【技术实现步骤摘要】
本专利技术属于交易价值预测，具体为基于机器学习的二手设备价格预测方法。
技术介绍
1、基于机器学习的二手设备价格预测方法是基于机器学习技术和数据分析技术，通过采集和分析大量的二手设备的相关数据同时建立模型来对二手设备的价格进行预测，为用户提供有效的参考和决策支持。但是传统二手设备价格预测模型存在准确性差、泛化能力弱、收敛速度慢的问题；传统搜索算法存在搜索能力弱、容易陷入局部最优解、搜索效率低和稳定性差的问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了基于机器学习的二手设备价格预测方法，针对传统二手设备价格预测模型存在准确性差、泛化能力弱、收敛速度慢的问题，本方案通过设计激活函数、设计神经网络、设计dropout层、设计损失函数、计算矩估计、设计矩估计偏移修正、设计参数更新策略、优化神经网络，提高了模型的准确性、改善了模型的泛化能力、加快了收敛速度；针对传统搜索算法存在搜索能力弱、容易陷入局部最优解、搜索效率低和稳定性差的问题，通过设置参数搜索空间、设计初始搜索点生成策略、设计运动权重、设计随机生长搜索函数、设计复位策略，提高了搜索能力，避免了陷入局部最优解，改善了搜索效率和稳定性。
2、本专利技术采取的技术方案如下：本专利技术提供的基于机器学习的二手设备价格预测方法，该方法包括以下步骤：
3、步骤s1：数据采集；
4、步骤s2：数据预处理；
5、步骤s3：建立价格预测模型；
6、步骤s4：搜索
7、步骤s5：具体运行。
8、进一步地，在步骤s1中，所述数据采集是采集设备基本信息、设备配置信息、设备生产和购买日期、外观状况、设备性能信息、原始购买价格、设备可扩展性、市场趋势和价格数据；所述设备基本信息包括设备的品牌、型号、颜色、尺寸；所述设备配置信息包括设备的处理器型号、内存大小、存储容量、显卡型号；所述外观状况包括设备的磨损程度、划痕情况；所述设备性能信息包括设备的运行状态、电池健康度。
9、进一步地，在步骤s2中，所述数据预处理模块通过设计数据增强方法、构建运行长度矩阵、设计数据特征提取方法、特征组合和数据转换对采集的数据进行预处理，具体包括以下步骤：
10、步骤s21：数据清洗：去除重复数据、异常值和不合理的数据，保证数据的质量和准确性；
11、步骤s22：特征选择：进行特征相关性分析、特征重要性评估，选择出特征重要性高的特征；
12、步骤s23：集中类型特征编码，对数据集中的类型特征进行编码，将类别型特征转换为数值型特征；
13、步骤s24：设置特征和标签，设置设备基本信息、备配置信息、设备生产和购买日期、外观状况、设备性能信息、原始购买价格、设备可扩展性、市场趋势数据为特征数据；设置价格数据为标签数据。
14、进一步地，在步骤s3中，所述建立价格预测模型具体包括以下步骤：
15、步骤s31：设计激活函数，表示如下：
16、；
17、其中，x代表输入的信号，f(x)表示激活函数，c表示响应斜率，a为区间控制参数，引入控制参数和激活因子，在不同区间上提供平滑和线性的响应，对输入信号的非线性映射；
18、步骤s32：设计神经网络，表示如下：
19、；
20、其中，共6层隐藏层，yb为隐藏层输出，xi表示第i个输入层神经元的输入，wi1、wi2、wi3、wi4、wi5、wi6表示输入层和第一个隐藏层、第1个隐藏层和第2个隐藏层、第2个隐藏层和第3个隐藏层、第3个隐藏层和第4个隐藏层、第4个隐藏层和第5个隐藏层之间的连接权重、第5个隐藏层和第6个隐藏层，bi1、bi2、bi3、bi4、bi5、bi6分别表示第1、2、3、4、5、6个隐藏层的偏置；
21、步骤s33：设计dropout层，在隐藏层之后应用一个dropout层，选择以20%的概率随机舍弃神经元的输出值，避免过拟合，表示如下：
22、；
23、其中，dropout(·)表示dropout层，yout表示模型输出，relu(·)表示relu激活函数；
24、步骤s34：设计损失函数，表示如下：
25、；
26、式中，loss是损失函数，是神经网络预测值，y是实际值，λ表示正则化系数，γ表示阈值参数；
27、步骤s35：计算矩估计，公式如下：
28、；
29、；
30、其中，n表示迭代次数，g(n)表示迭代次数为n时损失函数的梯度值，表示梯度范数的平方，mn表示迭代次数为n时梯度的一阶矩估计，mn-1表示迭代次数为n-1时梯度的一阶矩估计，vn表示迭代次数为n时梯度的二阶矩估计，vn-1表示迭代次数为n-1时的梯度的二阶矩估计，p1和p2表示衰减系数；
