1.本发明涉及网络节点技术领域，具体为一种基于现货交易规则下节点价格预测方法。
背景技术：
2.通信传送网络中的节点，是信号的交叉连接点，是业务分插交汇点，是网络管理系统的切入点，是信号功率的放大点和传输中的数字信号的再生点。有了节点，网络才是可运营，可管理的。对用户的服务也是通过节点进行的。赢利是通过节点获得的。节点的经济性能将直接影响到网络的经济性能。当网络发展到自动交换光网络时相应的管理、控制和交换功能也是通过节点功能实施的，网络的升级主要体现在节点配置的升级。
3.在数据通信中，一个物理网络节点可以是数据电路端接设备(dce)，如调制解调器、集线器、桥接器或交换机。在节点交换机的交易过程中，对于价格的预测是十分重要的，然而现有的一些节点价格预测方法无法考虑和排除多项因素，仅能够从单一的因素入手，进而导致预测的结果误差较大，影响交易人员的计划，为此我们提出一种能够从多项因素入手，并考虑和排除多项因素，使得预测结果更加准确客观，给交易人员带来便利的节点价格预测方法来解决此问题。
技术实现要素：
4.本发明的目的在于提供一种基于现货交易规则下节点价格预测方法，其能够从多项因素入手，并考虑和排除多项因素，使得预测结果更加准确客观，给交易人员带来便利，解决了现有的一些节点价格预测方法无法考虑和排除多项因素，仅能够从单一的因素入手，进而导致预测的结果误差较大，影响交易人员的计划，并造成经济损失的问题。
5.为实现上述目的，本发明提供如下技术方案：一种基于现货交易规则下节点价格预测方法，其方法包括如下步骤：
6.(s1)：收集过去几年前节点交换机的外壳、电路板、线路、电子元件及各种原材料的价格，同时收集节点交换机的交易行为和非交易行为，其中交易行为包括节点交换机现货的最高价格、最低价格、存储量、成交数量以及成交金额；
7.(s2)：将步骤(s1)中收集到的数据导入计算机，并通过计算机制成柱状图，观察柱状图的走向，随后对采集到的数据进行相关性分析，通过边际效应找到能够显著影节点交换机价格的单个或多个因素；
8.(s3)：将步骤(s2)中的因素引出并建立预测模型，随后将预测模型输入bp神经网络，然后对bp神经网络进行训练；
9.(s4)：设置好选取模块和提取模块，将影响节点交换机价格的多个因素输入至选取模块和提取模块内选取和筛选，并将选取和筛选后的数据输入至训练好的bp神经网络内，便得到预测结果，即为对应的未知时间点的节点交换机的价格。
10.优选的，所述步骤(1)中，非交易行为包括节点服务器相关现货的价格、原材料现
货价格以及下游现货价格。
11.优选的，所述步骤(1)中，收集数据的过程中，数据精确到每日，同时数据的误差在2％以内。
12.优选的，所述步骤(1)中，采集的数据还包括节假日因素和地区因素。
13.优选的，所述步骤(2)中，将采集到的数据和柱状图导出计算机，并制成纸质档。
14.优选的，所述步骤(3)中，将影响价格的因素数据序列分成训练集和测试集。
15.优选的，所述步骤(3)中，在训练过程中，向预测模型的内部输入已知时间点的价格和价格因素。
16.优选的，所述步骤(4)中，在预测的过程中，使用不同组因素数据进行预测，并将预测结果的数据制成柱状图，同时对数据进行误差修正。
17.与现有技术相比，本发明的有益效果如下：
18.本发明能够从多项因素入手，并考虑和排除多项因素，使得预测结果更加准确客观，避免交易人员出现经济损失，并给交易人员带来诸多便利，解决了现有的一些节点价格预测方法无法考虑和排除多项因素，仅能够从单一的因素入手，进而导致预测的结果误差较大，影响交易人员的计划，并造成经济损失的问题。
具体实施方式
19.下面将结合本发明中的实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
