一种基于改进蚁群的BP神经网络二手车价格评估算法制造技术

本发明专利技术公开了一种基于蚁群算法优化的BP神经网络二手车价格评估算法，选取三层BP神经网络为原型，采用改进的蚁群算法对BP神经网络的权值初始化过程进行优化，建立二手车价格评估模型，具体步骤如下步骤1：数据采集并预处理；步骤2：确定网络拓扑结构；步骤3：采用改进的蚁群算法对BP神经网络的权值初始化过程进行优化；步骤4：进一步训练优化后的BP神经网络对二手车价格进行预测。本发明专利技术提供一种基于蚁群优化的BP神经网络二手车价格评估算法，相比于传统算法，可以改善BP神经网络中易于陷入局部最优、收敛速度慢、引起振荡效应等缺陷，从而建立起一套具有实用价值的在线车辆价格评估系统。

【技术实现步骤摘要】
一种基于改进蚁群的BP神经网络二手车价格评估算法
本专利技术涉及一种基于改进蚁群的BP神经网络二手车价格评估算法，属于计算机应用领域。
技术介绍
在网络营销和互联网大数据理论日益发展的背景下，结合国人对私家车日益增长的需求，基于神经网络的大型二手车交易平台得以迅速推广并应用。在这样的平台交易系统下，通过分析和调整二手车交易市场需要考虑的各个参数，建立合适的神经网络模型，可以使整个二手车交易价格评估的精度提高。而随着大数据相关技术广泛应用于机器学习和认知科学等领域，BP神经网络算法作为一种主要用于对函数进行估计和近似的计算模型，联结大量的神经元进行计算，能实现一种有效可观的预测模型。二手车作为一种有形资产，在交易中比较常用的价格评估方法有重置成本法、收益现值法、现行市价法和清算价格法。现有的这些估价算法大多过于经验化，没有太多理论基础，且不主动公开算法细节，存在着算法透明度低、估价效率低、计算精度不高等缺陷，且没有将交易数据的激增以及交易市场的动态变化反映到计算过程中去，而这些都是决定二手车价格的关键因素。
技术实现思路
为了克服现有技术的缺陷，本专利技术提出公开了一种基于改进蚁群的BP神经网络二手车价格评估算法，利用蚁群算法的全局搜索特性大致搜索出一定的权值范围，以此时的权值作为BP神经网络的初始权值，再利用BP算法对网络权值作进一步优化，可以改善BP神经网络中易于陷入局部最优、收敛速度慢、引起振荡效应等缺陷，从而建立起一套具有实用价值的在线车辆价格评估系统。为达到上述目的，本专利技术的技术方案是这样实现的：一种基于蚁群算法改进的BP神经网络二手车价格评估算法，选取三层BP神经网络为原型，采用改进的蚁群算法对BP神经网络的权值初始化过程进行优化，建立二手车价格评估模型，具体步骤如下：步骤1：数据采集并预处理；步骤2：确定网络拓扑结构；步骤3：采用改进的蚁群算法对BP神经网络的权值初始化过程进行优化；步骤4：进一步训练优化后的BP神经网络对二手车价格进行预测。优选地，所述步骤(1)采集的数据为二手车辆数据及其交易数据作为样本数据，包括车辆编号、生产年份、售卖年月份、城市、排量、新车价格、里程、车辆用途、磨损程度和个人指导价；所述步骤(1)中对采集的样本数据进行预处理：将采集的样本数据进行归一化处理，具体归一化到[0,1]区间内，归一化公式如下：X0＝(X-Xmin)/(Xmax-Xmin)(1)式(1)中，X0为归一化后的数据，X为原始数据，Xmax、Xmin分别为原始数据集的最大值和最小值。优选地，所述步骤(2)中网络拓扑结构为三层BP神经网络结构，包括输入层、隐藏层、输出层，其中，输入层：输入预处理过的样本数据，每个输入节点都被映射成一个车辆相关属性，具体为车辆编号、生产年份、售卖年月份、城市、排量、新车价格、里程、车辆用途、磨损程度和个人指导价共10个神经元；隐藏层：根据经验公式(2)估算最佳隐含层神经元个数，式(2)中，H为隐含层神经元个数，I为输入层神经元个数，O为输出层神经元个数，a为[1,10]内的常数；输出层：输出二手车实际交易价格结果，实时反馈供用户参考。