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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。