买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：湖州学院

摘要：本发明公开了一种基于决策树和BP神经网络的商品畅滞销分析方法，通过获取商品销售数据快速预测出商品的畅滞销状态及未来走势并对在售商品的重要特征进行筛选实时计算各个特征的贡献率，可以有效地提高商家的决策效率，降低库存风险，适用于各类商品的畅滞销状态分析。

主权项：1.一种基于决策树与BP神经网络的商品畅滞销分析方法，其特征在于，包括以下步骤：步骤1，商品集合；商品集合就是指商品买卖所产生的交易信息。其中所述的交易信息包括商品本身数据：商品名称、商品零售价、商品毛利、上市日期、供应商、铺货门店；以及交易数据：商品累计销售量、商品月零售数量、商品动销率、商品库存周转率、商品累计销售金额、商品库存量。步骤2，数据采集；将所有的数据源导入数据库统一成结构化数据表，其中所述结构化数据表是一种二维数据表具体信息包括商品名称、商品零售价、商品销售额、商品月零售数量、商品动销率、商品铺货门店数量、商品库存库存周转率。步骤3，特征工程；首先将采集到的商品信息按照预设类型划分成两个特征矩阵，其中一个为字符串类型的特征矩阵Tstr，另一个为数值类型的特征矩阵Tnum。商品信息可由如下的一维矩阵表示：S＝V1V2V3...Vn-1Vtarget其中S表示商品信息集合，Vi表示字段名称，Vtarget表示预测标签，其中所述的预测标签就是商品实际的畅滞销状态。Tstr特征矩阵可由如下的二维矩阵表示： 其中Tstr表示字符串类型的特征矩阵集合，Vi表示字段名称，Ci表示非缺失值数量，Ui表示唯一值个数，Mi表示缺失值占比，Mi＝Ci总行数。Tnum特征矩阵可由如下的二维矩阵表示： 其中Tnum表示数值类型的特征矩阵集合，Vi表示字段名称，Ci表示非缺失值数量，Mi表示缺失值占比，Maxi表示最大值，Mini表示最小值，Meani表示均值，Mediani表示中位数，Corri表示与Vtarget的相关系数，其中相关系数表示与Vtarget的关联强度，取值范围在[-1,1]，大于零表示正相关，小于零表示负相关。其次针对Tstr特征矩阵根据Mi决定是否保留。若Mi30％则将对应的Vi字段删除；若M30％则通过决策树进行预测填充，最后采用二进制编码手段将Tstr进行编码。针对Tnum矩阵，首先根据Corri决定是否保留Vi，若Corri50％则保留，否则进行删除；其次根据Mi对Vi进行二次筛选，若Mi30％则将对应的Vi字段删除；若M30％则根据Vi的分布特性进行填充，如果Vi是正态分布则采用Meani对缺失值进行填充，非正态分布则采用Mediani进行填充；结合Maxi，Mini对异常值进行检测，去除噪声点；最后通过变量转化使数据分布接近于正态分布。步骤4，模型训练与优化；首先模型训练采用决策树算法计算Vi～Vn-1对Vtarget的贡献率，若贡献率＝25％则进行保留；若贡献率25％则进行剔除。其次将保留的Vi数据通过BP神经网络进行拟合，预测结果根据打分公式进行评分：打分公式如下： Ppos表示一组随机样本一个正样本，一个负样本中预测结果为正样本的概率；Pneg表示一组随机样本一个正样本，一个负样本中预测结果为负样本的概率；若PposPneg输出I＝1，Ppos＝Pneg输出I＝0.5，PposPneg输出I＝0；M表示正样本的个数，N表示负样本的个数，Score1的取值范围在0,1越接近1分类的准确度越高。若Score10.8则执行步骤5，否则调整BP神经网络的神经元数目、隐层数以及最大迭代次数重新执行步骤4。步骤5：决策树、BP神经网络预测；基于训练好的模型对测试数据进行预测生成预测集，其中所述的预测集最核心的内容是商品的预测结果。步骤6：预测集准确率预估；基于上述决策树、BP神经网络的预测结果对生成的结果集打分：打分公式： 若Score20.8则生成结果集，其中结果集内容包括商品名称、商品各特征贡献率、商品畅滞销状态、商品未来一个月内的销量走势。若Score2＝0.8，则筛选预测结果与实际结果不一致的信息作为误差反馈给BP神经网络执行步骤7。步骤7：模型迭代优化；模型接收到误差进行会进行反向传播，逐层调整权值和阈值，从而使得预测结果不断逼近期望输出。

全文数据：

权利要求：

百度查询： 湖州学院 一种基于决策树和BP神经网络的商品畅滞销分析方法