测方法的程序被所述处理器执行时实现如上述的经营数据预测方法的步骤。将预测的结果可以向手机或者计算机进行推送显示。
通过本发明的技术方案,解决了BP神经网络算法中的容易陷入局部极小值的缺陷,并且通过优化输入参数值,减少了模型的训练计算量,提高了运算的速度,提高了预测的精度。本发明改进了神经网络隐含层节点难确立、变量选择困难、运算速度缓慢等缺陷,能准确预测具有非线性和通过本发明能更好的进行公司以及其他的数据预测,能够为用户提供更好的帮助,还提高了用户体验感。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
需要说明的是,本发明中未相信进行说明的均为本领域技术人员的常用技术手段,故本发明不再进行一一赘述。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于神经网络的经营数据预测方法,其特征在于,包括:
S1,获取待预测数据的历史数据,建立网络拓扑结构;
S2,根据最优值算法得到最优权值阈值;
S3,计算输出层的校正误差;
S4,计算隐含层的校正误差;
S5,调整隐含层至输出层的连接权值和输出层的输出阈值;
S6,判断网络输出误差是否满足预设条件;
满足条件则进行步骤S7;若不满足条件则返回步骤S3;
S7,获取输入值,计算输出值,得到预测数据。
2.根据权利要求1所述的一种基于神经网络的经营数据预测方法,其特征在于,所述根据最优值算法得到最优权值阈值具体为:
随机产生一组分布数据,对该组中的每个权值阈值进行编码,生成出一个个码链,所述码链对应一个权值阈值取特定值的一个神经网络;
对所生成的神经网络模型计算误差函数,确定其适应度函数值,所述误差与适应度成反比关系;
进行交叉运算;
进行变异运算;
重复上述的步骤,直到达到预设的条件为止,获得最优权值阈值。
3.根据权利要求2所述的一种基于神经网络的经营数据预测方法,其特征在于,在所述对所产生的神经网络计算误差函数,确定其适应度函数值步骤之前执行操作:
根据所述历史数据进行计算,得到优化输入参数值;
生成神经网络模型。
4.根据权利要求3所述的一种基于神经网络的经营数据预测方法,其特征在于,所述根据所述历史数据进行计算,得到优化输入参数值具体为:
获取历史数据值和n个参数;
计算所述n个参数的方差贡献率;
将所述计算的n个方差贡献率从大到小进行排列;
将排名靠前的m个方差贡献率进行求和相加,得到方差贡献率和,判断所述方差贡献率和是否大于优化阈值W;
若大于等于所述优化阈值W,则选取所述m个方差为输入参数值;
其中n为大于等于2的自然数,m为小于等于n的自然数。
5.根据权利要求4所述的一种基于神经网络的经营数据预测方法,其特征在于,所述优化阈值W为85-100%。
6.根据权利要求2所述的一种基于神经网络的经营数据预测方法,其特征在于,所述进行交叉运算具体为:
按预先设定概率从种群中随机选择两个个体相互交换;
所述进行变异运算具体为:
定义随机的变异点,在变异点上变异为(一1,1)的值;通过对个体进行交叉,变异等自适应调整,采用改进的遗传算子,形成新一代群体。
7.根据权利要求3所述的一种基于神经网络的经营数据预测方法,其特征在于,在训练神经网络模型时,通过如下方案确定隐含层的单元数:
通过下列公式计算:
n2=log2n
n3=(n1+n2)/2
其中,n1、n2为隐藏层单元数,n为输入单元数,m为输出单元数;n3为确定的隐含层最佳数目。
8.根据权利要求1所述的一种基于神经网络的经营数据预测方法,其特征在于,所述判断网络输出误差是否满足预设条件具体为:
判断网络输出误差是否小于1e-5;若小于则继续执行;若大于则返回步骤“计算输出层的校正误差”。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有基于神经网络的经营数据预测方法程序,所述经营数据预测方法程序被处理器执行时实现如权利要求1至8中任一项所述的经营数据预测方法的步骤。
10.一种经营数据预测系统,其特征在于,所述系统包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的经营数据预测方法的程序,所述经营数据预测方法的程序被所述处理器执行时实现如权利要求1至8中任一项所述的经营数据预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810993164.7A CN109242558A (zh) | 2018-08-29 | 2018-08-29 | 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810993164.7A CN109242558A (zh) | 2018-08-29 | 2018-08-29 | 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109242558A true CN109242558A (zh) | 2019-01-18 |
Family
ID=65069109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810993164.7A Pending CN109242558A (zh) | 2018-08-29 | 2018-08-29 | 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242558A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132259A (zh) * | 2020-09-01 | 2020-12-25 | 厦门大学 | 神经网络模型输入参量降维方法及计算机可读存储介质 |
CN112330368A (zh) * | 2020-11-16 | 2021-02-05 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、系统及存储介质和终端设备 |
CN113962614A (zh) * | 2021-12-21 | 2022-01-21 | 深圳市迪博企业风险管理技术有限公司 | 一种上市公司经营异常智能审查方法及装置 |
CN114444934A (zh) * | 2022-01-27 | 2022-05-06 | 南京数族信息科技有限公司 | 一种企业销售周期性评价算法及其工具化应用 |
CN116307940A (zh) * | 2023-05-17 | 2023-06-23 | 北京北方科诚信息技术股份有限公司 | 一种企业经营管理系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636985A (zh) * | 2013-11-08 | 2015-05-20 | 国家电网公司 | 一种改进bp神经网络的输电线路无线电干扰预测方法 |
-
2018
- 2018-08-29 CN CN201810993164.7A patent/CN109242558A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636985A (zh) * | 2013-11-08 | 2015-05-20 | 国家电网公司 | 一种改进bp神经网络的输电线路无线电干扰预测方法 |
Non-Patent Citations (2)
Title |
---|
尹璐: "基于GA-BP神经网络的股票预测理论及应用", 《中国优秀硕士学位论文全文数据库-经济与管理科学辑》 * |
