[发明专利]一种基于PCA和改进BP神经网络的产品销量预测方法

权利要求书

1.一种基于PCA和改进BP神经网络的产品销量预测方法，其特征在于，包括以下步骤：

A.对初始样本数据进行预处理；

B.对样本数据进行主成分分析，将分析出来的主成分作为特征进行输入；

C.用粒子群优化算法对BP神经网络的初始权值进行优化；

D.将优化后的最优解作为神经网络的新的权值；

E.使用训练后的BP神经网络对每月产品的销量进行预测。

2.根据权利要求1所述的一种基于PCA和改进BP神经网络的产品销量预测方法，其特征在于，所述步骤A具体包括：

A1.数据清洗；收集销量数据，使用python中pandas包dropna方法去除因格式或采集错误产生的错误数据和销量中的空值，按日期进行排序，完成数据清洗过程，得到目标数据集；

A2.数据归一化预处理；把目标数据集的所有数据都转化为[0,1]范围内，具体函数形式为:x＝x-x_min/x_max-x_min，其中x_max为样本最大值，x_min为样本最小值。

3.根据权利要求2所述的一种基于PCA和改进BP神经网络的产品销量预测方法，其特征在于，所述步骤B包括：

B1.对样本数据进行主成分分析，通过求解样本系数矩阵的特征方程|R-λI_p|＝0，计算特征根λ，再将求解的特征根λ代入方程|R-λI_p|x＝0，计算特征向量x，其中，R表示样本系数矩阵，I_p表示单位矩阵，每个特征向量x代表一个主成分；

B2.计算每个主成分的方差贡献率与累计方差贡献率，其中，所述方差贡献率为某一特征向量的特征值除以所有特征向量的特征值的和的值，所述累计方差贡献率为当前所有特征向量的方差贡献率之和，按方差贡献率由大至小的顺序，提取前m个主成分；

B3.将提取的主成分作为BP神经网络的输入。

4.根据权利要求3所述的一种基于PCA和改进BP神经网络的产品销量预测方法，其特征在于，所述步骤B2中具体是使用sklearn.decomposition包中PCA方法对数据进行主成分提取。

5.根据权利要求3所述的一种基于PCA和改进BP神经网络的产品销量预测方法，其特征在于，所述步骤C具体包括：

C1.初始化BP神经网络的输入层、隐含层以及输出层的神经元个数，建立粒子与BP神经网络的权值和偏差的映射关系；

C2.设置惯性权重w和学习因子c₁和c₂的参数，其中，惯性权重w是粒子当前速度在多大程度上继承先前的速度的体现，学习因子c₁和c₂代表将每个微粒推向P_id和P_ig位置的统计加速项的权重，P_id表示当前粒子达到局部最优解时粒子的位置，P_ig表示当前粒子达到全局最优解时粒子的位置；

C3.粒子位置和速度初始化；

C4.粒子适应度值的计算；

C5.确定个体极值和全局极值，更新每个粒子的速度和位置；

C6.迭代停止控制，对迭代产生的种群进行评价，判断算法的训练误差是否达到期望误差或最大迭代次数，若满足则进入下一步，否则返回步骤C4。

6.根据权利要求5所述的一种基于PCA和改进BP神经网络的产品销量预测方法，其特征在于，所述步骤C3包括：随机生成多个个体，每个个体由两部分组成，第一部分为粒子的速度矩阵，第二部分为粒子的位置矩阵。

7.根据权利要求6所述的一种基于PCA和改进BP神经网络的产品销量预测方法，其特征在于，所述粒子的位置矩阵中每个粒子位置参数均取[0,1]之间的随机数，作为粒子群优化算法的初始解集。