CN110910164A - 产品销售预测方法、系统、计算机设备和存储介质 - Google Patents
产品销售预测方法、系统、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110910164A CN110910164A CN201911031486.4A CN201911031486A CN110910164A CN 110910164 A CN110910164 A CN 110910164A CN 201911031486 A CN201911031486 A CN 201911031486A CN 110910164 A CN110910164 A CN 110910164A
- Authority
- CN
- China
- Prior art keywords
- neural network
- product sales
- training
- optimized
- genetic algorithm
- 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
- 238000013277 forecasting method Methods 0.000 title claims description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 100
- 230000002068 genetic effect Effects 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000004590 computer program Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 238000004378 air conditioning Methods 0.000 description 11
- 210000000349 chromosome Anatomy 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000008844 regulatory mechanism Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种产品销售预测方法、系统、计算机设备和存储介质，方法包括：利用遗传算法优化BP神经网络；将产品销售的历史数据作为训练样本，对优化后的BP神经网络进行训练；利用训练后的BP神经网络对产品销售进行预测。系统包括：神经网络优化模块、神经网络训练模块和预测模块。计算机设备和存储介质通过执行计算机程序能够实现上述方法过程。本发明利用遗传算法的全局搜索能力对BP神经网络的权值和阈值进行优化求解，提高了BP神经网络预测模型的收敛精度和泛化能力；两者结合解决了BP神经网络单独预测时容易陷入局部最优的缺陷，提升了模型的稳定性，提高了收敛速度和预测结果精度。
Description
技术领域
本发明涉及互联网新零售领域，特别涉及一种产品销售预测方法、系统、计算机设备和存储介质。
背景技术
随着市场经济的发展和经济全球化，企业面临着越来越激烈的市场竞争。企业要想赢得竞争，取得客户，就必须在最快的时间内，以最低的成本将产品提供给客户，这使得进行正确及时的产品销售预测以及由此产生的可靠的决策成为现代化企业成功的关键因素，由此一些销售预测方法、系统也应运而生。随着计算机技术、网络技术、通讯技术和Internet技术的发展和各个业务操作流程的自动化，企业产生了数以几十或上百GB的销售历史数据，面对这些海量数据，传统的预测方法、系统越来越不适应新的预测要求，主要表现在：大量的历史数据处于脱机状态，变成了“数据坟墓”；预测涉及海量数据的处理，传统的方法无法满足运行效率、计算性能、准确率及存储空间的要求；传统的数据库技术在预测知识的表达、综合和推理方面能力比较薄弱，难以满足日益提高的预测要求。
发明内容
本发明的目的在于提供一种高精度的产品销售预测方法、系统、计算机设备和存储介质。
实现本发明目的的技术解决方案为：一种产品销售预测方法，包括以下步骤：
利用遗传算法优化BP神经网络；
将产品销售的历史数据作为训练样本，对优化后的BP神经网络进行训练；
利用训练后的BP神经网络对产品销售进行预测。
进一步地，所述利用遗传算法优化BP神经网络的过程包括：
1)随机初始化BP神经网络的权值和阈值；
2)初始化种群；
3)确定适应度函数；
4)进行选择、交叉和变异，获得新种群；
5)重复上述3)至4)，不断优化权值和阈值，直至达到预设迭代次数或达到预设精度，由此获得经遗传算法优化后BP神经网络的权值和阈值。
进一步地，在所述对优化后的BP神经网络进行训练之前，还包括：对训练样本进行归一化处理。
一种产品销售预测系统，包括：
神经网络优化模块，用于利用遗传算法优化BP神经网络；
