一种工业供应链中基于深度学习的成交定价推荐方法技术

本发明专利技术公开了一种工业供应链中基于深度学习的成交定价推荐方法，包括：对多年以来的交易信息进行清洗和预处理，并作为训练数据；BP神经网络模型的构造及训练；对得到的模型进行检测：使用预测数据与真实数据进行比较，查看此模型的正确率；成交价格推荐：深度学习模型确定之后，根据定价在一个价格区间之内按照步长对每一个价格进行预测，将所有预测成功的价格推荐给用户，实现成交定价推荐功能。与现有技术相比，本发明专利技术明确了该成交定价推荐的模式后，在对业务数据进行清洗和处理的基础上，采用五层深度学习模型进行训练，用训练好的模型进行预测，并对预测的结果分析处理，最终实现对工业供应链中成交定价的推荐功能。

A Dealing Pricing Recommendation Method Based on Deep Learning in Industrial Supply Chain

The invention discloses a transaction pricing recommendation method based on in-depth learning in industrial supply chain, which includes: cleaning and pretreatment of transaction information for many years and serving as training data; construction and training of BP neural network model; detection of the obtained model: comparing prediction data with real data to check the accuracy of the model; transaction price estimation. Recommendation: After the deep learning model is established, each price is predicted according to the step size within a price range, and all the predicted successful prices are recommended to users to realize the recommendation function of transaction pricing. Compared with the existing technology, the invention clarifies the recommended mode of transaction pricing, adopts five-layer deep learning model to train on the basis of cleaning and processing business data, uses the trained model to predict, and analyzes and processes the predicted results, so as to realize the recommendation function of transaction pricing in industrial supply chain.

