[發明專利]一種多影響因素下商品需求信息預測方法

有效

• 申請號: 201310656936.5
• 申請日: 2013-12-06
• 公開（公告）號: CN103617459A
• 公開（公告）日: 2014-03-05
• 發明（設計）人: 李敬泉
• 申請（專利權）人: 李敬泉
• 主分類號: G06Q10/04
• 分類號: G06Q10/04
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 李玉平

1.一種多影響因素下商品需求信息預測方法，其特征在于：

首先，需要對商品歷史數據和外界信息進行收集，對商品歷史數據進行數據平滑處理、數據模糊處理和數據歸一化處理，同時對外界信息進行數據模糊處理和數據歸一化處理，形成訓練樣本集；然后，將形成的訓練樣本集放入支持向量機中進行學習，將預測算法中的參數調整到最優值；得到要預測的信息。

2.如權利要求1所述的多影響因素下商品需求信息預測方法，其特征在于：

商品歷史數據主要是指同類產品過去的銷售數據，根據相關性分析，將在產品需求預測中預測日的前一天和上星期的同一天的相關性進行比較；

歷史外界信息主要是指與消費需求環境相關的因素，包括天氣、溫度、季節、日期類型以及特殊事件。

3.如權利要求1所述的多影響因素下商品需求信息預測方法，其特征在于：外界信息的模糊化處理是指，將環境因素經過隸屬函數轉化為模糊量；對于線性的輸入，隸屬函數的個數可少取一些，而對于非線性的輸出關系，則需要多設一些隸屬函數。

4.如權利要求1所述的多影響因素下商品需求信息預測方法，其特征在于：

支持向量機的構造中，

泛化誤差界的公式為：R(C)≤R_emp(C)+φ(n/h)

公式中R(C)就是真實風險，R_emp(C)就是經驗風險，φ(n/h)就是置信風險；

先通過非線性變換將輸入向量x映射到一個更高維的空間Z，然后在這個新空間中求取最優線性分類面，這種非線性變換是通過定義適當的內積函數實現的，這種內積函數即由核函數來構造；

給定一個數據集其中d_i是期望值，x_i是輸入的數據向量，n是訓練樣本的個數；SVM采用下式作為回歸函數：

y＝f(x)＝wφ(x)+b????（3-1）

式中φ(x)是從輸入向量集到高維特征空間的非線性映射，w和b為系數，由最小化風險函數R(C)來估計：

Minimize:R(C)=12||w||2+C1nΣi=1nLϵ(di,yi)---(3-2)]]>

Lϵ(d,y)=0|d-y|<ϵ|d-y|-ϵ|d-y|≥ϵ---(3-3)]]>

式中是對支持向量間幾何間隔的量度，C是自選的常量，用來平衡模型基本量度和訓練誤差項的權重參數；ε是給定的誤差參數，誤差項L_ε(d,y)是ε的不敏感損失函數，此損失函數在特征空間中確定一個以超平面y＝f(x)為中心，厚為2ε的薄板區域。當樣本數據落入該區域時，意味著預測值和實際值之間的差別小于ε，則風險損失等于0；當樣本數據落入該區域外時，對其進行線性懲罰；

為了尋求系數w和b，引入松弛變量ζ和ζ^*：

Minimize:R(w,ζ,ζ*)=12||w||2+CΣi=1n(ζi+ζi*)Subjected to:di-wφ(xi)-b≤ϵ+ζiwφ(xi)+b-di≤ϵ+ζi*ζi,ζi*≥0---(3-4)]]>

根據拉格朗日對偶原理，引入對偶變量且滿足非負條件，即α_i,η_i,構造函數如下：

L=12||w||2+CΣi=1n(ζi+ζi*)-Σi=1nαi(ϵ+ζi-di+wφ(xi)+b)-Σi=1nαi*(ϵ+ζi*+di-wφ(xi)-b)-Σi=1n(ηiζi+ηi*ζi*)---(3-5)]]>

在尋優問題中，Lagrange函數有一個鞍點，根據鞍點條件，L函數分別相對于原始變量（w,b,ζ_i,ζ^*）的偏導數為0，即：

∂wL=w-Σi=1n(αi-αi*)φ(xi)=0---(3-6)]]>

∂bL=Σi=1n(αi*-αi)=0---(3-7)]]>

∂ζiL=C-αi-ηi=0---(3-8)]]>

∂ζi*L=C-αi*-ηi*=0---(3-9)]]>

將式（3-6）、（3-7）、（3-8）、（3-9）代入（3-5），利用Wolfe對偶技巧，得到下式：

maximize:R(αi,αi*)=-12Σi,j=1n(αi-αi*)(αj-αj*)<φ(xi),φ(xj)>-ϵΣi=1n(αi+αi*)+Σi=1ndi(αi-αi*)---(3-10)]]>

Subjected to:Σi=1n(αi-αi*)=0αi,αi*∈[0,C]]]>

對于非線性回歸問題，可通過構造新的特征向量，把問題轉換到一個新的空間中，這需要將非線性問題通過非線性變換轉化為另一個高維空間中的線性問題；在此變換空間中，只需要定義變換后的內積運算；根據Hilbert-Schmidt原理，只要一種運算滿足Mercer條件，就可以作為內積使用；因此SVM方法通過引入適當的內積核函數K(x_i,x_j)實現非線性變換后的線性回歸；

核函數K(x_i,x_j)的選擇決定了特征空間的結構，其值等于兩個向量x_i和x_j在特征空間φ(x_i)和φ(x_j)的內積，即K(x_i,x_j)＝φ(x_i)×φ(x_j)；核函數的選取對預測精度有很大的影響，主要的核函數有多項式核函數K(x,x_i)＝(x·x_i+1)^q，指數型徑向基函數K(x,x_i)＝exp(-|x-x_i|²/σ²)和S形函數K(x,x_i)＝tanh(v(x·x_i)+c)；其中，q是多項式核的階數，σ²是徑向基核的寬度參數；本文采用較為精確的徑向基核函數；因此，目標函數（3-10）變為：

maximize:R(αi,αi*)=-12Σi,j=1n(αi-αi*)(αj-αj*)K(xi,xj)-ϵΣi=1n(αi+αi*)+Σi=1ndi(αi-αi*)---(3-11)]]>

Subjected to:Σi=1n(αi-αi*)=0αi,αi*∈[0,C]]]>

相應的回歸函數式（2-1）為：

y=f(x,αi,αi*)=Σi=1n(αi-αi*)K(x,xi)+b---(3-12)]]>

由SVM回歸函數的性質，且只有少數α_i,不為零，這些參數對應的向量稱之為支持向量，回歸函數完全由其決定。

5.如權利要求4所述的多影響因素下商品需求信息預測方法，其特征在于：用訓練樣本建立如式（3-11）的目標函數；利用SVM訓練算法求解（3-11），得到解α_i和，i＝1,2...n；將得到的拉格朗日乘子代入式（3-12）中，再利用樣本對未來需求量進行預測。