神经网络训练模块，用于利用产品销售的历史数据对优化后的BP神经网络进行训练；
预测模块，用于利用训练后的BP神经网络对产品销售进行预测。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述计算机程序时实现以下步骤：
利用遗传算法优化BP神经网络；
将产品销售的历史数据作为训练样本，对优化后的BP神经网络进行训练；
利用训练后的BP神经网络对产品销售进行预测。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
利用遗传算法优化BP神经网络；
将产品销售的历史数据作为训练样本，对优化后的BP神经网络进行训练；
利用训练后的BP神经网络对产品销售进行预测。
本发明与现有技术相比，其显著优点为：利用遗传算法的全局搜索能力对BP神经网络的权值和阈值进行优化求解，提高了BP神经网络预测模型的收敛精度和泛化能力；两者结合解决了BP神经网络单独预测时容易陷入局部最优的缺陷，提升了模型的稳定性，提高了收敛速度和预测结果的精度。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为三层BP神经网络的结构图。
图2为遗传算法的流程图。
图3为本发明一个实施例中产品销售预测方法的流程图。
图4为本发明一个实施例中遗传算法优化BP神经网络的流程图。
图5为本发明一个实施例中产品销售预测系统结构图。
图6为本发明一个实施例中空调日销售实际曲线与纯BP神经网络预测曲线、GA-BP神经网络预测曲线的比较图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
BP神经网络是一种单向传播的多层前向网络，包括三个层级，分别为输入层、隐含层、输出层。输入层接收外界的信号，隐含层对输入信号进行各种映射转换，输出层最终输出网络的模拟结果，其中隐含层可以有多个，一般情况下，采用的是三层结构，如图1所示。BP神经网络具有完备的学习机制和理论体系，其模仿人脑神经元对外部刺激信号的反应过程，通过建立多层感知器模型，运用信号的正向传播和误差的反向调节机制，进行N次迭代学习，形成处理非线性信息的神经网络模型。
BP算法的学习过程包括两个阶段：信号的正向传播和误差的反向传播。信号正向传播：外界信号由输入层经过隐含层传到输出层，并在输出端产生输出信号，网络的权值在信号向前传播的过程中固定不变，若输出层没有得到期望的输出，则转入误差信号反向传播过程。误差信号反向传播：误差信号由输出端开始以某种方式逐层向前传播，各单元层的连接权重由误差反馈进行调节，通过反复的正向传播和误差反向调节使得神经元间的权值得到不断的修正，当输出端的实际输出接近期望输出时，即满足误差精度要求时，停止学习。虽然BP神经网络已成功应用，但在现实操作中仍存在一些不足，如学习效率低，收敛速度慢，容易陷入局部最小值，网络的学习和记忆具有不稳定性等等。
遗传算法是一种全局寻优搜索的迭代算法，其不依赖梯度信息。遗传算法将优化参数编码成由基因组成的染色体，然后通过模拟自然界的选择和遗传过程，利用选择算子、交叉算子、变异算子来变换染色体携带的信息，经过多次重复的操作产生能够代表优化函数所需的染色体。遗传算法通过模拟自然界“优胜劣汰，适者生存”的规律鼓励好的结构，其只需要利用目标的取值信息进行有指导的搜索。遗传算法通过群体完成搜索过程，不同于单点搜索，其适应性强，因此适用于大规模、高度非线性的不连续、多峰函数的优化，由于具有很多搜索轨迹，因此易于并行化，从而进一步提高算法的效率。遗传算法流程图如图2所示，由于遗传算法采用的是具有一定随机性的概率搜索技术，因此局部收敛性较差。
在上述内容的基础上，在一个实施例中，结合图3，提供了一种产品销售预测方法，该方法包括以下步骤：
步骤S01、利用遗传算法优化BP神经网络；
步骤S02、将产品销售的历史数据作为训练样本，对优化后的BP神经网络进行训练；
步骤S03、利用训练后的BP神经网络对产品销售进行预测。
具体地，产品销售包括产品的销售额、产品的销售量、产品的市场价格等(注：其中销售额或者销售量可以包括日销售、周销售、月销售、季销售、年销售等)。
上述产品销售预测方法中，利用遗传算法优化BP神经网络；将产品销售的历史数据作为训练样本，对优化后的BP神经网络进行训练；利用训练后的BP神经网络对产品销售进行预测。通过有机结合遗传算法和BP神经网络，提高了预测结果的精度。
进一步地，在其中一个实施例中，结合图4，上述利用遗传算法优化BP神经网络的过程包括：
1)随机初始化BP神经网络的权值和阈值；
2)初始化种群；
3)确定适应度函数；
4)进行选择、交叉和变异，获得新种群；
5)重复上述3)至4)，不断优化权值和阈值，直至达到预设迭代次数或达到预设精度，由此获得经遗传算法优化后BP神经网络的权值和阈值。
采用本实施例的方案，利用遗传算法的全局搜索能力对BP神经网络的权值和阈值进行优化求解，提高了BP神经网络预测模型的收敛精度和泛化能力；且两者结合解决了BP神经网络单独预测时容易出现局部极小点、导致多目标预测时出现识别率和准确度不够高等问题。
