基于LSTM深度学习模型的销售预测优化方法技术

本发明专利技术公开了基于LSTM深度学习模型的销售预测优化方法，包括：步骤S1：采集销售预测数据；步骤S2：数据预处理，包括对异常数据进行离散点数据分析、补充缺失值数据和字段类型转换；步骤S3：将销售预测数据分解为一组性能较好的近似序列和若干组细节序列，分别对近似序列和细节序列进行预测；步骤S4：利用GRU框架实现自定义前向框架方法，采用自适应调节学习率的随机梯度下降算法adam与遗传算法组合算法解决最优解问题。本发明专利技术运用GRU实现自定义前向框架方法，并采用自适应调节学习率的随机梯度下降算法adam与遗传算法组合算法解决最优解问题，解决LSTM深度学习模型计算耗时导致销售预测系统耗时较长的问题。售预测系统耗时较长的问题。售预测系统耗时较长的问题。

【技术实现步骤摘要】
基于LSTM深度学习模型的销售预测优化方法


[0001]本专利技术涉及大数据
，具体的说，是基于LSTM深度学习模型的销售预测优化方法。

技术介绍

[0002]现有技术中销售预测系统运用模型进行数据预测，从而为业务提供技术支持。模型分为机器学习、深度学习和时间序列等，一般模型构建流程为：获取数据、数据预处理、特征工程、训练模型、诊断、调优、模型验证、误差分析、模型融合和部署上线等。其中LSTM深度学习模型是最常用也是最重要的预测模型。
[0003]LSTM的特点就是在RNN结构以外添加了各层的阀门节点，阀门有3类：遗忘阀门(forget gate)，输入阀门(input gate)和输出阀门(output gate)。这些阀门可以打开或关闭，用于将判断模型网络的记忆态(之前网络的状态)在该层输出的结果是否达到阈值从而加入到当前该层的计算中。阀门节点利用sigmoid函数将网络的记忆态作为输入计算；如果输出结果达到阈值则将该阀门输出与当前层的计算结果相乘作为下一层的输入；如果没有达到阈值则将该输出结果遗忘掉。每一层包括阀门节点的权重本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于LSTM深度学习模型的销售预测优化方法，其特征在于，包括：步骤S1：采集销售预测数据；步骤S2：数据预处理，包括对异常数据进行离散点数据分析、补充缺失值数据和字段类型转换；步骤S3：将销售预测数据分解为一组性能较好的近似序列和若干组细节序列，分别对近似序列和细节序列进行预测；步骤S4：利用GRU框架实现自定义前向框架方法，采用自适应调节学习率的随机梯度下降算法adam与遗传算法组合算法解决最优解问题。2.根据权利要求1所述的基于LSTM深度学习模型的销售预测优化方法，其特征在于，所述步骤S4具体包括：LSTM前向计算：LSTM网络的每个LSTM单元的计算公式如下：f
t
＝σ(W
f
*[h
t-1
,x
t
]+b
f
)i
t
＝σ(W
i
*[h
t-1
,x
t
]+b
i
))o
t
＝σ(W
o
*[h
t-1
,x
t
]+b
o
)h
t
＝o
t
*tanh(C
t
)其中，f
t
表示遗忘门，i
t
表示输入门，表示当前输入的单元状态，C
t
表示当前时刻的单元状态；o
t
表示输出门限，h
t
表示当前单元的输出，h
t-1
表示前一时刻单元的输出；σ是sigmoid函数；x
t
表示当前时刻细胞的输入；W
f
表示遗忘门的权重矩阵；W
i
表示输入门的权重矩阵；W
C
表示输出门的权重矩阵；W
o
表示计算单元状态的权重矩阵；b
f
表示遗忘门的偏置项；b
i
表示输入门的偏置项；b
C
表示输出门的偏置项；b
o
表示计算单元状态的偏置项；LSTM网络的遗忘门决定了上一时刻的单元状态有多少保留到当前时刻；[h
t-1
,x
t
]表示把两个向量连接成一个更长的向量，其输入的维度是d
h
，单元状态的维度是d
c
，d
c
＝d
h
，遗忘门的权重矩阵W
f
维度是d
c
×
(d
h
+d
X

【专利技术属性】
技术研发人员：唐军，孙永强，
申请(专利权)人：四川长虹电器股份有限公司，
类型：发明
国别省市：