本发明专利技术公开了一种基于神经网络的多品种商品价格预测的数据预处理方法，利用改进的RBF神经网络和BP神经网络对网页挖掘的商品价格数据计算其最佳数量级，用计算得出的最佳数量级对商品价格数据进行归一化数据量级的预处理，进而提高了RBF神经网络和BP神经网络的预测准确率，也提高了RBF神经网络和BP神经网络用于不同种类商品价格预测的通用性。
【技术实现步骤摘要】
一种基于神经网络的多品种商品价格预测的数据预处理方
本专利技术属于数据处理领域，特别涉及，可应用于商品价格预测分析与商品销售决策支持系统中的商品价格预测的数据预处理。
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一个重要问题，在商品生产、销售等很多问题中起着关键作用，而预测方法中的数据预处理方法对预测方法的通用性和准确性有着很大的影响。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、电力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二乘回归、神经网络、灰色马尔科夫链、小波理论和GM(1，I)模型等。针对消费类商品价格数据的获取方法，商品价格数据预处理方法和动态价格预测，2010 年至2012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的商品价格的预处理方法和动态预测方法(Quanyin Zhu, Yunyang Yan, Jin Ding and Yu Zhang. The Commodities Price Extracting for Shop Online，2010International Conference on Future Information Technology and Management Engineering，Changzhou，Jiangsu， Chian, Dec. 2010，Vol.2，pp. 317-320 ；Quanyin Zhu, Yunyang Yan, Jin Ding and Jin Qian. The Case Study for Price Extracting of Mobile Phone Sell Online. IEEE 2nd International Conference on Software Engineering and Service Science， Beijing， Chian, July. 2011，pp.281-295 ；Quanyin Zhu, Sunqun Cao, Jin Ding and Zhengyin Hah. Research on the Price Forecast without Complete Data based on Web Mining， 2011Distributed Computing andApplications to BusinessiEngineering 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 Web Mining. The International Conference on Multimedia Information Networking and Security,Shanghai,Chian,Nov. 2011,pp. 524-527 ；Jianping Deng,Fengwen Cao,Quanyin Zhu, and Yu Zhang. The Web Data Extracting and Application for Shop Online Based on Commodities Classified. Communications in Computer and Information Science，Vol. 234(4) :189-197 ；Quanyin Zhu, Suqun Cao, Pei Zhou, Yunyang Yan, Hong Zhou.Integrated Price Forecast based on Dichotomy Backfilling and Disturbance Factor Algorithm. International Review on Computers and Software,2011. Vol.6 (6) :1089-1093 ；Quan-yin Zhu, Pei Zhou, Yun-Yang Yan, Yong-Hua Yin. Exchange Rate Forecasting based on Adaptive Sliding Window and RBF Neural Network.International Review on Computers and Software,2011. Vol. 6 (7) 1290-1296 ；Jiajun Zong, Quanyin Zhu.Price Forecasting for Agricultural Products Based on BP and RBF Neural. ICSESS2012, p. 607-610 ;Hong Zhou, Quanyin Zhu, Pei Zhou. A Hybrid Price Forecasting Based on Linear Backfilling and Sliding Window Algorithm. International Review on Computers andSoftware, 2011. Vol. 6 (6) :1131-1134 ;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)。RBF(Radical Basis Function)神经网络RBF是一种前馈式神经网络，它模拟了人脑中局部调整、相互覆盖接受域的神经网络结构，具有很强的生物背景和逼近任意非线性函数的能力。它是一种三层结构的前馈网络第一层为输入层，有信号源节点组成。第二层为隐含层，隐单元的变换函数式是一种局部分布的非负非线性函数，它对中心点径向对称且衰减。隐含层的单元数由所描述问题的需要确定。第三层为输出层，网络的输出是隐单元输出的线性加权。其中，输入层节点只传递输入信号到隐含层；隐含层的基函数为非线性的，它对输入信号产生一个局部化的响应， 即每一个隐含节点有一个参数矢量称之为中心。该中心用来与网络输入矢量相比较以产生径向对称响应，仅当输入落在一个很小的指定区域中时，隐含节点才做出有意义的非零响应，响应值在O到I之间，输入与基函数中心的距离越近，隐节点响应越大；输出单元是线性的，即输出单元对隐节点输出进行线性加权组合。BP(Back Propagation)神经网络BP是一种按误差逆传播算法训练的多层前馈网络。它能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和本文档来自技高网...