20.实施例一：
21.一种基于现货交易规则下节点价格预测方法，其方法包括如下步骤：
22.(s1)：收集过去几年前节点交换机的外壳、电路板、线路、电子元件及各种原材料的价格，同时收集节点交换机的交易行为和非交易行为，其中交易行为包括节点交换机现货的最高价格、最低价格、存储量、成交数量以及成交金额，其中非交易行为包括节点服务器相关现货的价格、原材料现货价格以及下游现货价格，通过收集交易行为和非交易行为等数据，其使该方法收集到的数据更加全面广泛，同时能够收集到更多影响价格的因素，以便后续对bp神经网络进行训练，并使预测结果更加准确客观；
23.(s2)：将步骤(s1)中收集到的数据导入计算机，并通过计算机制成柱状图，观察柱状图的走向，随后对采集到的数据进行相关性分析，通过边际效应找到能够显著影节点交换机价格的单个或多个因素，其中将采集到的数据和柱状图导出计算机，并制成纸质档，通过将相关数据制成纸质档，以防止数据丢失而造成的经济损失；
24.(s3)：将步骤(s2)中的因素引出并建立预测模型，随后将预测模型输入bp神经网络，然后对bp神经网络进行训练，其中将影响价格的因素数据序列分成训练集和测试集，通过将因素数据序列分成训练集和测试集，训练集的数据用于对bp神经网络进行训练，而测试集的数据用于对bp神经网络进行测试，用以修正误差；
25.(s4)：设置好选取模块和提取模块，将影响节点交换机价格的多个因素输入至选取模块和提取模块内选取和筛选，并将选取和筛选后的数据输入至训练好的bp神经网络
内，便得到预测结果，即为对应的未知时间点的节点交换机的价格，其中在预测的过程中，使用不同组因素数据进行预测，并将预测结果的数据制成柱状图，同时对数据进行误差修正，通过将预测结果的数据制成柱状图，以便交易人员更加直观的观测数据变化，并给后续分析带来了便利，同时通过对数据进行误差修正，用以降低预测结果的误差，使预测结果更加准确客观。
26.实施例二：
27.一种基于现货交易规则下节点价格预测方法，其方法包括如下步骤：
28.(s1)：收集过去几年前节点交换机的外壳、电路板、线路、电子元件及各种原材料的价格，同时收集节点交换机的交易行为和非交易行为，其中交易行为包括节点交换机现货的最高价格、最低价格、存储量、成交数量以及成交金额，其中非交易行为包括节点服务器相关现货的价格、原材料现货价格以及下游现货价格，通过收集交易行为和非交易行为等数据，其使该方法收集到的数据更加全面广泛，同时能够收集到更多影响价格的因素，以便后续对bp神经网络进行训练，并使预测结果更加准确客观，且收集数据的过程中，数据精确到每日，同时数据的误差在2％以内，通过对收集的数据进行精确，用以确定数据的准确性和客观性，以防止收集到错误的数据，而致预测结果存有误差；
29.(s2)：将步骤(s1)中收集到的数据导入计算机，并通过计算机制成柱状图，观察柱状图的走向，随后对采集到的数据进行相关性分析，通过边际效应找到能够显著影节点交换机价格的单个或多个因素，其中将采集到的数据和柱状图导出计算机，并制成纸质档，通过将相关数据制成纸质档，以防止数据丢失而造成的经济损失；
30.(s3)：将步骤(s2)中的因素引出并建立预测模型，随后将预测模型输入bp神经网络，然后对bp神经网络进行训练，其中将影响价格的因素数据序列分成训练集和测试集，通过将因素数据序列分成训练集和测试集，训练集的数据用于对bp神经网络进行训练，而测试集的数据用于对bp神经网络进行测试，用以修正误差，同时在训练过程中，向预测模型的内部输入已知时间点的价格和价格因素；
