基于神经网络的服装销售预测模型.docxVIP

基于神经网络的服装销售预测模型 基于人工神经网络建立预测销售模型是预测未来销售的最有效方法之一。2009年，co魁nh等人工神经网络在线性时间序列预测研究中采用了一个迭代人工网络，并比较了两种直接预测和迭代预测的方法。台湾学者王义宇用模糊的神经网络预测了台湾制造业的创新绩效，并提出了一种基于适应性的模糊神经网络推理系统。2010年，meehidim和其他人提出了基于时间序列和人工神经网络的自动平滑整合模型。2011年，tsanmc提出了最大的学习机制，优化了人工神经网络，并通过模仿特定品牌的销售数据来正确预测服装产品的月销售额。张冲等人通过在线税务报告（bp、backpropagation）预测神经网络业务的运营模式，并通过微博数据预测电影票房。神经网络结构的优点影响着整个网络的学习训练速度和收集速度。网络节点的数量可能会导致输出结果的很大误差，但网络节点的数量可能会导致整个网络的学习时间延长，收集速度会降低。基于分析服装销售的影响因素，作者建立了基于遗传统计的bp网络模型，并通过遗传统计法优化了bp网络中每个连接层的参数。经过多次反复训练，确定了最佳最佳权重值的范围。 1 bp神经网络的最优权值阀值的确定 目前, BP神经网络凭借其强大的自适应学习能力已被广泛应用, 取得了较好的成效, 但在实际应用中其学习训练的结果有时也会出现较大误差.究其原因, 主要是因为BP神经网络自身仍存在很多缺点.例如, BP神经网络的学习速率慢, 网络训练失败的可能性较大.其隐层层数与节点数的选取在目前情况下尚无指导理论可供参考, 多数情况下, 研究者是根据经验和反复试验来确定隐层层数与节数. 通过遗传算法优化BP神经网络的各连接层参数, 经过反复不断的训练调整, 最终确定网络的最优权值阀值.通过实践证明, 借助遗传算法对BP神经网络的初始权值阀值进行优化, 可以取得较好的效果.采用遗传算法优化BP神经网络各连接层权值阀值的过程如下: 1) 通过遗传编码操作, 对随机赋予的初始权值阀值进行遗传编码, 得到随机分布的序列串, 每一个序列串对应一组网络中各连结层的权值阀值; 2) 输入训练样本, 计算目标输出与实际输出的误差绝对值, 计算适应度函数值, 以此评价网络连接权值阀值的优劣性; 3) 比较适应度函数值, 选择适应度函数值较大的个体, 直接遗传给子代; 4) 进行交叉和变异操作, 产生新的子代种群; 5) 重复2) ~4) 步, 不断进化初始权值阀值, 直到训练目标满足条件为止, 得到最优权值阀值. 采用遗传算法优化BP神经网络结构的过程如下: 1) 随机产生多个网络结构, 使用“0-1”字符串对所有网络结构进行表示, 每组字符串对应一种网络结构, 其中“0”代表连接层节点之间无连接, “1”代表连接层节点之间有连接; 2) 对所有网络节点随机赋予不同的权值阀值, 反复学习训练; 3) 计算每个网络结构经学习训练后得到的实际输出与目标输出之间的误差, 由此计算适应度函数值, 适值以绝对误差和表示; 4) 比较3) 步得到适应度函数值, 选择适应度函数值最小的个体遗传给下一代种群; 5) 进行交叉操作和变异操作, 产生新子代种群; 6) 重复2) ~5) 步, 直到达到终止条件, 得到最优个体. 考虑借助遗传算法设计并优化BP神经网络的学习规则, 克服BP网络自身收敛速度慢、易陷入局部最小值的缺点. 2 预测服装销售模型的构建 2.1 不断学习的数据分析 服装产品其销售情况受到各种复杂因素的影响, 如时尚流行趋势、季节气候变化、产品价格、节假日、店铺装修、地区消费差异、品牌知名度等.将上述影响因子作为输入量构建预测.针对这些影响因子, 选择5位在服装行业具有多年销售经验的职业经理人进行打分.最高分设为5分, 随着分值减小, 其对销售的影响程度逐渐减小.打分统计如表1所示. 从平均权重w可发现, 流行趋势、季节气候变化、品牌知名度以及节假日等4个因素的权重相对较大, 说明其对服装产品销量产生的影响也相应较大.实际上, 流行趋势具有持续的动态变化特征, 而流行元素也涉及面料、款式、色彩等多个方面, 因此基于历史销售数据很难挖掘出典型特征性数据.选取2012年某月份某品类的月销售量Sy、节假日因子 (同月所有产品平均销量Sa) 、季节因子H、品类因子C作为输入量, 产品当年当月的销售量S作为输出量, 构建相应的网络模型. 2.2 服装销售数据的整理及优化 预测算法包括3个步骤:BP神经网络确定、遗传算法优化计算和BP神经网络预测. 1) 整理历史销售数据, 根据服装销售的影响因子, 确定样本数据集, 同时建立网络拓扑结构, 并初始化各连接点权值; 2) 采用遗传算法优化计算各连接层的权值; 3) 利用BP神经网络进行预测, 算法流程如图1所示. 2