[发明专利]一种多影响因素下商品需求信息预测方法

说明书

技术领域

本发明涉及一种多影响因素下商品需求信息预测方法，以历史商品信息及外界数据为基础，并对数据进行处理，从而实现对商品的信息进行预测。属于信息预测技术领域。

背景技术

目前，随着经济全球化的趋势，信息逐渐成为企业在当今社会中获得竞争力的重要因素，也就是说，谁能更早的获得信息，谁能获得更准确的信息，谁就在同行业的竞争中占有了绝对的优势。而现在市场上所应用的商品信息的预测方法，却很少考虑外界因素对于商品信息的影响，即便是有些方法考虑了这种影响，也很难准确的把握影响因素，实现长期的较为准确的预测。在这种情况下，设计一种能够实现整体最优化，综合考虑外界影响因素的预测方法，来预测商品信息，是至关重要的。

发明内容

发明目的：针对现有的商品信息预测的方法中存在的问题，本发明提供一种多影响因素下商品需求信息预测方法。首先，需要将历史的数据进行收集，保证数据的可靠性和充分性。其次，对数据进行处理，形成训练的样本集，处理过程包括对数据进行平滑处理，剔除奇异值，对各种影响因素进行模糊化处理以及对数据进行归一化处理，防止数据计算溢出。然后，将形成的训练样本集放入支持向量机中进行学习，将预测算法中的参数调整到最优值。紧接着，把有预测需求的节点的外部信息输入到模糊处理系统中去。最后，得到要预测的信息。通过该过程进行商品信息预测，可以较为准确的把握商品信息的动态。

技术方案：一种多影响因素下商品需求信息预测方法，包括：

1.影响因素判定

商品的影响因素主要包括：天气、温度、季节、节假日、个人偏好、特殊事件等等。这些影响因素可以分为两类：客观历史数据和需求环境数据。

（1）客观历史数据

客观历史数据主要是指同类产品过去的销售数据。根据相关性分析，将在产品需求预测中预测日的前一天和上星期的同一天的相关性进行比较。

（2）需求环境数据

与消费需求环境相关的因素有天气、温度、季节、日期类型（工作日、节假日）以及特殊事件等等。

2.影响因素的模糊化处理

将环境因素经过隶属函数转化为模糊量。对于线性的输入，隶属函数的个数可少取一些，而对于非线性的输出关系，则需要多设一些隶属函数。

3.支持向量机的构造

通过SVM这样一种最小化结构风险的算法进行预测。该预测方法的基本思想可以概括为：先通过非线性变换将输入向量x映射到一个更高维的空间Z，然后在这个新空间中求取最优线性分类面，这种非线性变换是通过定义适当的内积函数实现的，这种内积函数即由核函数来构造。

预测步骤：

（1）对客观历史数据进行平滑处理和归一化处理，对需求环境数据进行模糊量化处理，然后形成样本集；

（2）用训练样本建立如式（3-11）的目标函数；

（3）利用SVM训练算法求解（3-11），得到解α_i和，i＝1,2...n；

（4）将得到的拉格朗日乘子代入式（3-12）中，再利用样本对未来需求量进行预测。

有益效果：与现有技术相比，本发明提供的多影响因素下商品需求信息预测方法，在综合商品的历史信息及历史的外界信息的基础上，将历史信息进行处理，形成训练样本集，在支持向量机中进行学习。同时将需要进行预测的时间段的外界信息通过模糊处理系统进行处理，将形成的样本集输入到支持向量机中，进而输出预测信息。该预测方法可以更好结合现实生活中可能影响商品信息的各种因素，同时能够最大限度的满足预测结果的准确性，从而为相关人员提供更为精准和及时的商品信息，对于包括物流行业在内的许多行业都有着重大的意义。

附图说明

图1为本发明实施例的方法流程图；

图2为本发明实施例的原理图；

图3为SVM预测销售量与真实销售量的比较曲线图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1-2所示，多影响因素下商品需求信息预测方法，包括前期准备和预测两个阶段，其中前期准备阶段包括影响因素判定、影响因素的模糊化处理和支持向量机的构造；具体过程如下：

前期准备：

1.影响因素判定