进一步地，在其中一个实施例中，上述初始化种群的过程包括：对上述1)初始化的权值、阈值执行实数编码操作，每个权值代表染色体上的一个基因，构成一个染色体；然后确定初始种群中的染色体数目，对每条染色体在权值范围内随机产生权值，构成初始群体，完成种群初始化。
进一步地，在其中一个实施例中，上述适应度函数由以下公式决定：F＝1/SSE(注：适应度函数保证神经元网络度量值越小即实际值与输出值的误差越小，适应度值越大)其中SSE具体采用常用的神经元网络度量
(注：式中n为训练样本个数，m为输出单元个数；实际值-输出值表示用第i个样本训练时第k个输出的实际值与输出值的误差。
进一步地，在其中一个实施例中，上述选择操作具体采用随机遍历抽样的方式，对染色体群体中的个体进行随机选择操作，并选用最优个体保留策略。
进一步地，在其中一个实施例中，上述交叉操作具体采用单点交叉算子。令父辈为<X1,X2,…….,Xn>和<Y1,Y2,…………,Yn>。随机选择第k个基因，然后令第一个孩子的形式为<X1,X2,…,а·Yk+(1-а)·Xk….,Xn>，第二个孩子为<Y1,Y2,…,а·Xk+(1-а)·Yk….,Yn>，其中а为一个参数，随着进化代数而改变且0≦а≦1。
进一步地，在其中一个实施例中，上述变异操作具体采用高斯近似变异，进行变异操作时用符合均值为μ，方差为σ2的正态分布的一个随机数来替换原有的基因值，以此达到改进遗传算法对重点搜索区域的局部搜索性能。
进一步地，在其中一个实施例中，在上述对优化后的BP神经网络进行训练之前，还包括：对训练样本进行归一化处理。
在一个实施例中，结合图5，提出了一种产品销售预测系统，包括：
神经网络优化模块101，用于利用遗传算法优化BP神经网络；
神经网络训练模块102，用于利用产品销售的历史数据对优化后的BP神经网络进行训练；
预测模块103，用于利用训练后的BP神经网络对产品销售进行预测。
关于产品销售预测系统的具体限定可以参见上文中对于产品销售预测方法的限定，在此不再赘述。上述产品销售预测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
利用遗传算法优化BP神经网络；
将产品销售的历史数据作为训练样本，对优化后的BP神经网络进行训练；
利用训练后的BP神经网络对产品销售进行预测。
在其中一个实施例中，处理器执行计算机程序实现上述利用遗传算法优化BP神经网络的过程包括：
1)随机初始化BP神经网络的权值和阈值；
2)初始化种群；
3)确定适应度函数；
4)进行选择、交叉和变异，获得新种群；
5)重复上述3)至4)，不断优化权值和阈值，直至达到预设迭代次数或达到预设精度，由此获得经遗传算法优化后BP神经网络的权值和阈值。
在其中一个实施例中，处理器执行计算机程序实现上述初始化种群的过程包括：对上述1)初始化的权值、阈值执行实数编码操作，完成种群初始化。
在其中一个实施例中，处理器执行计算机程序实现上述对优化后的BP神经网络进行训练之前，还包括：对训练样本进行归一化处理。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
利用遗传算法优化BP神经网络；
将产品销售的历史数据作为训练样本，对优化后的BP神经网络进行训练；
利用训练后的BP神经网络对产品销售进行预测。
在其中一个实施例中，计算机程序被处理器执行实现上述利用遗传算法优化BP神经网络的过程包括：
1)随机初始化BP神经网络的权值和阈值；
2)初始化种群；
3)确定适应度函数；
4)进行选择、交叉和变异，获得新种群；
5)重复上述3)至4)，不断优化权值和阈值，直至达到预设迭代次数或达到预设精度，由此获得经遗传算法优化后BP神经网络的权值和阈值。
在其中一个实施例中，计算机程序被处理器执行实现上述初始化种群的过程包括：对上述1)初始化的权值、阈值执行实数编码操作，完成种群初始化。
在其中一个实施例中，计算机程序被处理器执行实现上述对优化后的BP神经网络进行训练之前，还包括：对训练样本进行归一化处理。
示例性地，本实施例对产品销售量进行预测，选取**大区某电器店2017年1月1日到2019年7月1日的日销售空调数据作为训练样本，选取2019年7月2日到7月11日的日销售空调数据作为测试样本。本发明根据**大区某电器店的日销售空调状况，构建了具有3层BP神经网络的空调日销售预测模型，其中训练次数参数设定为10000，目标参数设定为0.002，学习速率设定为0.1，进行仿真测试，仿真测试结果表明当训练次数到7898次时达到了网络性能要求。当模拟训练结束以后，选取10组数据作为测试样本，对2019年7月2日到7月11日的空调日销售情况进行预测，并将遗传BP神经网络的空调日销售预测结果和单纯BP神经网络的空调日销售预测结果进行比较，如下表1所示。
表1遗传BP神经网络与纯BP神经网络预测结果比较统计表
