本发明专利技术公开了一种具有时间序列特性的产品订单预测方法及装置。根据存储的历史订单数据获取企业每个时间点的订单数据的统计值；根据订单数据的时间序列特性选取预测模型，确定预测模型的预测输出方程；按照预测模型的要求将历史订单数据的统计值整理为预测输入表，训练相应的预测网络模型；根据预测订单训练好的预测模型和预测输出方程，利用预测订单量的预测输入表计算得到订单的预测订单量。并根据产品订单预测方法提供了一种产品订单预测装置，主要包括数据采集模块、数据预处理模块、时间序列建模模块和订单预测模块。本发明专利技术解决了产品订单预测这种非线性问题，满足了系统实时性的要求，提高了预测的准确性。
【技术实现步骤摘要】
【技术保护点】
一种具有时间序列特性的产品订单预测方法，其特征在于，包括：?步骤1、根据存储的历史订单数据获取企业每个时间点的订单数据的统计值；?步骤2、根据订单数据的时间序列特性选取预测模型，确定预测模型的预测输出方程；?根据订单数据的时间序列特性，选取小波神经网络作为时间序列预测模型，在输入历史订单量序列样本为xi(i＝1,2,...,k)时，隐含层输出计算公式为?式中，h(j)为隐含层第j个节点输出值；ωij为输入层和隐含层的连接权值；bj为小波基函数hj的平移因子；aj为小波基函数hj的伸缩因子；hj为小波基函数；?所述的小波基函数为Morlet母小波基函数，数学公式为：?小波神经网络输出层计算公式为?式中，ωjk为隐含层到输出层权值；h(i)为第i个节点的输出；l为隐含层节点数；m为输出层节点数；?步骤3、将历史订单量数据的统计值按照预测模型的要求整理为预测输入表，训练相应的预测网络模型；?初始化小波函数伸缩因子ak、平移因子bk以及网络连接权重ωij、ωjk，设置网络学习速率η；?为了消除各维数据间数量级的差别，避免因为输入输出数据数量级差别较大而造成网络预测误差较大，则对所有数据进行归一化处理；选取最大最小法进行归一化处理，函数形式为?xk＝(xk?xmin)/(xmax?xmin)?其中xmax为数据序列中最大值，xmin为数据序列中最小值；?小波神经网络的输入参数为{X1,X2,...,Xk}，输入历史订单量信号序列样本为xi(i＝1,2,...,k)，将所有的样本分为训练样本和测试样本，训练样本用于训练网络，测试样本用于测试网络预测精度，并输出预测结果；?将训练样本输入神经网络，得到小波神经网络的预测输出为yj(j＝1,2,...,m)，并计算网络输出y(k)和期望输出yn(k)的误差e，其中误差e为：?根据误差e修正网络权值和小波参数使网络预测值逼近期望值；?根据预测误差e修正小波神经网络权值和小波基函数系数：?式中，是根据网络预测误差计算得到：?式中，η为学习速率；?循环以上步骤训练小波神经网络，直至预测误差稳定于允许范围内训练结束；?步骤4、根据所述预测订单训练好的预测模型和预测输出方程，利用所述预测订单量的预测输入表计算得到所述订单的预测订单量。?FDA00003406161700011.jpg,FDA00003406161700012.jpg,FDA00003406161700013.jpg,FDA00003406161700021.jpg,FDA00003406161700022.jpg,FDA00003406161700023.jpg,FDA00003406161700024.jpg,FDA00003406161700025.jpg,FDA00003406161700026.jpg,FDA00003406161700027.jpg,FDA00003406161700028.jpg,FDA00003406161700029.jpg,FDA000034061617000210.jpg,FDA000034061617000211.jpg,FDA000034061617000212.jpg,FDA000034061617000213.jpg...
【技术特征摘要】
【专利技术属性】
技术研发人员：朱理，刘智慧，卢山，王越，张泉灵，苏宏业，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。