一种基于GA-BP神经网络的饮水机投放预测方法及系统技术方案

本发明专利技术公开了一种基于GA

【技术实现步骤摘要】
一种基于GA
‑
BP神经网络的饮水机投放预测方法及系统


[0001]本专利技术涉及饮水机投放
，尤其涉及一种基于GA
‑
BP神经网络的饮水机投放预测方法及系统。

技术介绍

[0002]在高校、医院、大型工厂等场合，饮水机是一种常见设备，可供人们饮水。以高校为例，在饮水机投放数量问题上，目前基本上采取较为初级的测算方法，未能基于学校人数、天气、收益等数据来构建一整套智能化的预测方法，从而达到单台设备的最优利用。部分高校饮水机投放数量过多，设备平均使用次数过少，造成了资源的浪费，从而影响单台饮水机的经济效益。而有的高校则投放过少，无法满足使用需求。现有的技术方案中有通过一卡通的数据分析使用开水的消费时间特征与各地段饮水机使用情况分布，总结出开水供求特征之间的关系，提高管理效率。还有通过工业物联网的技术，建立远程监控系统，提高了直饮水设备的管理能力。这些方案一定程度上提高了饮水机设备管理的效率，却无法针对不同区域科学、合理安排饮水机的数量。饮水机的投放数量，应根据高校的在校生人数、高校所在地的年均气温、年均湿度、年均经济收益等因素综合考虑。
[0003]针对现有技术存在的问题，本专利技术提供了一种基于GA
‑
BP神经网络的饮水机投放预测方法及系统。

