基于机器学习的信息化产品价格预测模型制造技术

本发明专利技术涉及信息化产品价格预测技术领域，且公开了一种基于机器学习的信息化产品价格预测模型，通过提取信息化产品的属性特征，获取属性特征的价格参数，通过构造若干个信息化产品若干维属性特征的价格参数矩阵获得加权价格，以计算得到的加权价格为输入值、以已知价格数据为输出值，通过训练学习，得到模型参数组与对价格数据中线性变化阶段与非线性变化阶段实现了分阶段表征、并且R2＝1的信息化产品价格预测模型。产品价格预测模型。

【技术实现步骤摘要】
基于机器学习的信息化产品价格预测模型


[0001]本专利技术涉及信息化产品价格预测
，具体为一种基于机器学习的信息化产品价格预测模型。

技术介绍

[0002]价格预测就是指按照商品的历史价值和价格的走势对商品未来价格的变化进行动态分析的预测行为。
[0003]最开始研究者使用基于历史经验的方法对商品未来价格走势进行粗略的预测，但是基于历史经验的方法具有主观性强、鲁棒性差的特点，无法准确的预测商品未来价格走势，所以基于历史经验的预测方法很快就被淘汰了。
[0004]随着基于统计学知识的简单时间序列算法的提出以及该算法广泛应用到商品价格的预测上，取得了良好的预测结果，逐渐替代了基于历史经验的预测方法。但是基于简单时间序列的价格预测算法在分析时使用的数据信息较少，不能及时应对价格突变的情况，导致最终的预测结果准确性不高。
[0005]伴随着机器学习及大数据领域的蓬勃发展，许多研究者提出了许多效果非常好的商品价格预测算法。基于机器学习的方法首先对得到的数据集进行预处理之后，通过分析数据集，从中提取出对最终预测模型的建立有益的相关特征向量；接着把收集到的价格数据集分成训练集和测试集两部分，其中，使用训练数据集来建立用来预测价格问题的价格预测算法，然后使用测试数据集来测试价格预测模型的预测效果，经过不断的参数信息调整，最终形成价格预测模型，最后使用建立的模型对实际情况进行分析预测，从而可以得到与真实值对比误差小的预测结果。但是由于没有对价格数据中的线性变化的阶段与非线性变化的阶段进行深入的分析与研究，仅仅是分别采用一些简单的算法组合去处理，所以组合出来的仍然还只是属于一个简单的价格预测模型，因此这种方式是不可能获得理想的价格预测结果。

