本发明专利技术公开了一种基于线性插补与自适应滑动窗口的商品价格预测方法，将线性插补数据方法与自适应滑动窗口结合的新型商品价格预测方法，并将该商品价格预测方法应用于手机与黄金价格的预测，解决了现有销售商只有历史销售价格数据没有基于多个销售商的预测价格问题，同时还提高了网页商品价格数据抽取的抗噪性能，获得了更高的预测准确率，具有很高的实用价值。
【技术实现步骤摘要】
本专利技术属于商品市场预测
，特别涉及ー种商品价格的预测方法，可应用于商品市场预测分析与商品销售决策支持系统。
技术介绍
商品价格的预测方法是市场预测分析与商品生产销售决策的基础，是市场预测领域中的ー个重要问题，在商品生产、销售等很多问题中起着关键作用。由于网络技术的发展与网络商店的普及，因此近年来，人们越来越重视对商品价格的预测方法的研究。商品价格的预测问题可以看作是基于 时间序列的数据处理与数据分析问题，分为数据获取、数据处理与预测模型三个方面。股票市场、期货市场、电カ市场等公开价格数据获取较为容易，用于价格预测的模型主要有最小ニ乘回归、神经网络、灰色马尔科夫链、小波理论和GM(Ll)模型等。针对消费类商品价格数据的获取方法与动态价格预测，2010年和2011年，朱全银等给出了商品销售数据抽取与数据挖掘的方法以及基于Web的非修补数据情况下商品价格的动态预测方法(Quanyin Zhu, Yunyang Yan, Jin Ding and Yu Zhang. TheCommodities Price Extracting for Shop Online，2010 International Conference onFuture Information Technology and Management Engineering， Changzhou, Jiangsu，Chian, Dec. 2010，Vol. 2，pp. 317-320 ；Quanyin Zhu, Yunyang Yan, Jin Ding and JinQian. The Case Study for Price Extracting of Mobile Phone Sell Online. IEEE 2ndInternational Conference on Software Engineering and Service Science， Beijing，Chian, July. 2011，pp. 281—295 ；Quanyin Zhu, Sunqun Cao, Jin Ding and Zhengyin Han.Research on the Price Forecast without Complete Data based on Web Mining，201IDistributed Computing and Applications to Business， Engineering and Science，Wuxi, Jiangsu，Chian, Oct. 2011，pp. 120-123 ；Quanyin Zhu, Hong Zhou, Yunyang Yan,Jin Qian and Pei Zhou. Commodities Price Dynamic Trend Analysis Based on WebMining. The International Conference on Multimedia Information Networking andSecurity,Shanghai,Chian,Nov. 2011,pp. 524-527 ；Jianping Deng,Fengwen Cao,QuanyinZhu,and Yu Zhang. The Web Data Extracting and Application for Shop Online Basedon Commodities Classified. Communications in Computer and Information Science，Vol. 234(4) :189-197 ;王红艳，朱全银，严云洋，钱进.商品价格数据的两种WEB挖掘算法比较·微电子学与计算机.2011. Vol. 28(19) :168-172)。滑动窗ロ算法的基本思路如下定义设周期在时间观测周期t内的时间序列为x1;x2, ---,Xt,…，fu为t+Ι即下ー时刻的预测值；fta =最新预测均值=xt, xt_1； ···, xt_N+1的平均值，N为给定的參数,即预测窗ロ，又称步长；N决定着预测精度，一般有实验数据根据经验获得。定义xt为t时刻的实际值，足为t时刻的预测值，预测误差权利要求1.