CN109409915B - 汽车配件销量预测方法、终端设备及存储介质 - Google Patents
汽车配件销量预测方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN109409915B CN109409915B CN201710712405.1A CN201710712405A CN109409915B CN 109409915 B CN109409915 B CN 109409915B CN 201710712405 A CN201710712405 A CN 201710712405A CN 109409915 B CN109409915 B CN 109409915B
- Authority
- CN
- China
- Prior art keywords
- predictor
- weak
- sample
- weight
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000004590 computer program Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 13
- 238000001556 precipitation Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种汽车配件销量预测方法,包括如下步骤:S1:样本数据获取;S2:样本权重的初始化;S3:BP神经网络初始化,并设置M个BP神经网络为弱预测器,所有弱预测器组成强预测器;S4:将样本按初始权重输入第m个弱预测器,进行训练,获得第m个弱预测器的预测结果和预测误差;S5:计算弱预测器在强预测器中所占权重系数,进入S6步骤;若m等于M,则进入S7步骤;S6:更新样本的权重:根据第m个弱预测器的预测结果更新N个样本的权重,获取权重更新后的N个样本,令m自增1,进入S4步骤;S7:在强预测器中对弱预测器的预测结果进行加权求和得到N个样本的最终预测结果。
Description
技术领域
本发明涉及数据预测技术领域,具体是一种汽车配件销量预测方法、终端设备及存储介质。
背景技术
随着我国汽车行业的迅速发展,汽车零配件行业也随之扩张,配件的需求量越来越大。经销商需要最低成本,最快速度的满足用户对配件的需求。对于每种配件库存量的控制管理变的越来越重要。
配件销量的影响因素有很多,最直接的是销量的历史数据,目前的大多数配件销量的预测都是基于历史销量的方法。然而实际上,配件的更换和配件的故障和磨损有直接的关系,配件的磨损受外界因素影响较大,不同的气候条件会造成配件不同程度的磨损,进而引起故障。
传统的配件销量预测多采用单一需求量历史数据,预测模型较为单一,在不同外界因素影响下都采用同一模型,没有考虑气候条件对配件销量的影响,预测结果不够准确,缺少针对不同气候条件,地理位置的预测方法。
发明内容
为了解决上述问题,本发明提供一种汽车配件销量预测方法、终端设备及存储介质,结合当地特有的气候因素对配件损耗的影响,考虑当地温度、湿度,降水量,日照,气压等气候因素,并结合配件历史销量,故障量,汽车保有量数据对汽车配件的销量进行预测。
对于多种因素影响下的非线性复杂关系,本发明采用对非线性关系具有良好映射关系的神经网络进行配件销量的预测。针对气候多维数据输入的神经网络,为了解决单一网络可能造成的过拟合问题,本发明采用多个BP(误差反向传播算法)神经网络级联的Adaboost强预测器进行预测。针对BP神经网络中全连接产生的数据量过大,权值计算过多,训练速度过慢的问题,本发明提出了一种放弃部分权值的策略,提高了训练的效率。
本发明一种汽车配件销量预测方法,包括如下步骤:
S1:数据获取:获取用于汽车配件销量预测的样本数据集,样本数据集中包括N个样本,进入S2步骤;
S2:样本权重的初始化:对样本数据集中的N个样本进行样本权重的初始化,进入S3步骤;
S3:BP神经网络初始化:用遗传算法初始化M个BP神经网络的初始权值,同时初始化其学习率、网络层数、各层网络的神经元个数、训练终止条件,并设置M个BP神经网络为弱预测器,所有弱预测器组成强预测器,进入S4步骤;
S4:将样本输入弱预测器训练获得预测结果和预测误差:将N个样本按初始权重输入第m个弱预测器,根据第m个弱预测器的初始化条件进行第m个弱预测器的训练,通过BP神经网络的梯度下降反向传播更新权值,获得第m个弱预测器的预测结果和预测误差,其中m的初始值为1,且m的取值范围为:m大于或等于1且小于或等于M,
当m大于或等于2且小于或等于M时,在训练的过程中,在网络的隐含层放弃部分的权值,放弃的权值相对于前一个弱预测器相同位置的权值的变化率大于保留的权值,进入S5步骤;
S5:计算弱预测器在强预测器中所占权重系数:根据第m个弱预测器的预测误差计算第m个弱预测器在强预测器中所占权重系数,进入S6步骤;若m等于M,则进入S7步骤;
S6:更新样本的权重:根据第m个弱预测器的预测结果更新N个样本的权重,获取权重更新后的N个样本,令m自增1,进入S4步骤;
S7:在强预测器中对弱预测器的预测结果进行加权求和得到N个样本的最终预测结果。
进一步的,S1中,获取样本数据集包括如下步骤:
S11:数据统计:统计的数据包括:汽车配件历史月销量数据、汽车配件月故障量数据、城市月汽车保有量数据、月平均温度、月平均湿度、月平均降水量和月平均气压;