优选地，所述步骤(3)中的权值初始化的优化过程如下：(3a)参数设置，将BP神经网络的权值区间[-5,5]均匀划分为100等分，为每一个权值参数建立一张信息素表，记ws为第s个需要优化的权值参数，s的取值范围为[1,N]，N表示为权值的总个数，i为划分刻度值，每两个划分相邻刻度值构成一个子区域；τ(i)为i所对应的信息素值，其中，权值区间[-5,5]均匀划分为100等分，则划分刻度值共有101个；所述权值的总个数N由输入层神经元个数I、隐藏层神经元个数H和输出层神经元个数O决定，其计算公式如下所示:N＝H*(I+O+1)+O(3)；同时，设置信息素初值为τ(i)＝C，C≠0，信息素挥发系数ρ，信息素增量强度Q，ACO的最大迭代次数countmax和ACO优化结束条件εACO；(3b)释放m只蚂蚁，对于任意权值参数ws，第n只蚂蚁根据如下概率公式(4)从一点移动到下一点：式(4)中，i表示权值参数ws的第i个划分刻度值，i的取值范围为[1,101]，表示权值参数ws中所有蚂蚁的信息素之和，j代表第j只蚂蚁，蚂蚁在神经网络的每一次迭代中，会根据误差更新自己的信息素值，这里的信息素值即为上述的101个划分刻度值中的某一个值。第n只蚂蚁从权值参数ws的划分刻度值经过且仅经过一次，记录相应点的划分刻度值，这些点的划分刻度值组合构成了神经网络权值参数ws的一组权值参数；(3c)将二手车交易数据及其车辆数据作为输入训练样本，使用步骤(3b)得到的权值组合作为神经网络的参数，BP神经网络的输入层到隐藏层、隐藏层到输出层均采用SigmoidS型激励函数进行神经网络的输出计算，如公式(5)所示：式(5)中，net表示是隐藏层和输出层、输入层和隐藏层，层与层之间的函数关系，本专利技术中神经网络激励函数属于常规技术手段故而未加详述；SH得到神经网络的输出后，计算均方误差，并取均方误差的最大值，如公式(6)所示：式(6)中，SampleNum为样本数目，y为期望输出值即训练样本的真实值，o为神经网络的实际输出值，o由公式(5)决定，属于神经网络的基本技术范畴；(3d)所有蚂蚁构造解以后记录E最小的一组权值，比较最小误差Emin与εACO的大小，如果Emin<εACO，则直接完成初始化过程并退出，否则转步骤(3e)；(3e)信息素更新：权值ws的第i个划分刻度值的信息素更新策略如公式(7)所示：式(7)中，为权值ws的第i个划分刻度值对应第t代蚁群中的第n只蚂蚁经过后更新的信息素值，μ的取值范围为[10,100]；(3f)重复步骤(3b)-(3d)，直到满足最大迭代次数countmax，完成初始化过程。优选地，所述步骤(4)中进一步训练优化后的BP神经网络的过程为：根据蚁群算法由步骤3(d)找到的E最小的一组权值和偏差(即为权值参数ws)作为BP算法的初始权值和偏差，计算网络输出和实际输出之间的误差，并将误差由输出层反向传播到输入层，进一步调整权值和偏差，重复以上过程，直到满足训练退出条件。本专利技术中步骤(4)中进一步训练优化后的BP神经网络的过程属于常规技术手段，故而未加详述。有益效果：本专利技术提供一种基于蚁群算法改进的BP神经网络二手车价格评估算法，在蚁群算法中引入提高了算法的全局搜索能力。与现有技术相比，本专利技术具有如下优点：(1)相比于传统机械式的评估算法(车辆评估值＝重置成本*成新率*调整系数)，基于改进蚁群的BP神经网络二手车价格评估算法预测的精度更高；(2)本专利技术在原有BP神经网络的基础上采取改进的蚁群算法优化BP神经网络的权值初始化过程，改善BP神经网络中易于陷入局部最优、收敛速度慢、引起振荡效应等缺陷，从而建立起一套具有实用价值的在线车辆价格评估系统。(3)用户完成交易后，新的交易数据被投入训练以维持模型的高准确率，使之更持久地为用户提供服务。附图说明图1为本专利技术的数据参数表。图2为本专利技术的具体实例的神经网络结构图。图3为本专利技术的基于改进蚁群的BP神经网络算法流程图。具体实施方式为了使本
的人员更好地理解本申请中的技术方案，下面对本申请本文档来自技高网...

