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：长春理工大学

摘要：本发明涉及一种基于全连接神经网络的商品销量预测方法及预测模型，预测模型包括：多尺度特征提取模块，Stack模块以及预测结果融合模块，预测方法包括：步骤S1根据商品的历史销售数据，构建训练数据集，步骤S2数据集输入多尺度特征提取模块，得到不同尺度的序列，步骤S3：不同尺度的序列数据进行预测，输出预测结果，步骤S4：不同尺度的预测结果融合，得到最终预测结果。本发明的优点：基于深度学习的预测模型可以理解数据中的非线性和时序性，能够更好地处理非线性和时序性问题。通过计算数据输入与重构值之间的残差，预测模型可以学习到尚未拟合的不规则特征。从而提高模型的预测精度。

主权项：1.一种基于全连接神经网络的商品销量预测模型的预测方法，其特征在于，包括以下步骤：步骤S1：根据商品的历史销售数据，构建训练数据集，利用预处理模块对商品的历史销售数据进行预处理形成构建预测模型所需的数据集，所述预处理模块包括：数据清洗模块、数据集构建模块；所述数据清洗模块用于处理历史销售数据中的缺失值及异常值；所述数据集构建模块用于对历史销售数据进行处理，将历史销售数据进行标准化操作，来满足预测模型训练的需要，得到训练用的数据集，其中，将数据集分为训练集、验证集以及测试集，训练集用于模型训练，学习数据的分布特征，验证集验证学习到的分布特征的可靠性，测试集对模型的泛化能力进行测试；其中，当进行两次提取时，即获得不同尺度的序列数据x1，x2，x3时，预测模型会根据x1，x2，x3得到不同长度的预测结果y1,y2,y3，设T为商品销量预测的天数，则各序列的预测长度如下列公式所示，输入序列长度计算公式与预测长度计算公式一致，通过设置输入长度与预测长度自动计算各尺度序列的长度，因此只需要考虑设置的输入长度，预测长度是否合理，其中kernel_size为卷积核尺寸，stride为滑动步长，padding为填充，由于进行多尺度特征提取，padding设置为0，leny1，Leny1，Leny3分别指y1,y2,y3的长度；leny1＝T； 步骤S2：数据集输入多尺度特征提取模块，得到不同尺度的序列，经过步骤S1得到的数据集通过多尺度特征提取模块，通过平均池化操作构建时序特征金字塔得到不同尺度的序列，平均池化通过池化窗口和池化步长计算池化窗口内的平均值；设使用n天的历史数据进行训练，设n天的历史数据为x＝x1,x2,…,xn,需预测未来m天的销量，未来所要预测的序列为y＝y1,y2,…,ym,考虑到商品的历史数据有限，因此仅进行两次平均池化以得到不同尺度的时间序列，将原始输入数据设置为x，x1＝x；x2＝AvgPoolx1；x3＝AvgPoolx2；这样得到不同尺度的序列数据x1，x2，x3，在时间维度上，x2，x3聚焦于更大粒度，即聚焦与趋势特征，帮助模型学习序列的趋势信息并减少短期波动的影响；步骤S3：不同尺度的序列数据进行预测，输出预测结果，从步骤S2得到的不同尺度的序列，分别输入到Stack模块中，由多个block模块串联组成，block模块由六个全连接层组成，分为两个部分，第一个部分由全连接层将输入的时间序列x1，x2，x3映射成膨胀系数和这里以x1为例，简写为xl，hl,1＝FCl,1xe；hl,2＝FCe,2xl,1；hl,3＝FCl,3xe,2；hl,4＝FCl,4xl,3； 其中FC为全连接层，采用ReLu激活函数，hl,1，hl,2，hl,3，hl,4为使用ReLu函数的各个全连接层的结果，xl,i＝he,i，i值的范围为1、2、3，为线性投影层；得到分别代表正向和反向的膨胀系数；膨胀系数理解成存储了时间序列内在的信息形成的一个低维向量；第二部分通过映射函数和将膨胀系数映射回时间序列；如下列公式所示，得到当前窗口的重构值和未来预测窗口的预测结果； 其中为当前窗口时刻点的重构值，未来预测窗口内时刻点的预测；dim代表维度，分别是后向和前向基向量的第i个值，分别是的第i个值，即和的i值的范围为和的i值的范围为当前层block模块的输入xl减去重构值结果得到残差，将残差输入到下一层block中作为输入，通过这种方式，预测模型的每层需要处理之前层无法正确拟合的残差，也起到了一个将时间序列进行逐层分解，预测时间序列一部分的作用，最终的预测结果是多个block模块预测结果的加和，即得到预测结果y1,y2,y3；步骤S4：不同尺度的预测结果融合，得到最终预测结果，在步骤S3得到预测结果y1,y2,y3通过融合模块，得到最终的预测结果，融合模块采用yi和yi-1拼接的方式，然后使用线性层输出得到与yi-1长度相同的输出结果，逐层向上融合，即y3,进行融合会得到y2长度的结果y′2，y′2与y1进行融合会得到最终的预测结果y；y′2＝Linearcaty3,y2；y＝Linearcaty1,y′2；为了比较真实值与预测值之间的误差，通过MSE,MAE两个损失评价指标来衡量模型的表现； 其中yi为真实值，为预测结果值，当预测模型训练结束后，通过反标准化进行还原，得到商品预测结果。

全文数据：

权利要求：

百度查询： 长春理工大学 一种基于全连接神经网络的商品销量预测方法及预测模型