基于灰色关联度与BP神经网络的通信物资需求预测方法技术

本发明专利技术特别涉及一种基于灰色关联度与BP神经网络的通信物资需求预测方法。该基于灰色关联度与BP神经网络的通信物资需求预测方法，先基于灰色关联分析获取影响通信物资需求的主要因子，再使用BP神经网络对影响因子和通信物资需求的关系进行预测。该基于灰色关联度与BP神经网络的通信物资需求预测方法，通过建立重要通信物资的需求预测模型，实现了需求的智慧化预测，为需求部门制定需求计划提供数据支撑、为采购部门提前制定采购计划提供数据支撑，进一步提升相关物资的管理水平。进一步提升相关物资的管理水平。进一步提升相关物资的管理水平。

【技术实现步骤摘要】
基于灰色关联度与BP神经网络的通信物资需求预测方法


[0001]本专利技术涉及IT应用
，特别涉及一种基于灰色关联度与BP神经网络的通信物资需求预测方法。

技术介绍

[0002]目前通信物资需求的预测模型主要包括时间序列模型、灰色模型以及神经网络模型等。
[0003]选用时间序列模型则比较适合用于线性关系较强的线性关系预测，如若影响因子与通信物资需求之间没有较强的线性关系，则预测的结果不好。
[0004]选用灰色关联模型比较适合用于递减或递增的光滑数据预测。
[0005]选用神经网络模型则比较适合将影响通信物资需求的各种因子加以考虑，建立起较好的通信物资需求与各影响因子的非线性关系。
[0006]特别是基于BP神经网络具有自我学习能力强﹑容错能力大等特点，可以很好的进行需求预测。
[0007]基于上述情况，本专利技术提出了一种基于灰色关联度与BP神经网络的通信物资需求预测方法。