【技术实现步骤摘要】
一种工业供应链中基于深度学习的成交定价推荐方法
本专利技术涉及深度学习领域，特别是一种工业供应链中基于深度学习的成交定价推荐方法。
技术介绍
工业供应链主要包括原材料供应，产品生产，产品销售，售后服务四大部分，其中产品销售在工业供应链体系中担任着承上启下的重要作用，定价方法则为产品销售这一环节中最重要的组成部分，因而定价方法的选择在某种程度上直接决定了整个工业供应链的存活。现有的定价方法主要有成本导向定价法、需求导向定价法和价值导向定价法三种。成本导向法是以产品单位成本为基本依据，制定对企业最有利的价格的一种定价方法。该定价方法简便易行，能够确保企业全部成本得到补偿，并获得正常利润，但该方法忽视了市场需求与竞争，可能导致所制定价格不为市场所接受，使公司失去竞争力，不利于公司实现利润最大化。价值导向定价法是以消费者需求作为定价依据的一种定价方法。该定价方法有很大的缺点是能为消费者接受的价格不一定能为公司所接受，且竞争者加入可能使价格失去竞争力。竞争导向定价法是依据竞争者的价格来定价。这种定价方法有利于从几个方面保持企业的竞争力，但该方法过分关注在价格上的竞争，容易忽略其他营销组合可能造成产品差异化的竞争优势，也容易引起竞争者报复，导致恶性的降价竞争，使企业毫无利润可言。在传统的工业供应链中，企业生产出来的产品提供给顾客时，链接两者的价格主要通过企业相关操作人员依据历史经验和理论知识进行价格预定，并结合产品生产成本、客户购买数量和市场经济状况等因素得到产品定价，然而由于同类产品竞争者增多、市场经济波动等不可控因素，这样耗时耗力得到的价格不一定会使客户满意，客户的购买欲望会随之大大降低，最终导致交易失败。此时企业就需要与客户协商价格，但由于信息不对称性等原因，企业与客户间的交流难度往往很大，这样就对产品的售出造成了很大阻碍。所以，需要提出一种可操作性强、耗时较短的定量成交定价推荐方法运用到工业供应链定价体系中。
技术实现思路
本专利技术的目的是要解决工业供应链交易中现有的成交价定价方法的精度低、耗时长、操作难等问题，提供一种工业供应链中基于深度学习的成交定价推荐方法。为达到上述目的，本专利技术是按照以下技术方案实施的：一种工业供应链中基于深度学习的成交定价推荐方法，包括以下步骤：步骤一、对多年以来的交易信息进行清洗和预处理，并作为训练数据；步骤二、BP神经网络模型的构造及训练：1)构造BP神经网络模型，第一层为输入层，第二层包含512个隐藏层，第三层为216个隐藏层，第四层为128个隐藏层，第五层包含一个隐藏层，为输出层，前四层采用了relu激活函数，最后一层采用了sigmoid激活函数，前四层均采用dropout正则化技术，输入训练数据对BP神经网络进行训练，在训练过程中随机地忽略一些神经元；2)采用遗传算法优化BP神经网络的初始权值和阈值，使优化后的网络更好的预测；步骤三、对得到的模型进行检测：使用预测数据与真实数据进行比较，查看此模型的正确率；步骤四、成交价格推荐：深度学习模型确定之后，根据定价在一个价格区间之内按照步长对每一个价格进行预测，将所有预测成功的价格推荐给用户，实现成交定价推荐功能。进一步，所述步骤一包括：1)数据清洗阶段：消除交易信息中的错误、冗余和数据噪音，并将交易信息按不同的、不兼容的规则所得的各种数据集一致起来；2)数据集成阶段：将多个数据集中的数据合并，并存放到一个一致的数据存储中；3)数据变换阶段：首先采用PCA对高维数据进行降维，保留效果最好的一个或最好的前几个相互正交的投影方向，使得样本值投影以后方差最大；对交易信息中本身数字在深度网络模型训练中具有明确意义的数据进行了数据归一化处理，即将属于该属性的所有样本取值限定在[0,1]范围内，成交结果数据分别用1和0表示，其中1表交易成功，0表交易不成功。进一步，所述步骤二中采用遗传算法优化BP神经网络的具体步骤为：2.1)种群初始化：个体编码方法为实数编码，每个个体均为一个实数串，由输入层和隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值4个部分组成，个体包含了神经网络全部的权值和阈值，在网路结构一致的情况下，就构成一个结构、权值、阈值确定的神经网络；2.2)适应度函数：根据个体得到BP神经网络的初始权值和阈值，用训练数据训练BP神经网络后预测系统输出，把预测输出个体期望的输出之间的误差绝对值和E作为个体适应度值F，计算公式为：式中，n为网络输出节点数；yi为BP神经网络第i个节点的期望输出oi为第i个节点的实际输出；k为系数；2.3)选择操作：选择轮盘赌法，基于适应度比例的选择策略，每个个体i的选择概率pi为：式中，Fi为个体i的适应度值，由于适应度值越小越好，所以在个体选择前对适应度求倒数；k为系数；N为种群个体数目；2.4)交叉操作：由于个体采用实数编码，所以交叉操作方法采用实数交叉法，第k个染色体ak和第l个染色体al在j为的交叉操作方法如下：akj＝akj(1-b)+aljbalj＝alj(1-b)+akjb式中，b是[0,1]之间的随机数；2.5)变异操作：选取第i个个体的第j个基因aij进行变异变异操作方法如下：式中，amax为基因aij的上界；amin为基因的下界；r2是一个随机数；g为当前迭代次数；Gmax是最大的进化次数；r为[0,1]间的随机数。优选地，数据集成阶段将多个数据集中的数据合并后存放在csv文件中。与现有技术相比，本专利技术明确了该成交定价推荐的模式后，在对业务数据进行清洗和处理的基础上，采用五层深度学习模型进行训练，用训练好的模型进行预测，并对预测的结果分析处理，最终实现对工业供应链中成交定价的推荐功能。本专利技术耗时短、易操作、误差小，在使用原始数据的基础上对成交定价预测，既相对全面地考虑了定价过程中的客观因素，又可向客户和企业推荐两者相对满意的价格，从而提高用户体验的满意度，实现企业利润最大化，最终达到两方双赢的局面。在测试平台进行测试，证明了它的有效性，本专利技术预测成交定价的准确率可以达到90％以上。附图说明图1为本专利技术的流程图。图2为本专利技术实施例中构建的BP神经网络模型结构图。图3为真实状态与采用本专利技术的预测结果的情况对比图。具体实施方式下面结合具体实施例对本专利技术作进一步描述，在此专利技术的示意性实施例以及说明用来解释本专利技术，但并不作为对本专利技术的限定。如图1所示，本实施例的一种工业供应链中基于深度学习的成交定价推荐方法，包括以下步骤：一、对多年以来的交易信息进行清洗和预处理，并作为训练数据。1.数据清洗阶段。数据清洗的目的不只是要消除错误、冗余和数据噪音，还要能将按不同的、不兼容的规则所得的各种数据集一致起来。对于数据中没有缺失值的情况，可以直接对噪声数据进行处理，例如采用分箱方法，分箱方法是一种简单常用的预处理方法，通过考察相邻数据来确定最终值。所谓“分箱”，实际上就是按照属性值划分的子区间，如果一个属性值处于某个子区间范围内，就称把该属性值放进这个子区间所代表的“箱子”内。把待处理的数据(某列属性值)按照一定的规则放进一些箱子中，考察每一个箱子中的数据，在数据异常值检测完成之后采用均值替换法对异常值进行替换。2.数据集成阶段。将多个数据源中的数据合并，并存放到一个一致的数据存储(如本文档来自技高网...