技术实现思路

[0006](一)解决的技术问题
[0007]针对现有技术的不足，本专利技术提供一种基于机器学习的信息化产品价格预测模型。
[0008](二)技术方案
[0009]为实现上述目的，本专利技术提供如下技术方案：
[0010]一种基于机器学习的信息化产品价格预测模型，所述信息化产品价格预测模型的训练方法，包括以下步骤：
[0011]根据模型P
dpi
＝k
I
(P
TAsi
)
xJ
+P
ow
，以加权价格P
TAsi
为输入值、以已知价格数据P
dpi
为输出值，通过训练学习，学习得到模型参数组(k
I
，x
J
，P
ow
)；
[0012]从而获得信息化产品dp
i
的价格预测模型如下：
[0013]P
dpi
‑
c
＝k1(P
TAsi
)
x1
+k2(P
TAsi
)
x2
+...+k
I
(P
TAsi
)
xJ
+P
ow
；
[0014]其中，P
TAsi
为信息化产品dp
i
的各个属性特征As
j
的价格参数P
Asij
的加权价格；
[0015]I为模型参数k的序列编号，I＝1，2，...，n3；
[0016]J为模型参数x的序列编号，J＝1，2，...，n4；
[0017]P
dpi
‑
c
为信息化产品dp
i
的预测价格。
[0018]优选的，所述P
TAsi
的计算模型为P
TAsi
＝P
Asi1
P＊
As1
+P
Asi2
P＊
As2
+...+P
Asij
P＊
Asj
；
[0019]其中，P＊
Asj
为各个属性特征Asj的权重参数。
[0020]优选的，所述权重参数P＊
Asj
根据下述公式(1)
‑
(5)计算，具体如下：
[0021]p
‑
1Asij
＝[P
Asij
‑
min
1≤i≤n1
(P
Asij
)]/[max
1≤i≤n1
(P
Asij
)
‑
min
1≤i≤n1
(P
Asij
)]ꢀꢀꢀꢀ
(1)
[0022]P
‑
2Asij
＝(P
‑
1Asij
+1)/[(P
‑
1As1j
+1)+(P
‑
1As2j
+1)+...+(P
‑
1Asij
+1)]ꢀꢀꢀꢀ
(2)
[0023]P
‑
3Asj
＝P
‑
2As1j
＊ln(P
‑
2As1j
)+P
‑
2As2j
＊ln(P
‑
2As2j
)+...+P
‑
2Asij
＊ln(P
‑
2Asij
)
ꢀꢀꢀꢀ
(3)
[0024]P
‑
4Asj
＝1+[1/ln(n1)]＊p
‑
3Asij
ꢀꢀꢀ
(4)
[0025]P＊
Asj
＝P
‑
4Asj
/(P
‑
4As1
+P
‑
4As2
+...+P
‑
4Asj
)
ꢀꢀꢀꢀ
(5)。
[0026]优选的，所述属性特征As
j
从信息化产品dp
i
中提取，其价格参数P
Asij
通过大数据检索获取。
[0027](三)有益的技术效果
[0028]与现有技术相比，本专利技术具备以下有益的技术效果：
[0029]本专利技术通过提取信息化产品的属性特征，获取属性特征的价格参数，通过构造若干个信息化产品若干维属性特征的价格参数矩阵获得加权价格，以计算得到的加权价格为输入值、以已知价格数据为输出值，通过训练学习，得到模型参数组，并且获得对价格数据中线性变化阶段与非线性变化阶段实现了分阶段表征、并且R2＝1的信息化产品价格预测模型。
具体实施方式
[0030]一种基于机器学习的信息化产品价格预测模型，该信息化产品价格预测模型的训练方法，包括以下步骤：
[0031]步骤S1，获本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的信息化产品价格预测模型，其特征在于，所述信息化产品价格预测模型的训练方法，包括以下步骤：根据模型P
dpi
＝k
I
(P
TAsi
)
xJ
+P
ow
，以加权价格P
TAsi
为输入值、以已知价格数据P
dpi
为输出值，通过训练学习，学习得到模型参数组(k
I
，x
J
，P
ow
)；从而获得信息化产品dpi的价格预测模型如下：P
dpi
‑
c
＝k1(P
TAsi
)
x1
+k2(P
TAsi
)
x2
+...+k
I
(P
TAsi
)
xJ
+P
ow
；其中，P
TAsi
为信息化产品dpi的各个属性特征As
j
的价格参数P
Asij
的加权价格；I为模型参数k的序列编号，I＝1，2，...，n3；J为模型参数x的序列编号，J＝1，2，...，n4；P
dpi
‑
c
为信息化产品dp
i
的预测价格。2.根据权利要求1所述的基于机器学习的信息化产品价格预测模型，其特征在于，所述P
TAsi
的计算模型为P
TAsi
＝P
Asi1
P＊
As1
+P
Asi2
P＊
As2
+...+P
Asij
P＊
Asj
；其中，P＊
Asj
为各个属性特征As
j
的权重参数。3.根据权利要求2所述的基于机器学习的信息化产品价格预测模型，其特征在于，所述权重参数P＊
Asj
根据下述公式(1)
‑
...

【专利技术属性】
技术研发人员：王瑞，
申请(专利权)人：重庆市小苹果科技有限公司，
类型：发明
国别省市：