S12:数据归一化:对S11中所统计的数据进行归一化处理,将其归一化为0-1之间,归一化函数为:
ui=(xi-xmin)/(xmax-xmin);
其中,xmin、xmax分别为本属性数据中的最小值和最大值,xi为需要归一化的数据,ui为归一化后的值。
进一步的,S2中,每个样本的样本初始权重为1/N。
进一步的,S4中,变化率的计算公式为:
其中wijm为第m个弱预测器的隐含层第i个神经元和下一层第j个神经元的连接权值,wijm-1为第m-1个弱预测器的隐含层第i个神经元和下一层第j个神经元的连接权值,M为弱预测器的个数。
进一步的,S5中,第m个弱预测器在强预测器中所占权重系数的计算公式为:其中em为第m个弱预测器的预测误差,计算公式为:/>αm为第m个弱预测器在强预测器中所占权重系数,wmi为第m个弱预测器第i个样本的权重,Gm(xi)为第m个弱预测器第i个样本的预测结果,yi是第i个样本的正确输出值,θ为设定的更新权值分布的误差临界值。
更进一步的,S6中,更新样本的权重计算公式为:
其中,wm+1,i为第i个样本更新后的权重,wmi为第i个样本更新前的权重,Zm是规范化因子,yi是第i个样本的正确输出值,Gm为第m个预测器的预测结果。
更进一步的,S7中,加权求和公式为:
本发明一种汽车配件销量预测终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现汽车配件销量预测方法的步骤。
本发明一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现汽车配件销量预测方法的步骤。
本发明的有益效果:
本发明对于多种因素影响下的非线性复杂关系,本发明采用对非线性关系具有良好映射关系的神经网络进行配件销量的预测。针对气候多维数据输入的神经网络,为了解决单一网络可能造成的过拟合问题,本发明采用多个BP(误差反向传播算法)神经网络级联的Adaboost强预测器进行预测。针对BP神经网络中全连接产生的数据量过大,权值计算过多,训练速度过慢的问题,本发明提出了一种放弃部分权值的策略,提高了训练的效率。提高配件预测准确性,为配件厂商规范合理库存提供有力依据。使配件不会积压,不会因为满足不了需求而丢失商机,同时为配件厂商最优化成本,提高预测效率。
附图说明
图1为本发明实施例一的强预测器的训练流程图;
图2为本发明实施例一的弱预测器的训练流程图;
图3为本发明实施例一的权值放弃方法图。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
现结合附图和具体实施方式对本发明进一步说明。
实施例一:
请参阅图1-图3所示,本发明提供了一种汽车配件销量预测方法,本发明是一种针对气候条件的配件预测方法,利用当地气候相关的温湿度,降水,气压等数据结合配件的历史销量,故障量,汽车保有量数据,训练多个BP神经网络作为弱预测器,组成强预测器对配件的销售量进行预测,并针对BP神经网络中全连接产生的数据量过大,权值计算过多,训练速度过慢的问题,提出隐含层有规律的放弃一部分权值的策略,提高预测的效率,解决了针对特定地理气候条件的配件预测,并训练多个BP神经网络弱预测器组成的Adaboost强预测器进行预测,减少传统单一BP神经网络的过拟合问题,提高预测精度和效率。
本发明所阐述的方法具体过程如下:
S1:数据获取:获取用于汽车配件销量预测的样本数据集,样本数据集中包括N个样本,包括
S11:数据统计:统计的数据包括:汽车配件历史月销量数据、汽车配件月故障量数据、城市月汽车保有量数据、月平均温度、月平均湿度、月平均降水量和月平均气压;
具体为:
1.根据汽车配件经销商的历史数据按月份、按配件统计成历史数据表,其中包括各配件历史月销量数据、月故障量数据,城市月汽车保有量数据。
2.根据当地气候数据统计月平均温度、月平均湿度、月平均降水量、月平均气压数据。
3.根据处理好的数据生成输入输出矩阵。输入矩阵为输入月销量滞后一期,月故障量滞后一期,城市月汽车保有量滞后一期,月平均温度,月平均湿度,月平均降水量,月平均气压,输出为当期该配件的销量。
S12:数据归一化:由于所统计的数据各属性具有不同的尺度,无法一并进行分析,所以要对各属性数据进行归一化处理,对S11中所统计的数据进行归一化处理,将其归一化为0-1之间,归一化函数为:
ui=(xi-xmin)/(xmax-xmin);
其中,xmin、xmax分别为本属性数据中的最小值和最大值,xi为需要归一化的数据,ui为归一化后的值。
进入S2步骤;
S2:样本权重的初始化:对样本数据集中的N个样本进行样本权重的初始化,每个样本的样本初始权重为1/N。进入S3步骤;
S3:BP神经网络初始化:用遗传算法初始化M个BP神经网络的初始权值,同时初始化其学习率、网络层数、各层网络的神经元个数、训练终止条件,并设置M个BP神经网络为弱预测器,所有弱预测器组成强预测器,
进入S4步骤;
S4:将样本输入弱预测器训练获得预测结果和预测误差:将N个样本按初始权重输入第m个弱预测器,根据第m个弱预测器的初始化条件进行第m个弱预测器的训练,通过BP神经网络的梯度下降反向传播更新权值,获得第m个弱预测器的预测结果和预测误差,其中m的初始值为1,且m的取值范围为:m大于或等于1且小于或等于M,
其中,训练中为了加快训练效率并减少过拟合问题,当m大于或等于2且小于或等于M时,在训练的过程中,在网络的隐含层放弃部分的权值,放弃的权值相对于前一个弱预测器相同位置的权值的变化率大于保留的权值,
