[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

本發明公開一種汽車配件銷量預測方法，包括如下步驟：S1：樣本數據獲取；S2：樣本權重的初始化；S3：BP神經網絡初始化，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；S4：將樣本按初始權重輸入第m個弱預測器，進行訓練，獲得第m個弱預測器的預測結果和預測誤差；S5：計算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。

技術領域

本發明涉及數據預測技術領域，具體是一種汽車配件銷量預測方法、終端設備及存儲介質。

背景技術

隨著我國汽車行業的迅速發展，汽車零配件行業也隨之擴張，配件的需求量越來越大。經銷商需要最低成本，最快速度的滿足用戶對配件的需求。對于每種配件庫存量的控制管理變的越來越重要。

配件銷量的影響因素有很多，最直接的是銷量的歷史數據，目前的大多數配件銷量的預測都是基于歷史銷量的方法。然而實際上，配件的更換和配件的故障和磨損有直接的關系，配件的磨損受外界因素影響較大，不同的氣候條件會造成配件不同程度的磨損，進而引起故障。

傳統的配件銷量預測多采用單一需求量歷史數據，預測模型較為單一,在不同外界因素影響下都采用同一模型，沒有考慮氣候條件對配件銷量的影響，預測結果不夠準確，缺少針對不同氣候條件，地理位置的預測方法。

發明內容

為了解決上述問題，本發明提供一種汽車配件銷量預測方法、終端設備及存儲介質，結合當地特有的氣候因素對配件損耗的影響，考慮當地溫度、濕度，降水量，日照，氣壓等氣候因素，并結合配件歷史銷量，故障量，汽車保有量數據對汽車配件的銷量進行預測。

對于多種因素影響下的非線性復雜關系，本發明采用對非線性關系具有良好映射關系的神經網絡進行配件銷量的預測。針對氣候多維數據輸入的神經網絡，為了解決單一網絡可能造成的過擬合問題，本發明采用多個BP(誤差反向傳播算法)神經網絡級聯的Adaboost強預測器進行預測。針對BP神經網絡中全連接產生的數據量過大，權值計算過多，訓練速度過慢的問題，本發明提出了一種放棄部分權值的策略，提高了訓練的效率。

本發明一種汽車配件銷量預測方法，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；