本实施例采用相对误差与均方根误差作为最终评价指标。从表1可以看出，使用纯BP神经网络对**大区某电器店2017年7月1日到2019年7月11日空调日销售进行预测时，预测结果与实际销售量的相对误差最大为7月5日的4.16％，最小为7月3日的2.23％，最大误差与最小误差的差距达到了6.39％；使用遗传BP神经网络对**大区某电器店2017年7月1日到2019年7月11日空调日销售进行预测时，预测结果与实际销售量的相对误差最大为7月10日的2.16％，最小为7月8日的0.79％，最大误差与最小误差的差距为2.95％，远低于纯BP神经网络的最大最小相对误差差值；另外，遗传BP神经网络的均方根误差值为1.31％，而纯BP神经网络的均方根误差值高达3.21％，这表明遗传BP神经网站的预测精度比纯BP神经网络的预测精度高了1.9％。预测曲线与实际曲线的比较如图6所示，由图可知，从图4可以看出，使用遗传BP神经网络预测的**大区某电器店空调日销售量曲线更加贴近**大区某电器店空调实际日销售量曲线，而且与BP神经网络预测的**大区某电器店空调日销售量曲线相比，使用遗传BP神经网络预测的**大区某电器店空调日销售量曲线的稳定性也更好，这也表明遗传BP神经网络相比传统BP神经网络具有较高的拟合精度与更好的预测能力。
总之，本发明所构建的遗传BP神经网络相比传统BP神经网络而言，可以更好地预测产品销售情况，且预测准确性、精度很高。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种产品销售预测方法，其特征在于，包括以下步骤：
利用遗传算法优化BP神经网络；
将产品销售的历史数据作为训练样本，对优化后的BP神经网络进行训练；
利用训练后的BP神经网络对产品销售进行预测。
2.根据权利要求1所述的产品销售预测方法，其特征在于，所述利用遗传算法优化BP神经网络的过程包括：
1)随机初始化BP神经网络的权值和阈值；
2)初始化种群；
3)确定适应度函数；
4)进行选择、交叉和变异，获得新种群；
5)重复上述3)至4)，不断优化权值和阈值，直至达到预设迭代次数或达到预设精度，由此获得经遗传算法优化后BP神经网络的权值和阈值。
3.根据权利要求2所述的产品销售预测方法，其特征在于，所述初始化种群的过程包括：对上述1)初始化的权值、阈值执行实数编码操作，完成种群初始化。
4.根据权利要求2所述的产品销售预测方法，其特征在于，所述选择操作具体采用随机遍历抽样的方式。
5.根据权利要求2所述的产品销售预测方法，其特征在于，所述交叉操作具体采用单点交叉算子。
6.根据权利要求2所述的产品销售预测方法，其特征在于，所述变异操作具体采用高斯近似变异。
7.根据权利要求1所述的产品销售预测方法，其特征在于，所述对优化后的BP神经网络进行训练之前，还包括：对训练样本进行归一化处理。
8.一种产品销售预测系统，其特征在于，包括：
神经网络优化模块，用于利用遗传算法优化BP神经网络；
神经网络训练模块，用于利用产品销售的历史数据对优化后的BP神经网络进行训练；
预测模块，用于利用训练后的BP神经网络对产品销售进行预测。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911031486.4A CN110910164A (zh) | 2019-10-28 | 2019-10-28 | 产品销售预测方法、系统、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911031486.4A CN110910164A (zh) | 2019-10-28 | 2019-10-28 | 产品销售预测方法、系统、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110910164A true CN110910164A (zh) | 2020-03-24 |
Family
ID=69815770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911031486.4A Pending CN110910164A (zh) | 2019-10-28 | 2019-10-28 | 产品销售预测方法、系统、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110910164A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114387028A (zh) * | 2022-01-13 | 2022-04-22 | 瑞祥全球购超市有限公司 | 一种面向网络购物平台的商品需求量的智能分析方法 |
-
2019
- 2019-10-28 CN CN201911031486.4A patent/CN110910164A/zh active Pending