技术实现思路

[0004]本专利技术的目的是针对现有技术的缺陷，提供了一种基于GA
‑
BP神经网络的饮水机投放预测方法及系统。
[0005]为了实现以上目的，本专利技术采用以下技术方案：
[0006]一种基于GA
‑
BP神经网络的饮水机投放预测方法，包括：
[0007]S1.获取与高校饮水机投放相关的数据信息，并对获取的数据信息进行归一化处理，得到处理后的数据信息；
[0008]S2.构建基于GA
‑
BP的神经网络模型，并将处理后的数据信息输入至GA
‑
BP神经网络模型中进行训练，得到训练好的预测模型；
[0009]S3.将测试的数据信息输入至训练好的预测模型中，训练模型输出与饮水机相对应的收益结果。
[0010]进一步的，所述步骤S1中与高校饮水机投放相关的数据信息包括在校人数、饮水机数量、所处地区的年均最高温度与相对湿度。
[0011]进一步的，所述步骤S1中对获取的数据信息进行归一化处理是基于mapminmax函数进行处理的，其中mapminmax函数表示为：
[0012][0013]其中，y表示归一化后数据信息，y
max
、y
min
分别表示归一化后的数据中的最大值、最
小值；x表示原始数据集，x
max
、x
min
分别表示原始数据集中的最大值、最小值。
[0014]进一步的，所述步骤S2具体包括：
[0015]S21.确定BP神经网络的结构；其中神经网络的隐含层节点数，表示为：
[0016][0017]其中，l、m、n分别表示输入层、隐含层、输出层节点数；a表示调节常数；
[0018]S22.随机产生一个种群，并初始化种群中每个个体；其中每个个体包含BP神经网络中所有连接的权值和阈值，且每个个体的长度表示为：
[0019]L＝lm+mn+m+n
[0020]其中，L表示单个个体的长度；
[0021]S23.将初始化的每个个体相对应的网络权值和阈值输入BP神经网络中，并将预测值与实际值之间的误差绝对值之和作为个体的适应度，得到适应度函数，表示为：
[0022][0023]其中，F表示个体的适应度值；N表示预测的数量；y
i
表示预测值；o
i
表示实际值；
[0024]S24.采用轮盘赌法选择适应度较优的个体；其中个体选择的概率，表示为：
[0025][0026]其中，P
i
表示第i个个体被选择的概率，F
i
、F
j
分别表示第i个、第j个个体的适应度值，m表示种群数量；
[0027]S25.对种群中的个体进行交叉变异处理，得到处理后的个体；
[0028]S26.判断是否达到设定的最大迭代次数，若否，则重复执行步骤S24
‑
S25；若是，则停止运动，得到得较优的权值和阈值；
[0029]S27.根据较优的权值和阈值改进BP神经网络，输出最终预测模型。
[0030]进一步的，所述步骤S25中对种群中的个体进行交叉处理，表示为：
[0031][0032]其中，a
k
表示第k个个体；a
i
表示第i个个体；b表示随机数。
[0033]进一步的，所述步骤S25中对种群中的个体进行变异处理，表示为：
[0034][0035]其中，a
max
、a
min
表示a
ij
的最大值与最小值，G
max
表示最大迭代次数，g是当前迭代次数，r表示随机数；a
ij
表示第i个个体的第j个基因。
[0036]进一步的，所述步骤S1中的饮水机包括饮水机主体结构、滑动结构；所述饮水机主体结构包括顶座模块、支撑顶座模块的支撑模块、与支撑模块底部连接的底座，滑动结构设
置于顶座模块底部；
[0037]滑动结构包括滑轨、滑台；滑轨设置于支撑模块的一侧，滑台一侧开设有与滑轨相适配的滑槽，滑台通过滑槽在滑轨上滑动以调节滑台与卡盘之间的距离；
[0038]卡盘包括夹紧模块，夹紧模块用于夹紧水杯。
[0039]进一步的，所述滑台另一侧设有出水模块、感应模块；出水模块用于调节出水口的大小；感应模块用于检测水杯的容量。
[0040]进一步的，所述滑块为L型结构，出水模块包括出水口、第一调节单元、第二调节单元，出水口设置于L型滑块底部的一端位置，第一调节单元设置于出水口下方，第二调节单元设置于第一调节单元下方，出水口的直径大于第一调节单元出水的直径，第一调节单元出水的直径大于第二调节单元出水的直径。
[0041]相应的，还提供一种基于GA
‑
BP神经网络的饮水机投放预测系统，包括：
[0042]获取模块，用于获取与高校饮水机投放相关的数据信息，并对获取的数据信息进行归一化处理，得到处理后的数据信息；
[0043]训练模块，用于构建基于GA
‑
BP的神经网络模型，并将处理后的数据信息输入至GA
‑
BP神经网络模型中进行训练，得到训练好的预测模型；
[0044]输出模块，用于将测试的数据信息输入至训练好的预测模型中，训练模型输出与饮水机相对应的收益结果。
[0045]与现有技术相比，本专利技术首先获取样本范围内每所高校在校生人数、当地年均最高气温、当地年均相对湿度、开水机的实际投放数量以及本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GA
‑
BP神经网络的饮水机投放预测方法，其特征在于，包括：S1.获取与高校饮水机投放相关的数据信息，并对获取的数据信息进行归一化处理，得到处理后的数据信息；S2.构建基于GA
‑
BP的神经网络模型，并将处理后的数据信息输入至GA
‑
BP神经网络模型中进行训练，得到训练好的预测模型；S3.将测试的数据信息输入至训练好的预测模型中，训练模型输出与饮水机相对应的收益结果。2.根据权利要求1所述的一种基于GA
‑
BP神经网络的饮水机投放预测方法，其特征在于，所述步骤S1中与高校饮水机投放相关的数据信息包括在校人数、饮水机数量、所处地区的年均最高温度与相对湿度。3.根据权利要求1所述的一种基于GA
‑
BP神经网络的饮水机投放预测方法，其特征在于，所述步骤S1中对获取的数据信息进行归一化处理是基于mapminmax函数进行处理的，其中mapminmax函数表示为：其中，y表示归一化后数据信息，y
max
、y
min
分别表示归一化后的数据中的最大值、最小值；x表示原始数据集，x
max
、x
min
分别表示原始数据集中的最大值、最小值。4.根据权利要求3所述的一种基于GA
‑
BP神经网络的饮水机投放预测方法，其特征在于，所述步骤S2具体包括：S21.确定BP神经网络的结构；其中神经网络的隐含层节点数，表示为：其中，l、m、n分别表示输入层、隐含层、输出层节点数；a表示调节常数；S22.随机产生一个种群，并初始化种群中每个个体；其中每个个体包含BP神经网络中所有连接的权值和阈值，且每个个体的长度表示为：L＝lm+mn+m+n其中，L表示单个个体的长度；S23.将初始化的每个个体相对应的网络权值和阈值输入BP神经网络中，并将预测值与实际值之间的误差绝对值之和作为个体的适应度，得到适应度函数，表示为：其中，F表示个体的适应度值；N表示预测的数量；y
i
表示预测值；o
i
表示实际值；S24.采用轮盘赌法选择适应度较优的个体；其中个体选择的概率，表示为：其中，P
i
表示第i个个体被选择的概率，F
i
、F
j
分别表示第i个、第j个个体的适应度值，m表示种群数量；
S25.对种群中的个体进行交叉变异处理，得到处理后的个体；S26.判断是否达到设定的最大迭代次数，若否，则重复执行步骤S24
‑
S25；若是，则停止运动，得到得较优的权值和阈值；S27....

【专利技术属性】
技术研发人员：张震宇，徐孟飞，丰海港，施天策，张浩波，郑玉珍，何致远，宣皓滢，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：