[發明專利]汽車配件銷量預測方法、終端設備及存儲介質

在審

• 申請號: 201710712405.1
• 申請日: 2017-08-18
• 公開（公告）號: CN109409915A
• 公開（公告）日: 2019-03-01
• 發明（設計）人: 梁穎;張峰;郭淑文;李曄欣
• 申請（專利權）人: 廈門雅迅網絡股份有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廈門市精誠新創知識產權代理有限公司 35218
• 代理人: 何家富

1.一種汽車配件銷量預測方法，其特征在于：包括如下步驟：

S1：數據獲取：獲取用于汽車配件銷量預測的樣本數據集，樣本數據集中包括N個樣本，進入S2步驟；

S2：樣本權重的初始化：對樣本數據集中的N個樣本進行樣本權重的初始化，進入S3步驟；

S3：BP神經網絡初始化：用遺傳算法初始化M個BP神經網絡的初始權值，同時初始化其學習率、網絡層數、各層網絡的神經元個數、訓練終止條件，并設置M個BP神經網絡為弱預測器，所有弱預測器組成強預測器，進入S4步驟；

S4：將樣本輸入弱預測器訓練獲得預測結果和預測誤差：將N個樣本按初始權重輸入第m個弱預測器，根據第m個弱預測器的初始化條件進行第m個弱預測器的訓練，通過BP神經網絡的梯度下降反向傳播更新權值，獲得第m個弱預測器的預測結果和預測誤差，其中m的初始值為1，且m的取值范圍為：m大于或等于1且小于或等于M，

當m大于或等于2且小于或等于M時，在訓練的過程中，在網絡的隱含層放棄部分的權值，放棄的權值相對于前一個弱預測器相同位置的權值的變化率大于保留的權值，進入S5步驟；

S5：計算弱預測器在強預測器中所占權重系數：根據第m個弱預測器的預測誤差計算第m個弱預測器在強預測器中所占權重系數，進入S6步驟；若m等于M，則進入S7步驟；

S6：更新樣本的權重：根據第m個弱預測器的預測結果更新N個樣本的權重，獲取權重更新后的N個樣本，令m自增1，進入S4步驟；

S7：在強預測器中對弱預測器的預測結果進行加權求和得到N個樣本的最終預測結果。

2.如權利要求1所述的汽車配件銷量預測方法，其特征在于：

S1中，獲取樣本數據集包括如下步驟：

S11：數據統計：統計的數據包括：汽車配件歷史月銷量數據、汽車配件月故障量數據、城市月汽車保有量數據、月平均溫度、月平均濕度、月平均降水量和月平均氣壓；

S12：數據歸一化：對S11中所統計的數據進行歸一化處理，將其歸一化為0-1之間，歸一化函數為：

u_i＝(x_i-x_min)/(x_max-x_min)；

其中，x_min、x_max分別為本屬性數據中的最小值和最大值，x_i為需要歸一化的數據，u_i為歸一化后的值。

3.如權利要求1所述的汽車配件銷量預測方法，其特征在于：S2中，每個樣本的樣本初始權重為1/N。

4.如權利要求1所述的汽車配件銷量預測方法，其特征在于：S4中，變化率的計算公式為：

其中w_ijm為第m個弱預測器的隱含層第i個神經元和下一層第j個神經元的連接權值，w_ijm-1為第m-1個弱預測器的隱含層第i個神經元和下一層第j個神經元的連接權值，M為弱預測器的個數。

5.如權利要求1所述的汽車配件銷量預測方法，其特征在于：S5中，第m個弱預測器在強預測器中所占權重系數的計算公式為：其中e_m為第m個弱預測器的預測誤差，計算公式為：α_m為第m個弱預測器在強預測器中所占權重系數，w_mi為第m個弱預測器第i個樣本的權重，G_m(x_i)為第m個弱預測器第i個樣本的預測結果，y_i是第i個樣本的正確輸出值，θ為設定的更新權值分布的誤差臨界值。

6.如權利要求5所述的汽車配件銷量預測方法，其特征在于：S6中，更新樣本的權重計算公式為：

其中，w_m+1,i為第i個樣本更新后的權重，w_mi為第i個樣本更新前的權重，Z_m是規范化因子，y_i是第i個樣本的正確輸出值，G_m為第m個預測器的預測結果。