31.(s4)：设置好选取模块和提取模块，将影响节点交换机价格的多个因素输入至选取模块和提取模块内选取和筛选，并将选取和筛选后的数据输入至训练好的bp神经网络内，便得到预测结果，即为对应的未知时间点的节点交换机的价格，其中在预测的过程中，使用不同组因素数据进行预测，并将预测结果的数据制成柱状图，同时对数据进行误差修正，通过将预测结果的数据制成柱状图，以便交易人员更加直观的观测数据变化，并给后续分析带来了便利，同时通过对数据进行误差修正，用以降低预测结果的误差，使预测结果更加准确客观。
32.实施例三：
33.一种基于现货交易规则下节点价格预测方法，其方法包括如下步骤：
34.(s1)：收集过去几年前节点交换机的外壳、电路板、线路、电子元件及各种原材料的价格，同时收集节点交换机的交易行为和非交易行为，其中交易行为包括节点交换机现货的最高价格、最低价格、存储量、成交数量以及成交金额，其中非交易行为包括节点服务器相关现货的价格、原材料现货价格以及下游现货价格，通过收集交易行为和非交易行为等数据，其使该方法收集到的数据更加全面广泛，同时能够收集到更多影响价格的因素，以便后续对bp神经网络进行训练，并使预测结果更加准确客观，且收集数据的过程中，数据精
确到每日，同时数据的误差在2％以内，通过对收集的数据进行精确，用以确定数据的准确性和客观性，以防止收集到错误的数据，而致预测结果存有误差，而采集的数据还包括节假日因素和地区因素，节假日商品打折，是影响价格的重要因素，同时不同地区的购买力和价格不同，也是影响价格的重要因素，通过收集这两种不同的因素数据，用以提高数据的广泛性；
35.(s2)：将步骤(s1)中收集到的数据导入计算机，并通过计算机制成柱状图，观察柱状图的走向，随后对采集到的数据进行相关性分析，通过边际效应找到能够显著影节点交换机价格的单个或多个因素，其中将采集到的数据和柱状图导出计算机，并制成纸质档，通过将相关数据制成纸质档，以防止数据丢失而造成的经济损失；
36.(s3)：将步骤(s2)中的因素引出并建立预测模型，随后将预测模型输入bp神经网络，然后对bp神经网络进行训练，其中将影响价格的因素数据序列分成训练集和测试集，通过将因素数据序列分成训练集和测试集，训练集的数据用于对bp神经网络进行训练，而测试集的数据用于对bp神经网络进行测试，用以修正误差，同时在训练过程中，向预测模型的内部输入已知时间点的价格和价格因素；
37.(s4)：设置好选取模块和提取模块，将影响节点交换机价格的多个因素输入至选取模块和提取模块内选取和筛选，并将选取和筛选后的数据输入至训练好的bp神经网络内，便得到预测结果，即为对应的未知时间点的节点交换机的价格，其中在预测的过程中，使用不同组因素数据进行预测，并将预测结果的数据制成柱状图，同时对数据进行误差修正，通过将预测结果的数据制成柱状图，以便交易人员更加直观的观测数据变化，并给后续分析带来了便利，同时通过对数据进行误差修正，用以降低预测结果的误差，使预测结果更加准确客观。
38.本发明能够从多项因素入手，并考虑和排除多项因素，使得预测结果更加准确客观，避免交易人员出现经济损失，并给交易人员带来诸多便利，解决了现有的一些节点价格预测方法无法考虑和排除多项因素，仅能够从单一的因素入手，进而导致预测的结果误差较大，影响交易人员的计划，并造成经济损失的问题。
39.人工神经网络无需事先确定输入输出之间映射关系的数学方程，仅通过自身的训练，学习某种规则，在给定输入值时得到最接近期望输出值的结果。作为一种智能信息处理系统，人工神经网络实现其功能的核心是算法。bp神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络，其算法称为bp算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。
40.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。