【技术保护点】
1.一种基于蚁群算法改进的BP神经网络二手车价格评估算法，其特征在于，选取三层BP神经网络为原型，采用改进的蚁群算法对BP神经网络的权值初始化过程进行优化，建立二手车价格评估模型，具体步骤如下：步骤1：数据采集并预处理；步骤2：确定网络拓扑结构；步骤3：采用改进的蚁群算法对BP神经网络的权值初始化过程进行优化；步骤4：进一步训练优化后的BP神经网络对二手车价格进行预测。

【技术特征摘要】
1.一种基于蚁群算法改进的BP神经网络二手车价格评估算法，其特征在于，选取三层BP神经网络为原型，采用改进的蚁群算法对BP神经网络的权值初始化过程进行优化，建立二手车价格评估模型，具体步骤如下：步骤1：数据采集并预处理；步骤2：确定网络拓扑结构；步骤3：采用改进的蚁群算法对BP神经网络的权值初始化过程进行优化；步骤4：进一步训练优化后的BP神经网络对二手车价格进行预测。2.根据权利要求1所述的一种基于蚁群算法改进的BP神经网络二手车价格评估算法，其特征在于，所述步骤(1)采集的数据为二手车辆数据及其交易数据作为样本数据，包括车辆编号、生产年份、售卖年月份、城市、排量、新车价格、里程、车辆用途、磨损程度和个人指导价；所述步骤(1)中对采集的样本数据进行预处理：将采集的样本数据进行归一化处理，具体归一化到[0,1]区间内，归一化公式如下：X0＝(X-Xmin)/(Xmax-Xmin)(1)式(1)中，X0为归一化后的数据，X为原始数据，Xmax、Xmin分别为原始数据集的最大值和最小值。3.根据权利要求1或2所述的一种基于蚁群算法改进的BP神经网络二手车价格评估算法，其特征在于，所述步骤(2)中网络拓扑结构为三层BP神经网络结构，包括输入层、隐藏层、输出层，其中，输入层：输入预处理过的样本数据，每个输入节点都被映射成一个车辆相关属性，具体为车辆编号、生产年份、售卖年月份、城市、排量、新车价格、里程、车辆用途、磨损程度和个人指导价共10个神经元；隐藏层：根据经验公式(2)估算最佳隐含层神经元个数，式(2)中，H为隐含层神经元个数，I为输入层神经元个数，O为输出层神经元个数，a为[1,10]内的常数；输出层：输出二手车实际交易价格结果，实时反馈供用户参考。4.根据权利要求3所述的一种基于蚁群算法改进的BP神经网络二手车价格评估算法，其特征在于，所述步骤(3)中的权值初始化的优化过程如下：(3a)参数设置，将BP神经网络的权值区间[-5,5]均匀划分为100等分，为每一个权值参数建立一张信息素表，记ws为第s个需要优化的权值参数，s的取值范围为[1,N]，N表示为权值的总个数，i为划分刻度值，每两个划分相邻刻度值构成一个子区域；τ(i)为i所对应的信息素值，其中，权值区间[...

【专利技术属性】
技术研发人员：杜鹏，孙宁，钱玉洁，石慧珠，
申请(专利权)人：河海大学常州校区，
类型：发明
国别省市：江苏,32