，其特征在于通过线性插补网页挖掘的缺陷数据，进而利用自适应滑动窗口算法实现商品价格的预测，具体包括以下步骤 步骤A、抽取网页中商品的名称、型号、类型与价格数据，建立数据集X= {A1； A2,…，AJ，设定需要预测价格的商品为Ai = {x1; x2, ···, xn}, X1, x2, ···, Xn指第Ai个商品从抽取的第I日至第η日的价格数据；查找Ai中异常数据，得到异常数据集h = Ib1, b2，…bm}，分别统计h中属于时间上连续的异常数据段，设共有s个日期连续的异常数据段，每段日期上连续异常的数据个数为P ; 步骤B、当s的值为零时，直接执行步骤F，当s的值不为零时重复执行步骤C到步骤E ； 步骤C、设第s个日期连续的异常数据段中的数据在A中的位置为{Xi，XiU-IvpJ ； 步骤 0、求2.根据权利要求I所述的，其特征在于步骤A中所述抽取网页中商品的名称、型号、类型与价格数据是指，利用任意Web数据抽取算法，抽取商品在网页上显示的名称、型号、类型与价格数据；其中Xl，x2，…，\可以是第Ai个商品从一个网页中抽取的第I日至第η日的价格数据，也可以是从多个网页中抽取的第I日至第η日的平均价格数据；步骤A中异常数据集B」的数据个数不大于Ai的总数据量的百分之十。3.根据权利要求I所述的，其特征在于步骤B到步骤E是针对任意一个商品在一个网页中不同日期的价格数据的插补。4.根据权利要求I所述的，其特征在于步骤G到步骤J是针对任意一个商品在一个网页中不同日期的价格数据的预测值，或多个网页中不同日期的平均值价格数据的预测值。5.根据权利要求I所述的，其特征在于步骤G中观测窗ロ宽度L的取值一般为三个月，设为13周，91天。6.根据权利要求I所述的ー种基于线性插补与自适应滑动窗ロ的商品价格预测方法，其特征在于步骤H中预先设定的不同的r值一般为3天,5天,7天，10天,15天和30天。全文摘要本专利技术公开了，将线性插补数据方法与自适应滑动窗口结合的新型商品价格预测方法，并将该商品价格预测方法应用于手机与黄金价格的预测，解决了现有销售商只有历史销售价格数据没有基于多个销售商的预测价格问题，同时还提高了网页商品价格数据抽取的抗噪性能，获得了更高的预测准确率，具有很高的实用价值。文档编号G06Q30/02GK102855584SQ20111042301公开日2013年1月2日 申请日期2011年12月16日 优先权日2011年12月16日专利技术者朱全银, 胡蓉静, 曹苏群, 周培, 周泓, 金鹰, 孔庆霞, 刘丽娟, 尹永华, 陈婷 申请人:淮阴工学院本文档来自技高网...
【技术保护点】
一种基于线性插补与自适应滑动窗口的商品价格预测方法，其特征在于：通过线性插补网页挖掘的缺陷数据，进而利用自适应滑动窗口算法实现商品价格的预测，具体包括以下步骤：步骤A、抽取网页中商品的名称、型号、类型与价格数据，建立数据集X＝{A1，A2，…，Ak}，设定需要预测价格的商品为Ai＝{x1，x2，…，xn}，x1，x2，…，xn指第Ai个商品从抽取的第1日至第n日的价格数据；查找Ai中异常数据，得到异常数据集Bj＝{b1，b2，…bm}，分别统计Bj中属于时间上连续的异常数据段，设共有s个日期连续的异常数据段，每段日期上连续异常的数据个数为p；步骤B、当s的值为零时，直接执行步骤F，当s的值不为零时重复执行步骤C到步骤E；步骤C、设第s个日期连续的异常数据段中的数据在A中的位置为：{xi，xi+1，…bi+p？1}；步骤D、求Δp=xi+m-xi-1p和xi+k=Σk=0p-1(xi-1+(k+1)Δp);步骤E、s＝s？1，返回步骤B；步骤F、针对不同的商品Ai经过步骤B到步骤E后可以得到插补后的数据集X^={A^1,A^2,...A^k},设A^i={x^1,x^2,...x^n};步骤G、设定商品价格观测窗口宽度为L，定义fL，1为观测窗口后一天的预测值；定义用于预测的滑动窗口宽度为NL，r；步骤H、选取预先设定的不同的r值，求x~r,n+1=x^n+x^n-1+x^n-2+...+x^n-(NL,r-1)NL,r;步骤I、计算不同r值的均方误差，MSEL,r=1L-NL,rΣt-NL,r+1t(x^i-x~r,n+1)2,找到MSEt，r最小时的r值和步骤J、第n+1天的预测值x~n+1=x~r,n+1|(MSEL,r)min;步骤K、重复步骤B到步骤J，可以得到数据集X中所有商品的预测值。FSA00000637689100017.tif...
【技术特征摘要】
【专利技术属性】
技术研发人员：朱全银，胡蓉静，曹苏群，周培，周泓，金鹰，孔庆霞，刘丽娟，尹永华，陈婷，
申请(专利权)人：淮阴工学院，
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。