【技术保护点】
1.一种工业供应链中基于深度学习的成交定价推荐方法，其特征在于，包括以下步骤：步骤一、对多年以来的交易信息进行清洗和预处理，并作为训练数据；步骤二、BP神经网络模型的构造及训练：1)构造BP神经网络模型，第一层为输入层，第二层包含512个隐藏层，第三层为216个隐藏层，第四层为128个隐藏层，第五层包含一个隐藏层，为输出层，前四层采用了relu激活函数，最后一层采用了sigmoid激活函数，前四层均采用dropout正则化技术，输入训练数据对BP神经网络进行训练，在训练过程中随机地忽略一些神经元；2)采用遗传算法优化BP神经网络的初始权值和阈值，使优化后的网络更好的预测；步骤三、对得到的模型进行检测：使用预测数据与真实数据进行比较，查看此模型的正确率；步骤四、成交价格推荐：深度学习模型确定之后，根据定价在一个价格区间之内按照步长对每一个价格进行预测，将所有预测成功的价格推荐给用户，实现成交定价推荐功能。

【技术特征摘要】
1.一种工业供应链中基于深度学习的成交定价推荐方法，其特征在于，包括以下步骤：步骤一、对多年以来的交易信息进行清洗和预处理，并作为训练数据；步骤二、BP神经网络模型的构造及训练：1)构造BP神经网络模型，第一层为输入层，第二层包含512个隐藏层，第三层为216个隐藏层，第四层为128个隐藏层，第五层包含一个隐藏层，为输出层，前四层采用了relu激活函数，最后一层采用了sigmoid激活函数，前四层均采用dropout正则化技术，输入训练数据对BP神经网络进行训练，在训练过程中随机地忽略一些神经元；2)采用遗传算法优化BP神经网络的初始权值和阈值，使优化后的网络更好的预测；步骤三、对得到的模型进行检测：使用预测数据与真实数据进行比较，查看此模型的正确率；步骤四、成交价格推荐：深度学习模型确定之后，根据定价在一个价格区间之内按照步长对每一个价格进行预测，将所有预测成功的价格推荐给用户，实现成交定价推荐功能。2.根据权利要求1所述的工业供应链中基于深度学习的成交定价推荐方法，其特征在于：所述步骤一包括：1)数据清洗阶段：消除交易信息中的错误、冗余和数据噪音，并将交易信息按不同的、不兼容的规则所得的各种数据集一致起来；2)数据集成阶段：将多个数据集中的数据合并，并存放到一个一致的数据存储中；3)数据变换阶段：首先采用PCA对高维数据进行降维，保留效果最好的一个或最好的前几个相互正交的投影方向，使得样本值投影以后方差最大；对交易信息中本身数字在深度网络模型训练中具有明确意义的数据进行了数据归一化处理，即将属于该属性的所有样本取值限定在[0,1]范围内，成交结果数据分别用1和0表示，其中1表交易成功，0表交易不成功。3.根据权利要求1...

【专利技术属性】
技术研发人员：姚兰，刘岩，赵志滨，马衍崧，柳秀梅，王大力，戎荷婷，褚超，任丽萍，吴永琪，赵永恒，刘亚松，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21