变化率的计算公式为:
其中wijm为第m个弱预测器的隐含层第i个神经元和下一层第j个神经元的连接权值,wijm-1为第m-1个弱预测器的隐含层第i个神经元和下一层第j个神经元的连接权值,M为弱预测器的个数。
具体过程参见图2和图3所示,当弱预测器的预测误差满足预先设置的要求时,输出预测结果。而在网络的隐含层被放弃的权值为变化率较大的权值,因为变化率较大的权值被认为对预测结果的准确性影响较大。BP神经网络的具体的训练过程和相关计算公式均可从现有技术获得。
进入S5步骤;
S5:计算弱预测器在强预测器中所占权重系数:根据第m个弱预测器的预测误差计算第m个弱预测器在强预测器中所占权重系数,第m个弱预测器在强预测器中所占权重系数的计算公式为:其中em为第m个弱预测器的预测误差,计算公式为:/>αm为第m个弱预测器在强预测器中所占权重系数,wmi为第m个弱预测器第i个样本的权重,Gm(xi)为第m个弱预测器第i个样本的预测结果,yi是第i个样本的正确输出值,θ为设定的更新权值分布的误差临界值。
进入S6步骤;若m等于M,则进入S7步骤;
S6:更新样本的权重:根据第m个弱预测器的预测结果更新N个样本的权重,更新样本的权重计算公式为:
其中,wm+1,i为第i个样本更新后的权重,wmi为第i个样本更新前的权重,Zm是规范化因子,yi是第i个样本的正确输出值,Gm为第m个预测器的预测结果。获取权重更新后的N个样本,令m自增1,进入S4步骤;
S7:在强预测器中对弱预测器的预测结果进行加权求和得到N个样本的最终预测结果。加权求和公式为:
具体参见图1所示,为m个BP神经网络弱预测器组成的Adaboost强预测器预测流程。
实施例二:
本发明还提供一种汽车配件销量预测终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例上述方法实施例中的步骤,例如图1-图3所示的步骤的方法步骤。
进一步地,作为一个可执行方案,所述汽车配件销量预测终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述汽车配件销量预测终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,上述汽车配件销量预测终端设备的组成结构仅仅是汽车配件销量预测终端设备的示例,并不构成对汽车配件销量预测终端设备的限定,可以包括比上述更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述汽车配件销量预测终端设备还可以包括输入输出设备、网络接入设备、总线等,本发明实施例对此不做限定。
进一步地,作为一个可执行方案,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述汽车配件销量预测终端设备的控制中心,利用各种接口和线路连接整个汽车配件销量预测终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述汽车配件销量预测终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述汽车配件销量预测终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本发明一种汽车配件销量预测方法,对于多种因素影响下的非线性复杂关系,本发明采用对非线性关系具有良好映射关系的神经网络进行配件销量的预测。针对气候多维数据输入的神经网络,为了解决单一网络可能造成的过拟合问题,本发明采用多个BP(误差反向传播算法)神经网络级联的Adaboost强预测器进行预测。针对BP神经网络中全连接产生的数据量过大,权值计算过多,训练速度过慢的问题,本发明提出了一种放弃部分权值的策略,提高了训练的效率。提高配件预测准确性,为配件厂商规范合理库存提供有力依据。使配件不会积压,不会因为满足不了需求而丢失商机,同时为配件厂商最优化成本,提高预测效率。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (9)
1.一种汽车配件销量预测方法,其特征在于:包括如下步骤:
S1:数据获取:获取用于汽车配件销量预测的样本数据集,样本数据集中包括N个样本,进入S2步骤;
S2:样本权重的初始化:对样本数据集中的N个样本进行样本权重的初始化,进入S3步骤;
S3:BP神经网络初始化:用遗传算法初始化M个BP神经网络的初始权值,同时初始化其学习率、网络层数、各层网络的神经元个数、训练终止条件,并设置M个BP神经网络为弱预测器,所有弱预测器组成强预测器,进入S4步骤;
S4:将样本输入弱预测器训练获得预测结果和预测误差:将N个样本按初始权重输入第m个弱预测器,根据第m个弱预测器的初始化条件进行第m个弱预测器的训练,通过BP神经网络的梯度下降反向传播更新权值,获得第m个弱预测器的预测结果和预测误差,其中m的初始值为1,且m的取值范围为:m大于或等于1且小于或等于M,
当m大于或等于2且小于或等于M时,在训练的过程中,在网络的隐含层放弃部分的权值,放弃的权值相对于前一个弱预测器相同位置的权值的变化率大于保留的权值,进入S5步骤;
S5:计算弱预测器在强预测器中所占权重系数:根据第m个弱预测器的预测误差计算第m个弱预测器在强预测器中所占权重系数,进入S6步骤;若m等于M,则进入S7步骤;
