[发明专利]一种基于自适应神经网络的组合预测方法

权利要求书

1.一种基于自适应神经网络的组合预测方法，其特征在于，包括以下步骤：

S1，获取设定时间内多种商品的销售数据，并形成数据库D；

S2，对数据库内D内的销售数据进行预处理，清理异常数据，纠正错误数据，并将处理后的数据写入内存；

S3，进行组合预测模型中各单项模型的选择；

S4，基于自适应神经网络，通过梯度下降法确定各单项模型权重系数，构建组合预测模型；

S5，利用得到的组合预测模型进行商品销售数据预测。

2.根据权利要求1所述的基于自适应神经网络的组合预测方法，其特征在于，所述步骤S1中，所述销售数据包括商品的型号、销售时间和销售量。

3.根据权利要求1所述的基于自适应神经网络的组合预测方法，其特征在于，所述步骤S3中，所述进行组合预测模型中各单项模型的选择，具体包括：

选择ARIMA、Lasso、岭回归、随机森林、XGBoost、RNN、LSTM、GRU这八种单项模型；

对各单项模型结构、参数进行确定，完成各单项模型的构建。

4.根据权利要求3所述的基于自适应神经网络的组合预测方法，其特征在于，所述对各单项模型结构、参数进行确定，具体包括：

对机器模型Lasso、岭回归、随机森林、XGBoost进行特征提取、网格搜索的模型构建以及模型训练，对神经网络模型RNN、LSTM、GRU进行网络结构的确定和优化算法的选择。

5.根据权利要求1所述的基于自适应神经网络的组合预测方法，其特征在于，所述步骤S4中，基于自适应神经网络，通过梯度下降法确定各单项模型权重系数，构建组合预测模型，具体包括：

S401，输入各单项模型的预测值x_i和初始化权重系数w_i；

S402，输入函数对输入的预测值x_i和初始化权重系数w_i进行向量的点乘，并求和，即激活函数的输入其中x₀＝1；

S403，求和结果经过线性激活函数f(x)＝x，得到实际输出

S404，计算与真实值Y的均方误差，通过均方误差调整权重向量w，其中，权重向量w的更新，采用的是梯度下降法，w的更新公式为：

w:＝w+Δw

Δw＝-ηΔJ(w)

式中，η是梯度下降的学习率，ΔJ(w)是损失函数对权重向量w的偏导函数，损失函数用的是均方误差：

其中y⁽ⁱ⁾为预测值，y为真实值；

S405，不断重复步骤S401-S404，直到满足迭代次数或预测精度要求。