[发明专利]一种工业供应链中基于深度学习的成交定价推荐方法

权利要求书

1.一种工业供应链中基于深度学习的成交定价推荐方法，其特征在于，包括以下步骤：

步骤一、对多年以来的交易信息进行清洗和预处理，并作为训练数据；

步骤二、BP神经网络模型的构造及训练：

1)构造BP神经网络模型，第一层为输入层，第二层包含512个隐藏层，第三层为216个隐藏层，第四层为128个隐藏层，第五层包含一个隐藏层，为输出层，前四层采用了relu激活函数，最后一层采用了sigmoid激活函数，前四层均采用dropout正则化技术，输入训练数据对BP神经网络进行训练，在训练过程中随机地忽略一些神经元；

2)采用遗传算法优化BP神经网络的初始权值和阈值，使优化后的网络更好的预测；

步骤三、对得到的模型进行检测：使用预测数据与真实数据进行比较，查看此模型的正确率；

步骤四、成交价格推荐：深度学习模型确定之后，根据定价在一个价格区间之内按照步长对每一个价格进行预测，将所有预测成功的价格推荐给用户，实现成交定价推荐功能。

2.根据权利要求1所述的工业供应链中基于深度学习的成交定价推荐方法，其特征在于：所述步骤一包括：

1)数据清洗阶段：消除交易信息中的错误、冗余和数据噪音，并将交易信息按不同的、不兼容的规则所得的各种数据集一致起来；

2)数据集成阶段：将多个数据集中的数据合并，并存放到一个一致的数据存储中；

3)数据变换阶段：首先采用PCA对高维数据进行降维，保留效果最好的一个或最好的前几个相互正交的投影方向，使得样本值投影以后方差最大；对交易信息中本身数字在深度网络模型训练中具有明确意义的数据进行了数据归一化处理，即将属于该属性的所有样本取值限定在[0,1]范围内，成交结果数据分别用1和0表示，其中1表交易成功，0表交易不成功。

3.根据权利要求1所述的工业供应链中基于深度学习的成交定价推荐方法，其特征在于：所述步骤二中采用遗传算法优化BP神经网络的具体步骤为：

2.1)种群初始化：个体编码方法为实数编码，每个个体均为一个实数串，由输入层和隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值4个部分组成，个体包含了神经网络全部的权值和阈值，在网路结构一致的情况下，就构成一个结构、权值、阈值确定的神经网络；

2.2)适应度函数：根据个体得到BP神经网络的初始权值和阈值，用训练数据训练BP神经网络后预测系统输出，把预测输出个体期望的输出之间的误差绝对值和E作为个体适应度值F，计算公式为：

式中，n为网络输出节点数；y_i为BP神经网络第i个节点的期望输出o_i为第i个节点的实际输出；k为系数；

2.3)选择操作：选择轮盘赌法，基于适应度比例的选择策略，每个个体i的选择概率p_i为：

式中，F_i为个体i的适应度值，由于适应度值越小越好，所以在个体选择前对适应度求倒数；k为系数；N为种群个体数目；

2.4)交叉操作：由于个体采用实数编码，所以交叉操作方法采用实数交叉法，第k个染色体a_k和第l个染色体a_l在j维的交叉操作方法如下：

a_kj＝a_kj(1-b)+a_ljb

a_lj＝a_lj(1-b)+a_kjb

式中，b是[0,1]之间的随机数；

2.5)变异操作：选取第i个个体的第j个基因a_ij进行变异变异操作方法如下：

式中，a_max为基因a_ij的上界；a_min为基因的下界；r₂是一个随机数；g为当前迭代次数；Gmax是最大的进化次数；r为[0,1]间的随机数。

4.根据权利要求2所述的工业供应链中基于深度学习的成交定价推荐方法，其特征在于：数据集成阶段将多个数据集中的数据合并后存放在csv文件中。