[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

说明书

本发明公开了一种工业供应链中基于深度学习的成交定价推荐方法，包括：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；BP神经网络模型的构造及训练；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；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。与现有技术相比，本发明明确了该成交定价推荐的模式后，在对业务数据进行清洗和处理的基础上，采用五层深度学习模型进行训练，用训练好的模型进行预测，并对预测的结果分析处理，最终实现对工业供应链中成交定价的推荐功能。

技术领域

本发明涉及深度学习领域，特别是一种工业供应链中基于深度学习的成交定价推荐方法。

背景技术

工业供应链主要包括原材料供应，产品生产，产品销售，售后服务四大部分，其中产品销售在工业供应链体系中担任着承上启下的重要作用，定价方法则为产品销售这一环节中最重要的组成部分，因而定价方法的选择在某种程度上直接决定了整个工业供应链的存活。现有的定价方法主要有成本导向定价法、需求导向定价法和价值导向定价法三种。

成本导向法是以产品单位成本为基本依据，制定对企业最有利的价格的一种定价方法。该定价方法简便易行，能够确保企业全部成本得到补偿，并获得正常利润，但该方法忽视了市场需求与竞争，可能导致所制定价格不为市场所接受，使公司失去竞争力，不利于公司实现利润最大化。

价值导向定价法是以消费者需求作为定价依据的一种定价方法。该定价方法有很大的缺点是能为消费者接受的价格不一定能为公司所接受，且竞争者加入可能使价格失去竞争力。

竞争导向定价法是依据竞争者的价格来定价。这种定价方法有利于从几个方面保持企业的竞争力，但该方法过分关注在价格上的竞争，容易忽略其他营销组合可能造成产品差异化的竞争优势，也容易引起竞争者报复，导致恶性的降价竞争，使企业毫无利润可言。

在传统的工业供应链中，企业生产出来的产品提供给顾客时，链接两者的价格主要通过企业相关操作人员依据历史经验和理论知识进行价格预定，并结合产品生产成本、客户购买数量和市场经济状况等因素得到产品定价，然而由于同类产品竞争者增多、市场经济波动等不可控因素，这样耗时耗力得到的价格不一定会使客户满意，客户的购买欲望会随之大大降低，最终导致交易失败。此时企业就需要与客户协商价格，但由于信息不对称性等原因，企业与客户间的交流难度往往很大，这样就对产品的售出造成了很大阻碍。所以，需要提出一种可操作性强、耗时较短的定量成交定价推荐方法运用到工业供应链定价体系中。

发明内容

本发明的目的是要解决工业供应链交易中现有的成交价定价方法的精度低、耗时长、操作难等问题，提供一种工业供应链中基于深度学习的成交定价推荐方法。

为达到上述目的，本发明是按照以下技术方案实施的：

一种工业供应链中基于深度学习的成交定价推荐方法，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；