技术实现思路

[0008]本专利技术为了弥补现有技术的缺陷，提供了一种简单高效的基于灰色关联度与BP神经网络的通信物资需求预测方法。
[0009]本专利技术是通过如下技术方案实现的：
[0010]一种基于灰色关联度与BP神经网络的通信物资需求预测方法，其特征在于：包括以下步骤：
[0011]步骤S1、基于灰色关联分析获取影响通信物资需求的主要因子
[0012]使用灰色关联分析方法对影响通信物资需求的所有因子进行分析，得到各因子与需求之间的关联系数γ以及各因子与需求之间的关联程度；通过自定义设定阀值t获取影响需求的主要因子；
[0013]将关联程度大于等于阈值t的因子进行保留，归类为主要因子；将小于阈值t的影响因子剔除，归类为次要因子；
[0014]步骤S2、使用BP神经网络对影响因子和通信物资需求的关系进行预测
[0015]根据灰色关联分析的结果进行数据预处理，将初始物资需求数据影响因子中的次要因子数据剔除；
[0016]进行BP神经网络的学习，将归类为主要因子的数据作为BP神经网络的输入数据，通信物资需求数据作为期望进行输出，通过误差反向传播的方法优化神经网络各层之间的权重，使神经网络的输出与实际结果之间的误差达到最小；
[0017]以待确定通信物资的主要因子数据作为输入，使用学习之后的BP神经网络进行预
测，对通信物资的需求进行预测，并对结果数据进行验证。
[0018]所述步骤S1中，计算各因子与需求之间的关联系数γ，计算公式如下：
[0019][0020]其中，φ为分辨系数，且0≤φ≤1，用来调整大小；
[0021]Δ
i
(k)为差值序列，
△
i
(k)＝|x
’0(k)
‑
x
’
i
(k)|；
[0022]m为差值序列的最小值，m＝min min
△
i
(k)，即同时取i与k的最小值；
[0023]M为差值序列的最大值，M＝max max
△
i
(k)，同时取i与k的最大值。
[0024]所述步骤S1中，全部的灰色关联度γ
0i
构成总的关联度R＝(γ
01
，γ
02
……
γ
0m
)，灰色关联度越大，说明比较序列与参考序列越接近；采用对所得到的关联系数各因子与需求之间的关联程度，计算公式如下：
[0025][0026]所述步骤S2中，输入学习样本，使用反向传播算法对网络的权值w
ij
和总误差E进行反复调整训练，当输出层的误差平方和小于指定的误差时训练完成，保存权值w
ij
和总误差E。
[0027]所述步骤S2中，BP神经网络学习步骤如下：
[0028]步骤S2.1、初始化网络权值、阈值及有关参数，有关参数包括但不限于学习因子μ；
[0029]步骤S2.2、计算总误差E，计算公式如下
[0030][0031]其中，p为样本的个数，E
k
为学习样本的偏差；
[0032][0033]其中，为输出层结点j对第k个样本的输入对应的输出(称为期望输出)，为结点j的实际输出；如果总误差E小于自定义阈值，则学习成功，算法结束。
[0034]所述步骤S2中，对样本集中各个样本依次重复以下过程，然后转步骤S2.2，计算总误差E；
[0035]首先，取一样本数据输入网络，然后按如下公式向前计算各层节点(记为j)的输出
[0036][0037]其中，a
j
是节点j的输入加权和；节点i为节点在信号源方向的相邻层节点，O
j
为节点i的输出，同时也是节点j的输入；O0＝
‑
1，w
0j
＝0(阈值)；
[0038]其次，从输出层节点到输入层节点以反向顺序对各连接权值w
ij
进行修正，修正公式如下：
[0039]W
ij
(t+1)＝W(t)+ηξ
j O
i
[0040]其中，
[0041][0042]l为与节点j在输出侧有连接的节点个数；采用梯度下降法，在权值空间沿负梯度方向调整权值W
ij
，使学习样本的偏差E
k
达到最小。
[0043]一种基于灰色关联度与BP神经网络的通信物资需求预测设备，其特征在于：包括存储器和处理器；所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序时实现上述的方法步骤。
[0044]一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法步骤。
[0045]本专利技术的有益效果是：该基于灰色关联度与BP神经网络的通信物资需求预测方法，通过建立重要通信物资的需求预测模型，实现了需求的智慧化预测，为需求部门制定需求计划提供数据支撑、为采购部门提前制定采购计划提供数据支撑，进一步提升相关物资的管理水平。
附图说明
[0046]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0047]附图1为本专利技术基于灰色关联度分析步骤示意图。
具体实施方式
[0048]为了使本
的人员更好的理解本专利技术中的技术方案，下面将结合本专利技术实施例，对本专利技术实施例中的技术方案进行清楚，完整的描述。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于灰色关联度与BP神经网络的通信物资需求预测方法，其特征在于：包括以下步骤：步骤S1、基于灰色关联分析获取影响通信物资需求的主要因子使用灰色关联分析方法对影响通信物资需求的所有因子进行分析，得到各因子与需求之间的关联系数γ以及各因子与需求之间的关联程度；通过自定义设定阀值t获取影响需求的主要因子；将关联程度大于等于阈值t的因子进行保留，归类为主要因子；将小于阈值t的影响因子剔除，归类为次要因子；步骤S2、使用BP神经网络对影响因子和通信物资需求的关系进行预测根据灰色关联分析的结果进行数据预处理，将初始物资需求数据影响因子中的次要因子数据剔除；进行BP神经网络的学习，将归类为主要因子的数据作为BP神经网络的输入数据，通信物资需求数据作为期望进行输出，通过误差反向传播的方法优化神经网络各层之间的权重，使神经网络的输出与实际结果之间的误差达到最小；以待确定通信物资的主要因子数据作为输入，使用学习之后的BP神经网络进行预测，对通信物资的需求进行预测，并对结果数据进行验证。2.根据权利要求1所述的基于灰色关联度与BP神经网络的通信物资需求预测方法，其特征在于：所述步骤S1中，计算各因子与需求之间的关联系数γ，计算公式如下：其中，φ为分辨系数，且0≤φ≤1，用来调整大小；Δ
i
(k)为差值序列，
△
i
(k)＝|x
’0(k)
‑
x
’
i
(k)|；m为差值序列的最小值，m＝min min
△
i
(k)，即同时取i与k的最小值；M为差值序列的最大值，M＝max max
△
i
(k)，同时取i与k的最大值。3.根据权利要求2所述的基于灰色关联度与BP神经网络的通信物资需求预测方法，其特征在于：所述步骤S1中，全部的灰色关联度γ
0i
构成总的关联度R＝(γ
01
，γ
02
……
γ
0m
)，灰色关联度越大，说明比较序列与参考序列越接近；采用对所得到的关联系数各因子与需求之间的关联程度，计算公式如下：4.根据权利要求1所述的基于灰色关联...

【专利技术属性】
技术研发人员：王俊超，
申请(专利权)人：浪潮通信信息系统有限公司，
类型：发明
国别省市：