Non-Patent Citations (1)
| Title |
|---|
| 罗戎蕾: "基于遗传算法的BP神经网络服装销售预测方法", 《北京邮电大学学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114387028A (zh) * | 2022-01-13 | 2022-04-22 | 瑞祥全球购超市有限公司 | 一种面向网络购物平台的商品需求量的智能分析方法 |
| CN114387028B (zh) * | 2022-01-13 | 2024-02-23 | 瑞祥全球购超市有限公司 | 一种面向网络购物平台的商品需求量的智能分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jia et al. | A novel optimized GA–Elman neural network algorithm | |
| Wei | A GA-weighted ANFIS model based on multiple stock market volatility causality for TAIEX forecasting | |
| CN107506590A (zh) | 一种基于改进深度信念网络的心血管疾病预测模型 | |
| CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
| Sermpinis et al. | Inflation and unemployment forecasting with genetic support vector regression | |
| CN106022549A (zh) | 基于神经网络和思维演化搜索的短期负荷预测方法 | |
| Chinnathambi et al. | Deep neural networks (DNN) for day-ahead electricity price markets | |
| CN108832663A (zh) | 微电网光伏发电系统的发电功率的预测方法及设备 | |
| CN117974221B (zh) | 基于人工智能的电动车充电站选址方法及系统 | |
| CN114492191A (zh) | 基于dbn-svr的热力站设备剩余寿命评估方法 | |
| CN112163671A (zh) | 一种新能源场景生成方法及系统 | |
| CN115986728A (zh) | 一种计及不确定性因素的电网态势预测方法与终端 | |
| CN110738363B (zh) | 一种光伏发电功率预测方法 | |
| CN117291069A (zh) | 一种基于改进de与注意力机制的lstm污水水质预测方法 | |
| Syu et al. | Energy grid management system with anomaly detection and Q-learning decision modules | |
| CN113641907B (zh) | 一种基于进化算法的超参数自适应深度推荐方法及装置 | |
| Vavilova et al. | Application of genetic algorithm for adjusting the structure of multilayered neural network for prediction of investment processes | |
| JPH06337852A (ja) | ニューラルネットワークによる時系列予測方法 | |
| CN110910164A (zh) | 产品销售预测方法、系统、计算机设备和存储介质 | |
| Smith et al. | Multi-objective evolutionary recurrent neural network ensemble for prediction of computational fluid dynamic simulations | |
| CN108537663A (zh) | 一种股票趋势预测方法 | |
| CN116911459A (zh) | 适应于虚拟电厂的多输入多输出超短期电力负荷预测方法 | |
| Sespajayadi et al. | Technical data analysis for movement prediction of Euro to USD using Genetic Algorithm-Neural Network | |
| CN110674460A (zh) | 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法 | |
| CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200324 |