S6:更新样本的权重:根据第m个弱预测器的预测结果更新N个样本的权重,获取权重更新后的N个样本,令m自增1,进入S4步骤;
S7:在强预测器中对弱预测器的预测结果进行加权求和得到N个样本的最终预测结果;
其中,步骤S1中,获取样本数据集包括如下步骤:
S11:数据统计,其中统计的数据包括:汽车配件历史月销量数据、汽车配件月故障量数据、城市月汽车保有量数据、月平均温度、月平均湿度、月平均降水量和月平均气压。
2.如权利要求1所述的汽车配件销量预测方法,其特征在于:
S1中,获取样本数据集还包括如下步骤:
S12:数据归一化:对步骤S11中所统计的数据进行归一化处理,将其归一化为0-1之间,归一化函数为:
ui=(xi-xmin)/(xmax-xmin);
其中,xmin、xmax分别为本属性数据中的最小值和最大值,xi为需要归一化的数据,ui为归一化后的值。
3.如权利要求1所述的汽车配件销量预测方法,其特征在于:S2中,每个样本的样本初始权重为1/N。
4.如权利要求1所述的汽车配件销量预测方法,其特征在于:S4中,变化率的计算公式为:
其中wijm为第m个弱预测器的隐含层第i个神经元和下一层第j个神经元的连接权值,wijm-1为第m-1个弱预测器的隐含层第i个神经元和下一层第j个神经元的连接权值,M为弱预测器的个数。
5.如权利要求1所述的汽车配件销量预测方法,其特征在于:S5中,第m个弱预测器在强预测器中所占权重系数的计算公式为:其中em为第m个弱预测器的预测误差,计算公式为:/>αm为第m个弱预测器在强预测器中所占权重系数,wmi为第m个弱预测器第i个样本的权重,Gm(xi)为第m个弱预测器第i个样本的预测结果,yi是第i个样本的正确输出值,θ为设定的更新权值分布的误差临界值。
6.如权利要求5所述的汽车配件销量预测方法,其特征在于:S6中,更新样本的权重计算公式为:
其中,wm+1,i为第i个样本更新后的权重,wmi为第i个样本更新前的权重,Zm是规范化因子,yi是第i个样本的正确输出值,Gm为第m个预测器的预测结果。
7.如权利要求6所述的汽车配件销量预测方法,其特征在于:S7中,加权求和公式为:
8.一种汽车配件销量预测终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现如权利要求1-7任一所述方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-7任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710712405.1A CN109409915B (zh) | 2017-08-18 | 2017-08-18 | 汽车配件销量预测方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710712405.1A CN109409915B (zh) | 2017-08-18 | 2017-08-18 | 汽车配件销量预测方法、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109409915A CN109409915A (zh) | 2019-03-01 |
CN109409915B true CN109409915B (zh) | 2024-03-08 |
Family
ID=65463041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710712405.1A Active CN109409915B (zh) | 2017-08-18 | 2017-08-18 | 汽车配件销量预测方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409915B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728466B (zh) * | 2019-10-24 | 2022-05-20 | 珠海格力电器股份有限公司 | 一种新产品的目标配件需求量确定方法及计算机设备 |
CN114049162B (zh) * | 2022-01-11 | 2022-12-27 | 北京京东振世信息技术有限公司 | 模型训练方法、需求量预测方法、装置、设备和存储介质 |
CN115034812B (zh) * | 2022-05-31 | 2023-04-21 | 湖南华菱电子商务有限公司 | 基于大数据的钢铁行业销售量预测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521671A (zh) * | 2011-11-29 | 2012-06-27 | 华北电力大学 | 一种风电功率超短期预测方法 |
CN105184235A (zh) * | 2015-08-24 | 2015-12-23 | 中国电子科技集团公司第三十八研究所 | 一种基于特征融合的二代身份证识别方法 |
