[发明专利]一种基于自适应神经网络的组合预测方法

说明书

本发明公开了一种基于自适应神经网络的组合预测方法，包括：获取设定时间内多种商品的销售数据，并形成数据库D；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；进行组合预测模型中各单项模型的选择；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；利用得到的组合预测模型进行商品销售数据预测。本发明提供的基于自适应神经网络的组合预测方法，将多个单项模型的预测结果用权重系数进行组合，综合利用各单项模型所提供的信息，从而达到比单个模型更好的预测效果。

技术领域

本发明涉及大数据组合预测技术领域，特别是涉及一种基于自适应神经网 络的组合预测方法。

背景技术

随着信息技术的发展与普及，数据仓库技术也进入了快速发展期。目前， 国内的零售市场竞争激烈，特别是商品市场的竞争更为严酷，虽然我国有一些 企业都已逐步走入信息化仓储管理，但目前数据仓库技术不够成熟，导致出现 了“海量数据，信息缺乏”的情况，无法合理有效的利用大量的信息数据，这 对企业是极大的损失，并且数据仓库没有在整个企业范围内得到应用，没有建 立统一协调的全局信息环境的庞大体系。国内的一些零售连锁企业对数据仓库 的需求越来越大，完备的信息管理系统以及海量的存储数据都为创建数据仓库 提供了基础。

在当前数据挖掘分析方案中，存在着众多的预测模型，每种模型都有其应 用特点，在数据挖掘研究中起到了重大的作用。但是，随着研究数据的增大， 对算法性能的要求越来越高，单项预测模型的缺陷也逐渐暴露出来。真实的商 品销量数据，受季节、天气、区域等多种因素的影响，其必然是一种包含复杂 变化的时间序列数据。对于这样一种数据，任一单项的模型，局限于其各自的 特点，可能都无法胜任达到精准预测的效果。例如，在研究时间序列算法的国 内外现状时发现，ARIMA模型和Lasso回归、岭回归等线性模型，对于拟合 成分单项的时序数据时，通常表现不错。当面对的数据包含的成分更多时，这 些模型就往往显得心有余而力不足。随机森林和XGBoost等集成学习模型， 虽然功能强大，对于一般的机器学习问题都能有很好的效果。但是，这些集成 学习算法的预测精度上限常常局限于其弱分类器的性能。因此，面对真实复杂 的商品销量数据，若存在一种模型，能够发挥各单项模型的优势，取长补短， 其预测精度必然比单项模型更高。

发明内容

本发明的目的是提供一种基于自适应神经网络的组合预测方法，将多个单 项模型的预测结果用权重系数进行组合，综合利用各单项模型所提供的信息， 从而达到比单个模型更好的预测效果。

为实现上述目的，本发明提供了如下方案：

一种基于自适应神经网络的组合预测方法，该方法包括以下步骤：

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。

可选的，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。

可选的，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。

可选的，所述对各单项模型结构、参数进行确定，具体包括：