[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

说明书

本发明公开了一种基于PCA和改进BP神经网络的产品销量预测方法，包括以下步骤：A.对初始样本数据进行预处理，如包括进行降维和去噪预处理；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。本发明的方法利用主成分分析法结合利用粒子群优化算法优化后的BP神经网络，从而达到提高网络的预测精度和训练速度的目的，解决了普通BP神经网络对于销量预测问题而言存在的收敛速度慢、学习率不稳定、容易受到噪声数据影响等不足。

技术领域

本发明涉及大数据分析技术领域，特别涉及一种基于PCA和改进BP神经网络的产品销量预测方法。

背景技术

销量预测在企业的经营运作中扮演着非常重要的角色，如何及时而准确的做好销售预测是目前市场上大部分企业都要面临的一个难题。由于市场的环境比较复杂，一些随机性因素如周期节假日、促销活动等，会对产品的销量产生比较大的影响，导致销量的趋势变化比较大，传统的比较常用的基于经济学和统计学的模型，如时间序列预测模型，都要求销售序列的趋势是稳定且有周期性的。但是在处理实际中复杂且随机性比较高的时间序列销量数据时，容易出现拟合不足导致准确率不高的问题。

BP神经网络全称反向传播前馈神经网络，它是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络。

PCA(Principal Component Analysis)，即主成分分析方法，是一种使用最广泛的数据降维算法。PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。可以实现提取主成分的功能。

BP神经网络是一个具有很强的非线性映射能力的模型，在许多实际工程应用中对于随机性比较高的序列都有很好的效果。然而，由于BP神经网络采用的是梯度下降训练算法，网络不可避免的存在收敛速度慢、学习率不稳定、容易受到噪声数据影响等不足。

发明内容

本发明的目的是克服上述背景技术中不足，提供一种基于PCA和改进BP神经网络的产品销量预测方法，通过把PCA主成分分析法和BP神经网络相结合，并且利用粒子群优化算法对BP神经网络进行改进优化，以提高网络的预测精度和训练速度，让改进后的BP神经网络结构能够针对销量数据有更好的表现，解决了传统BP神经网络对于时间序列数据的局限性问题，从而能以更高的精确度对产品的销量数据进行预测。

为了达到上述的技术效果，本发明采取以下技术方案：

一种基于PCA和改进BP神经网络的产品销量预测方法，包括以下步骤：

A.对初始样本数据进行预处理，如包括进行降维和去噪预处理；

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。

本发明的基于PCA和改进BP神经网络的产品销量预测方法中，利用主成分分析法结合利用粒子群优化算法优化后的BP神经网络，从而达到提高网络的预测精度和训练速度的目的，解决了普通BP神经网络对于销量预测问题而言存在的收敛速度慢、学习率不稳定、容易受到噪声数据影响等不足。

进一步地，所述步骤A具体包括：