【技术保护点】
一种基于神经网络的多品种商品价格预测的数据预处理方法，其特征在于：利用改进的RBF神经网络和BP神经网络对网页挖掘的商品价格数据计算其最佳数量级，用计算得出的最佳数量级对商品价格数进行归一化数据量级的预处理，进而提高RBF神经网络和BP神经网络的预测准确率，也提高了RBF神经网络和BP神经网络用于不同商品价格预测的通用性，具体包括以下步骤：步骤1、抽取网页中商品的名称、型号、类型与价格数据，建立有h个商品的数据集X＝{X1，A2，...，Ah}，设第i个商品抽取的价格数据为n个，Ai＝{x1，x2，...，xn}，其中i∈[1，h]，x1，x2，...，xn指第Ai个商品抽取的n个价格数据；步骤2、计算i个不同商品的价格量级，得到不同商品的价格量级M＝{b1，b2，...，bh}；步骤3、自定义一个包含数据个数为z的预测样本，共需预测价格个数D；步骤4、选定预测模型；步骤5、当选定的预测模型为RBF神经网络，执行步骤6到步骤12；当选定的预测模型为BP神经网络，执行步骤14到步骤21；步骤6、设定模型训练函数为技术计算语言MATLAB中的newrbe(P，T，SPREAD)函数，该函数用于设计一个严格的径向基网络，其中P为输入矢量，T为目标矢量，SPREAD为径向基函数的分布；模型预测函数为技术计算语言MATLAB中的sim(′MODEL′，PARAMETERS)函数，此函数用于仿真一个神经网络，其中MODEL为训练好的网络模型，PARAMETERS为输入矢量；设定j个不同的径向基函数的分布值Spreads＝{spread1，spread2，...，spreadj}；步骤7、将商品Ai的销售价格数量级归一化为量级bi，得到步骤8、将输入矢量P，目标矢量T带入训练函数newrbe(P，T，SPREAD)，训练j个不同网络netij＝newrbe(P，T，spreadj)，建立预测样本Test＝[t1，t2，...，tz]，步骤9、商品Ai的第n+1天的j个预测值Yij＝sim(netij，Test)，设商品Ai的第n+1天的最佳预测值为yi，ti∈Yij；步骤10、定义耦合权重W＝(w1，w2，w3)，设商品Ai的第n+1天的三个最佳预测径向基函数的分布的值为Bspreadi1∈Spreads，Bspreadi2∈Spreads，Bspreadi3∈Spreads，求得最佳径向基函数的分布的值Bspread=Bspreadi1*w1+Bespreadi2*w2+Bspreadi3*w3w1+w2+w3;步骤11、训练不变网络net＝newrbe(P，T，Bspread)；步骤12、带入最佳预测值yi作为预测样本进行下一次预测，方法为新的预测样本[t1，t2，...，tz]中t1＝上次预测样本[t1，t2，...，tz]中的t2，新的预测样本[t1，t2，...，tz]中t2＝上次预测样本[t1，t2，...，tz]中的t3，…，新的预测样本[t1，t2，...，tz]中tz?1＝上次预测样本[t1，t2，...，tz]中的tz，新的预测样本[t1，t2，...，tz]]中tz＝yi，得到新的预测样本Test＝[t1，t2，...，tz]，商品第n+2天的预测值yi＝sim(net，Test)；步骤13、重复步骤12，得到商品Ai的所有预测值；重复步骤7到步骤12，得到数据集X中所有商品在不同数量级上的预测值，并得到最佳预测数量级O，O∈M；步骤14、设定模型训练函数为技术计算语言MATLAB中的NET＝newff(P，T，NEURON)函数和NET′＝train(NET，P，T)函数，其中newff()函数用于创建一个前馈BP网络，P为输入矢量， T为目标矢量，NEURON为隐层神经元个数，train()函数用于训练一个神经网络，NET为创建好的前馈BP网络；模型预测函数为NET′(Test)，其中Test为预测样本；设定j个不同的隐层神经元个数的值Neurons＝{neuron1，neuron2，...，neuronj}；步骤15、将商品Ai的销售价格数量级归一化为量级bi，得到步骤16、将输入矢量P，目标矢量T带入训练函数NET＝newff(P，T，NEURON)和NET′＝train(NET，P，T)，训练就j个不同网络netij＝newff(P，T，Neurons)，netij＝train(netij，P，T)；建立预测样本Test＝[t1，t2，...，tz]，步骤17、商品Ai的第n+1天的j个预测值Yij＝net...
【技术特征摘要】
【专利技术属性】
技术研发人员：朱全银，尹永华，严云洋，陈婷，曹苏群，
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。