31、步骤s36：设计矩估计偏移修正，公式如下：
32、；
33、；
34、其中，和分别表示一阶矩估计和二阶矩估计的矩阵偏移修正，表示一阶矩估计的偏移修正系数，表示二阶矩估计的偏移修正系数；
35、步骤s37：设计参数更新策略，公式如下：
36、；
37、其中，θn表示迭代次数为n时的神经网络参数，θn-1表示迭代次数为n-1时的神经网络参数，表示迭代次数为n-1时的学习率，ε表示除零平滑项；
38、步骤s38：优化神经网络，通过参数更新策略优化神经网络的权重和偏执。
39、进一步地，在步骤s4中，所述搜索模型最优参数具体包括以下步骤：
40、步骤s41：设置参数搜索空间，将神经网络的误差作为参数个体适应度值；
41、步骤s42：设计初始搜索点生成策略，公式如下：
42、；
43、式中，xj是第j个初始搜索点的位置，dl表示搜索下限，ul表示搜索上限，j表示搜索点的索引，j表示生成的初始搜索点个数；
44、步骤s43：设计运动权重，公式如下：
45、；
46、其中，αd表示运动权重，rand(0,1)表示0到1之间的随机数，δ和β表示-1到1之间的随机整数；
47、步骤s44：设计随机生长搜索函数，公式如下：
48、；
49、；
50、；
51、；
52、其中，、、、分别表示第t次搜索时，通过随机生长搜索函数搜索到的第1、2、3、4个位置，、、、分别表示第t+1次搜索时，通过随机生长搜索函数搜索到的第1、2、3、4个位置，xbest表示当前适应度值最小的位置，xmj表示生成的j个初始点的平均位置；
53、步骤s45：设计复位策略，如下：
54、；
55、其中，表示第t+1次搜索时，通过随机生长搜索函数搜索到的第z(z=1，2，3，4)个位置；本文档来自技高网...
【技术保护点】
1.基于机器学习的二手设备价格预测方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于机器学习的二手设备价格预测方法，其特征在于：在步骤S3中，所述建立价格预测模型具体包括以下步骤：
3.根据权利要求1所述的基于机器学习的二手设备价格预测方法，其特征在于：在步骤S4中，所述搜索模型最优参数具体包括以下步骤：
4.根据权利要求1所述的基于机器学习的二手设备价格预测方法，其特征在于：在步骤S2中，所述数据预处理模块通过设计数据增强方法、构建运行长度矩阵、设计数据特征提取方法、特征组合和数据转换对采集的数据进行预处理，具体包括以下步骤：
5.根据权利要求1所述的基于机器学习的二手设备价格预测方法，其特征在于：在步骤S1中，所述数据采集是采集设备基本信息、设备配置信息、设备生产和购买日期、外观状况、设备性能信息、原始购买价格、设备可扩展性、市场趋势和价格数据；所述设备基本信息包括设备的品牌、型号、颜色、尺寸；所述设备配置信息包括设备的处理器型号、内存大小、存储容量、显卡型号；所述外观状况包括设备的磨损程度、划痕情况；所述设备
6.根据权利要求1所述的基于机器学习的二手设备价格预测方法，其特征在于：在步骤S5中，所述具体运行是根据用户输入的需要预测的二手设备特征信息，模型得出二手设备的价格预测值，为用户提供有效的参考和决策支持，更好地了解市场行情和二手设备价格走势，并将数据返回至模型中，不断更新模型，以适应市场的变化和新数据的加入，确保在用户需求和市场变化的双重影响下，做出明智的二手设备交易决策。
...【技术特征摘要】
1.基于机器学习的二手设备价格预测方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于机器学习的二手设备价格预测方法，其特征在于：在步骤s3中，所述建立价格预测模型具体包括以下步骤：
3.根据权利要求1所述的基于机器学习的二手设备价格预测方法，其特征在于：在步骤s4中，所述搜索模型最优参数具体包括以下步骤：
4.根据权利要求1所述的基于机器学习的二手设备价格预测方法，其特征在于：在步骤s2中，所述数据预处理模块通过设计数据增强方法、构建运行长度矩阵、设计数据特征提取方法、特征组合和数据转换对采集的数据进行预处理，具体包括以下步骤：
5.根据权利要求1所述的基于机器学习的二手设备价格预测方法，其特征在于：在步骤s1中，所述数据采集是采集设备基...
【专利技术属性】
技术研发人员：宇文立朋，李铁亮，宿馨元，刘雪枫，
申请(专利权)人：河北玖库网络科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。