[發明專利]基于神經網絡和LightGBM算法的二手車價格預測方法

在審

• 申請號: 202110981910.2
• 申請日: 2021-08-25
• 公開（公告）號: CN113793170A
• 公開（公告）日: 2021-12-14
• 發明（設計）人: 周遠;賀波濤
• 申請（專利權）人: 周遠
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06N3/08;G06N7/00;G06N20/00
• 代理公司: 北京百年育人知識產權代理有限公司 11968
• 代理人: 龍鈺

1.基于神經網絡和LightGBM算法的二手車價格預測方法，其特征在于：包括以下內容：首先對二手車數據集進行數據預處理，在根據神經網絡與LightGBM的特性分別準備數據集，然后使用好的神經網絡算法與帶貝葉斯優化的LightGBM算法分別構建模型，最后將兩種模型進行線性加權獲得組合模型，通過該組合模型對二手車的價格進行預測。

2.根據權利要求1所述的基于神經網絡和LightGBM算法的二手車價格預測方法，其特征在于：所述數據預處理包括異常數據、缺失值以及結構化數據。

3.根據權利要求1所述的基于神經網絡和LightGBM算法的二手車價格預測方法，其特征在于：所述線性加權的系數取經多次測試讓組合模型發揮最好預測效果的值。

4.根據權利要求1所述的基于神經網絡和LightGBM算法的二手車價格預測方法，其特征在于：所述神經網絡算法預測二手車價格的步驟如下：

S1、網絡初始化，根據數據的輸入特征與輸出特征(X，Y)設置網絡的輸入層節點數、隱藏層個數、隱藏單元數、輸出層節點數，并將隱藏層閾值與輸出層閾值都初始化，設置學習速率與神經元激勵函數，設置k折交叉訓練參數；

S2、依次輸入訓練數據，設當前數據為X；

S3、進行前向傳播，根據輸入層與隱藏層將的權值W_bc與閾值b獲得對應X的輸出H(X)；

S4、根據隱藏層的輸出H(X)、連接權值W_bc以及閾值t，獲得預測輸出；

S5、根據期望獲得輸出與預測輸出計算預測誤差θ；

S6、根據誤差更新所有的權值與閾值；

S7、判斷訓練的迭代調節是否結束，是，結束訓練，否，回到步驟S2繼續新一輪的訓練。

5.根據權利要求1所述的基于神經網絡和LightGBM算法的二手車價格預測方法，其特征在于：所述貝葉斯優化的LightCBM算法預測二手車價格的步驟如下：

P1、網絡初始化，設置LightGBM參數，包括樹的最大深度、葉數、學習率、每次迭代所需的特征子集與數據子集等，設置迭代次數與結束條件，定義需要進行調參的參數范圍；

P2、輸入數據進行訓練，通過貝葉斯尋參獲得最優參數集合，根據LightGBM自帶的特征重要性排名獲得特征集合；

P3、選擇貝葉斯尋參獲得最優參數集合進行相應的LightGBM參數設置，基于特征重要性進行特征過濾刪除不重要的信息；

P4、利用k折交叉驗證對LightGBM模型進行訓練獲得模型集合(LightGBM_1,...,LightGBM)對模型取平均獲得穩定模型。