[发明专利]一种基于加权朴素贝叶斯算法的物流需求预测方法

摘要

本发明公开了一种基于加权朴素贝叶斯算法的物流需求预测方法,包括步骤对训练数据预处理；利用加权朴素贝叶斯算法对训练数据计算获得每个属性值的先验和后验概率；随机初始化粒子群的位置和速度，获得历史最优位置和全局最优粒子值；利用粒子群优化算法对训练数据搜索得到数据所属属性的权值，并由每个粒子对训练数据分类预测，计算分类正确率作为每个粒子适应值；更新每个粒子的历史最优位置、全局最优粒子值、速度，并确定最终权值以构建得到预测模型；利用预测模型对选定时间内的物流数据进行预测，获得所对应的属性。本发明利用了粒子群算法简单且搜索速度快的优点，具有稳定的分类效率，对可能缺失的数据不敏感，适合用于长期的物流需求预测。

主权项

一种基于加权朴素贝叶斯算法的物流需求预测方法,其特征在于，包括以下步骤：步骤1、对含有属性和类标号属性的训练数据预处理；步骤2、利用加权朴素贝叶斯算法对步骤1预处理后的训练数据计算获得每个属性值的先验概率和后验概率；步骤3、随机初始化粒子群的位置和速度，获得每个粒子的历史最优位置和全局最优粒子值；步骤4、利用粒子群优化算法对训练数据搜索得到数据所属属性的权值，并由每个粒子对训练数据进行分类预测，计算分类的正确率作为每个粒子的适应值；设置的粒子群迭代次数，对每个粒子的适应值及历史最优位置进行迭代，当每个粒子当前位置大于每个粒子的历史最优位置时，更新每个粒子的的历史最优位置为当前位置；当每个粒子的适应值大于全局最优粒子值时，更新该每个粒子的适应值作为全局最优粒子值，并根据该全局最优粒子值对每个粒子的速度更新，并确定最终权值以构造预测模型；步骤5、利用步骤4构建的预测模型对选定时间内的物流数据进行预测，获得选定时间内的物流数据所对应的属性。