王永杰 等: "基于主成分分析的 PSO-BP 算法在 GDP 和 CPI 预测中的应用", 《重庆理工大学学报(自然科学)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132259A (zh) * | 2020-09-01 | 2020-12-25 | 厦门大学 | 神经网络模型输入参量降维方法及计算机可读存储介质 |
CN112132259B (zh) * | 2020-09-01 | 2024-03-05 | 厦门大学 | 神经网络模型输入参量降维方法及计算机可读存储介质 |
CN112330368A (zh) * | 2020-11-16 | 2021-02-05 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、系统及存储介质和终端设备 |
CN112330368B (zh) * | 2020-11-16 | 2024-04-09 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、系统及存储介质和终端设备 |
CN113962614A (zh) * | 2021-12-21 | 2022-01-21 | 深圳市迪博企业风险管理技术有限公司 | 一种上市公司经营异常智能审查方法及装置 |
CN114444934A (zh) * | 2022-01-27 | 2022-05-06 | 南京数族信息科技有限公司 | 一种企业销售周期性评价算法及其工具化应用 |
CN116307940A (zh) * | 2023-05-17 | 2023-06-23 | 北京北方科诚信息技术股份有限公司 | 一种企业经营管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Adaptive stock trading strategies with deep reinforcement learning methods | |
Garro et al. | Designing artificial neural networks using particle swarm optimization algorithms | |
CN109242558A (zh) | 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统 | |
Esfahanipour et al. | Adapted neuro-fuzzy inference system on indirect approach TSK fuzzy rule base for stock market analysis | |
Dash | Performance analysis of a higher order neural network with an improved shuffled frog leaping algorithm for currency exchange rate prediction | |
CN109118013A (zh) | 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统 | |
Yu et al. | Evolutionary fuzzy neural networks for hybrid financial prediction | |
Król et al. | Investigation of evolutionary optimization methods of TSK fuzzy model for real estate appraisal | |
Iuhasz et al. | Neural network predictions of stock price fluctuations | |
CN110298506A (zh) | 一种城市建设水平预测系统 | |
Oktanisa et al. | Inflation rate prediction in Indonesia using optimized support vector regression model | |
Samarawickrama et al. | Multi-step-ahead prediction of exchange rates using artificial neural networks: a study on selected sri lankan foreign exchange rates | |
Nishizaki et al. | Simulation analysis using multi-agent systems for social norms | |
Caliskan Cavdar et al. | Hybrid Model Approach to the Complexity of Stock Trading Decisions in Turkey | |
Huong et al. | A multi-objective ensemble learning approach based on the non-dominated sorting differential evolution for forecasting currency exchange rates | |
Chirita et al. | Usefulness of artificial neural networks for predicting financial and economic crisis | |
Skakalina | Investigation of intelligent technologies for formation forecasting models | |
Xue | Prediction of NASDAQ Index Based on Stacking Method | |
CN110288159A (zh) | 一种智慧城市建设测度方法 | |
Purohit et al. | Novel deterministic and probabilistic forecasting methods for crude oil price employing optimized deep learning, statistical and hybrid models | |
Schoreels et al. | The effect of varying parameters on performance for adaptive agents in technical equity market trading | |
Ye | Predicting Price Direction of Cryptocurrency Using Artificial Neural Networks | |
Diksa et al. | Forecasting Indonesia inflation using long short term memory method | |
Bauer | Benchmarking Neural Networks for American Option Pricing | |
Dadmohammadi et al. | A Combined Learning Approach for Credit Scoring Using Adaptive Hierarchical Mixture of Experts: Iranian Banking Industry |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190118 |
|
RJ01 | Rejection of invention patent application after publication |