CN106096637A (zh) * | 2016-06-06 | 2016-11-09 | 浙江大学 | 基于Elman‑Adaboost强预测器的铁水硅含量预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7890443B2 (en) * | 2007-07-13 | 2011-02-15 | Microsoft Corporation | Learning classifiers using combined boosting and weight trimming |
US9730643B2 (en) * | 2013-10-17 | 2017-08-15 | Siemens Healthcare Gmbh | Method and system for anatomical object detection using marginal space deep neural networks |
-
2017
- 2017-08-18 CN CN201710712405.1A patent/CN109409915B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521671A (zh) * | 2011-11-29 | 2012-06-27 | 华北电力大学 | 一种风电功率超短期预测方法 |
CN105184235A (zh) * | 2015-08-24 | 2015-12-23 | 中国电子科技集团公司第三十八研究所 | 一种基于特征融合的二代身份证识别方法 |
CN106096637A (zh) * | 2016-06-06 | 2016-11-09 | 浙江大学 | 基于Elman‑Adaboost强预测器的铁水硅含量预测方法 |
Non-Patent Citations (3)
Title |
---|
Ye Ren.Empirical mode decomposition based adaboost-backpropagation neural network method for wind speed forecasting.《2014 IEEE Symposium on Computational Intelligence in Ensemble Learning (CIEL)》.2015,全文. * |
张载龙 ; 茹亮 ; .基于BP神经网络的冷藏车温度预测研究.计算机技术与发展.2013,第23卷(第10期),全文. * |
闫博 ; 李国和 ; 林仁杰 ; .混合销售预测模型.计算机工程与设计.2015,第35卷(第03期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN109409915A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180357891A1 (en) | Method of processing passage record and device | |
WO2021089013A1 (zh) | 空间图卷积网络的训练方法、电子设备及存储介质 | |
CN109409915B (zh) | 汽车配件销量预测方法、终端设备及存储介质 | |
KR102250728B1 (ko) | 샘플 처리 방법, 장치, 기기 및 저장 매체 | |
CN108320026B (zh) | 机器学习模型训练方法和装置 | |
CN108229536A (zh) | 分类预测模型的优化方法、装置及终端设备 | |
CN113743673A (zh) | 一种台风期间的电力负荷预测方法 | |
CN113011532A (zh) | 分类模型训练方法、装置、计算设备及存储介质 | |
CN111159481B (zh) | 图数据的边预测方法、装置及终端设备 | |
CN109325530A (zh) | 基于少量无标签数据的深度卷积神经网络的压缩方法 | |
CN112149708A (zh) | 数据模型选择优化方法、装置、计算机装置及存储介质 | |
CN112085175A (zh) | 基于神经网络计算的数据处理方法和装置 | |
CN111126501B (zh) | 一种图像识别方法、终端设备及存储介质 | |
CN111627029B (zh) | 图像实例分割结果的获取方法及装置 | |
CN110019940A (zh) | 一种影视推送方法及装置 | |
CN109344877B (zh) | 一种样本数据处理方法、样本数据处理装置及电子设备 | |
CN110781223A (zh) | 数据处理方法及装置、处理器、电子设备及存储介质 | |
CN112034535B (zh) | 数值模式降水预报的订正方法、系统及存储介质 | |
CN111930935B (zh) | 图像分类方法、装置、设备和存储介质 | |
CN113239034A (zh) | 一种基于人工智能的大数据资源整合方法、系统及云平台 | |
CN110111135B (zh) | 一种发电侧成员动态报价决策方法、装置及设备 | |
CN114757348A (zh) | 模型的量化训练方法、装置、存储介质及电子设备 | |
CN111078945A (zh) | 视频推送方法及装置 | |
CN111768220A (zh) | 生成车辆定价模型的方法和装置 | |
CN111178637A (zh) | 一种电网短期负荷预测方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |