[發明專利]基于AdaBoost算法構建的商品銷量融合預測模型

有效

• 申請號: 202310526079.0
• 申請日: 2023-05-11
• 公開（公告）號: CN116245563B
• 公開（公告）日: 2023-10-27
• 發明（設計）人: 徐小峰;曹貴玲;陳夢;鄧憶瑞;尹萌娟;陳優
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: G06Q30/0202
• 分類號: G06Q30/0202;G06F18/214;G06N3/0442;G06N3/045;G06N3/0464;G06N3/049;G06N3/08
• 代理公司: 北京睿智保誠專利代理事務所(普通合伙) 11732
• 代理人: 周新楣

1.基于AdaBoost算法構建的商品銷量融合預測模型，其特征在于，包括以下步驟：

步驟1：匯總神經網絡及機器學習中適用于預測商品銷售的經典模型，基于多種預測模型構建基模型庫；

步驟2：單一預測模型調參，選用隨機搜索法完成單一預測模型的超參數調整優化工作；

步驟3：構建弱學習器自動選擇算法，采用均方誤差作為衡量預測模型準確度性能的指標，把預測最準確的模型和預測第二準確的模型篩選出來，用以后續融合預測模型構建的初始輸入弱學習器模型，完成弱學習器自動選擇過程；

步驟4：識別弱學習器自動選擇算法的輸出結果作為初始弱學習器，利用AdaBoost算法原理并行地、完全獨立地對初始弱學習器進行融合訓練，得到強學習器，獲取對應的強學習器預測結果；

步驟5：基于真實值，計算強學習器預測結果的平均絕對百分比誤差，利用平均絕對百分比誤差將強學習器的預測結果進行融合，得到最后的生鮮商品銷售預測結果。

2.根據權利要求1所述的基于AdaBoost算法構建的商品銷量融合預測模型，其特征是：步驟1中所述預測模型包括基于長短期記憶網絡、門控循環單元、時域卷積網絡以及多層感知機、支持向量回顧模型五種預測模型。

3.根據權利要求1所述的基于AdaBoost算法構建的商品銷量融合預測模型，其特征是：所述步驟2包括：

步驟2-1：根據超參數的取值和算法關系設置超參數的取值范圍

步驟2-2：在范圍內隨機搜索，以模型準確率作為目標函數及評價指標；

步驟2-3：由于隨機搜索可能會出現局部最優解，因此重復多次得到搜索結果；

步驟2-4：選擇準確率最高的超參數組合作為最終的搜索結果，即確定最終的模型超參數取值。

4.根據權利要求3所述的基于AdaBoost算法構建的商品銷量融合預測模型，其特征是：在步驟3中，所述均方誤差為，其中和分別為預測目標的真實值和預測值，n為數據的樣本數量，MSE值越小，預測模型的準確度越高。

5.根據權利要求4所述的基于AdaBoost算法構建的商品銷量融合預測模型，其特征是：所述步驟3包括：

步驟3-1：將輸入的數據集劃分為訓練集和測試集，利用訓練集分別對單一預測模型調參基模型庫中的經典預測模型進行訓練，使其抓取并適應數據集的特征，再將測試集的數據輸入到各個訓練好的預測模型中，獲取每個模型給出的預測結果；

步驟3-2：根據測試集的真實銷量值和預測銷量值，計算每個模型的均方誤差，其中n指代第n個預測模型；

步驟3-3：比較各個預測模型的MSE值，確定評估指標最小值對應的預測模型，用以后續融合預測模型構建的初始輸入弱學習器模型，完成弱學習器自動選擇過程。

6.根據權利要求5所述的基于AdaBoost算法構建的商品銷量融合預測模型，其特征是：所述步驟4包括：

步驟4-1：識別弱學習器自動選擇算法的輸出結果，最小值及次小值對應的預測模型，并同時獲取兩種模型在弱學習器自動選擇階段具體的參數信息；

步驟4-2：分別以兩個模型作為唯一的初始弱學習器，代表MSE最小值對應的預測模型，代表MSE次小值對應的模型，利用AdaBoost算法原理，并行地、完全獨立地進行融合訓練，統一地將弱學習器訓練個數K定為10，即在AdaBoost算法流程中共設定2K個弱學習器和；在第n個弱學習器的訓練過程中，需要計算樣本相對誤差e_ni、學習器誤差率e_n、學習器權重系數α_n，同時還要根據該學習器的預測效果更新樣本權重D_ni+1，弱學習器的訓練過程中，各參數的計算公式如下，

，

，

，

，式中，為規范化因子，其計算公式為，參考AdaBoost.RT算法，采取的結合策略如下所示，f即為最終的強學習器預測，

，弱學習器的訓練過程同弱學習器的訓練過程；

步驟4-3：分別利用弱學習器進行融合訓練得到強學習器和，分別獲取對應的強學習器預測結果和。

7.根據權利要求6所述的基于AdaBoost算法構建的商品銷量融合預測模型，其特征是：所述步驟5包括：

步驟5-1：根基于真實值y，計算兩個強學習器和預測結果的平均絕對百分比誤差，，式中，和分別為預測目標的真實值和預測值，n為數據的樣本數量；

步驟5-2：利用RMSE數值，將強學習器和的預測結果和進行融合，

，得到預測結果。