[发明专利]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

摘要

本发明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。

主权项

1.一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，...，A_h}，设第i个商品抽取的价格数据为n个，A_i＝{x₁，x₂，...，x_n}，其中i∈[1，h]，x₁，x₂，...，x_n指第A_i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，...，b_h}；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，...，spread_j}；步骤7、将商品A_i的销售价格数量级归一化为量级b_i，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net_ij＝newrbe(P，T，spread_j)，建立预测样本Test＝[t₁，t₂，...，t_z]，步骤9、商品A_i的第n+1天的j个预测值Y_ij＝sim(net_ij，Test)，设商品A_i的第n+1天的最佳预测值为y_i，t_i∈Y_ij；步骤10、定义耦合权重W＝(w₁，w₂，w₃)，设商品A_i的第n+1天的三个最佳预测径向基函数的分布的值为Bspread_i1∈Spreads，Bspread_i2∈Spreads，Bspread_i3∈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y_i作为预测样本进行下一次预测，方法为新的预测样本[t₁，t₂，...，t_z]中t₁＝上次预测样本[t₁，t₂，...，t_z]中的t₂，新的预测样本[t₁，t₂，...，t_z]中t₂＝上次预测样本[t₁，t₂，...，t_z]中的t₃，…，新的预测样本[t₁，t₂，...，t_z]中t_z-1＝上次预测样本[t₁，t₂，...，t_z]中的t_z，新的预测样本[t₁，t₂，...，t_z]]中t_z＝y_i，得到新的预测样本Test＝[t₁，t₂，...，t_z]，商品第n+2天的预测值y_i＝sim(net，Test)；步骤13、重复步骤12，得到商品A_i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，...，neuron_j}；步骤15、将商品A_i的销售价格数量级归一化为量级b_i，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net_ij＝newff(P，T，Neurons)，net_ij＝train(net_ij，P，T)；建立预测样本Test＝[t₁，t₂，...，t_z]，步骤17、商品A_i的第n+1天的j个预测值Y_ij＝net_i(Test)，设商品A_i的第n+1天的最佳预测值为y_i，y_i∈Y_ij；步骤18、定义耦合权重W＝(w₁，w₂，w₃)，设商品A_i的第n+1天的三个最佳预测隐层神经元个数的值为Bneuron_i1∈Neurons，Bneuron_i2∈Neurons，Bneuron_i3∈Neurons，求得最佳隐层神经元个数的值Bneuron=Bneuroni1*w1+Bneuroni2*w2+Bneuroni3*w3w1+w2+w3;]]>步骤19、训练不变网络net＝newff(P，T，Bneuron)，net＝train(net，P，T)；步骤20、带入最佳预测值y_i作为预测样本进行下一次预测，方法为新的预测样本[t₁，t₂，...，t_z]中t₁＝上次预测样本[t₁，t₂，...，t_z]中的t₂，新的预测样本[t₁，t₂，...，t_z]中t₂＝上次预测样本[t₁，t₂，...，t_z]中的t₃，…，新的预测样本[t₁，t₂，...，t_z]中t_z-1＝上次预测样本[t₁，t₂，...，t_z]中的t_z，新的预测样本[t₁，t₂，...，t_z]中t_z＝y_i，得到新的预测样本Test＝[t₁，t₂，...，t_z]，商品第n+2天的预测值y_i＝net(Test)；步骤21、重复步骤20，得到商品A_i的所有预测值；重复步骤15到步骤20，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。