基于灰色关联度与BP神经网络的通信物资需求预测方法与流程

基于灰色关联度与bp神经网络的通信物资需求预测方法
技术领域
1.本发明涉及it应用技术领域，特别涉及一种基于灰色关联度与bp神经网络的通信物资需求预测方法。


背景技术：

2.目前通信物资需求的预测模型主要包括时间序列模型、灰色模型以及神经网络模型等。
3.选用时间序列模型则比较适合用于线性关系较强的线性关系预测，如若影响因子与通信物资需求之间没有较强的线性关系，则预测的结果不好。
4.选用灰色关联模型比较适合用于递减或递增的光滑数据预测。
5.选用神经网络模型则比较适合将影响通信物资需求的各种因子加以考虑，建立起较好的通信物资需求与各影响因子的非线性关系。
6.特别是基于bp神经网络具有自我学习能力强﹑容错能力大等特点，可以很好的进行需求预测。
7.基于上述情况，本发明提出了一种基于灰色关联度与bp神经网络的通信物资需求预测方法。


技术实现要素：

8.本发明为了弥补现有技术的缺陷，提供了一种简单高效的基于灰色关联度与bp神经网络的通信物资需求预测方法。
9.本发明是通过如下技术方案实现的：
10.一种基于灰色关联度与bp神经网络的通信物资需求预测方法，其特征在于：包括以下步骤：
11.步骤s1、基于灰色关联分析获取影响通信物资需求的主要因子
12.使用灰色关联分析方法对影响通信物资需求的所有因子进行分析，得到各因子与需求之间的关联系数γ以及各因子与需求之间的关联程度；通过自定义设定阀值t获取影响需求的主要因子；
13.将关联程度大于等于阈值t的因子进行保留，归类为主要因子；将小于阈值t的影响因子剔除，归类为次要因子；
14.步骤s2、使用bp神经网络对影响因子和通信物资需求的关系进行预测
15.根据灰色关联分析的结果进行数据预处理，将初始物资需求数据影响因子中的次要因子数据剔除；
16.进行bp神经网络的学习，将归类为主要因子的数据作为bp神经网络的输入数据，通信物资需求数据作为期望进行输出，通过误差反向传播的方法优化神经网络各层之间的权重，使神经网络的输出与实际结果之间的误差达到最小；
17.以待确定通信物资的主要因子数据作为输入，使用学习之后的bp神经网络进行预
测，对通信物资的需求进行预测，并对结果数据进行验证。
18.所述步骤s1中，计算各因子与需求之间的关联系数γ，计算公式如下：
[0019][0020]
其中，φ为分辨系数，且0≤φ≤1，用来调整大小；
[0021]
δi(k)为差值序列，
△i(k)＝|x
’0(k)-x’i
(k)|；
[0022]
m为差值序列的最小值，m＝min min
△i(k)，即同时取i与k的最小值；
[0023]
m为差值序列的最大值，m＝max max
△i(k)，同时取i与k的最大值。
[0024]
所述步骤s1中，全部的灰色关联度γ
0i
构成总的关联度r＝(γ
01
，γ
02
……
γ
0m
)，灰色关联度越大，说明比较序列与参考序列越接近；采用对所得到的关联系数各因子与需求之间的关联程度，计算公式如下：
[0025][0026]
所述步骤s2中，输入学习样本，使用反向传播算法对网络的权值w
ij
和总误差e进行反复调整训练，当输出层的误差平方和小于指定的误差时训练完成，保存权值w
ij
和总误差e。
[0027]
所述步骤s2中，bp神经网络学习步骤如下：
[0028]
步骤s2.1、初始化网络权值、阈值及有关参数，有关参数包括但不限于学习因子μ；
[0029]
步骤s2.2、计算总误差e，计算公式如下
[0030][0031]
其中，p为样本的个数，ek为学习样本的偏差；
[0032][0033]
其中，为输出层结点j对第k个样本的输入对应的输出(称为期望输出)，为结点j的实际输出；如果总误差e小于自定义阈值，则学习成功，算法结束。
[0034]
所述步骤s2中，对样本集中各个样本依次重复以下过程，然后转步骤s2.2，计算总误差e；
[0035]
首先，取一样本数据输入网络，然后按如下公式向前计算各层节点(记为j)的输出
[0036][0037]
其中，aj是节点j的输入加权和；节点i为节点在信号源方向的相邻层节点，oj为节点i的输出，同时也是节点j的输入；o0＝-1，w
0j
＝0(阈值)；
[0038]
其次，从输出层节点到输入层节点以反向顺序对各连接权值w
ij
进行修正，修正公式如下：
[0039]wij
(t+1)＝w(t)+ηξ
j oi[0040]
其中，
[0041][0042]
l为与节点j在输出侧有连接的节点个数；采用梯度下降法，在权值空间沿负梯度方向调整权值w
ij
，使学习样本的偏差ek达到最小。
[0043]
一种基于灰色关联度与bp神经网络的通信物资需求预测设备，其特征在于：包括存储器和处理器；所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序时实现上述的方法步骤。
[0044]
一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法步骤。
[0045]
本发明的有益效果是：该基于灰色关联度与bp神经网络的通信物资需求预测方法，通过建立重要通信物资的需求预测模型，实现了需求的智慧化预测，为需求部门制定需求计划提供数据支撑、为采购部门提前制定采购计划提供数据支撑，进一步提升相关物资的管理水平。
附图说明
[0046]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0047]
附图1为本发明基于灰色关联度分析步骤示意图。
具体实施方式
[0048]
为了使本技术领域的人员更好的理解本发明中的技术方案，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚，完整的描述。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，都应当属于本发明保护的范围。
[0049]
影响通信物资使用的因子很多，但是有些因子是次要因子，在通信物资的需求中影响并不大，因此可以忽略这些因子的影响。在对通信物资的库存和使用消耗影响因子进行分析时，首先可结合历史数据及经验有针对性地选择影响消耗的影响因子进行分析，以便更好的收集测量因子涉及的数据，以减小人力资源投入的工作量。同时由于通信物资的使用时间不同导致不同通信物资的历史数据量也不相同，使用时间长的通信物资历史数据多，使用时间短的通信物资历史数据少。通信物资需求的影响因子与通信物资需求之间的关系非常复杂，往往呈现的是非线性关系，而神经网络正好对非线性关系有很好的拟合。
[0050]
灰色关联分析是一种多因子统计方法，用于从一个模型的影响因子中选出主要影响因子。它对样本的多少和样本有无规律都比较适用，而且计算量小不会出现量化结果与定性分析结果不符的情况，其基本思想是根据序列曲线的几何形状相似程度来判断其联系是否紧密曲线越接近序列之间的关联度就越大。与传统方法相比，灰色关联分析对数据要求较低而且计算量较小。关联度是事物之间、因子之间关联性大小的量度。它定量地描述了
事物或因子之间相互变化的情况，即变化的大小、方向与速度等的相对性。如果事物或因子变化的态势基本一致，则可以认为它们之间的关联度较大，反之，关联度较小。
[0051]
该基于灰色关联度与bp神经网络的通信物资需求预测方法，包括以下步骤：
[0052]
步骤s1、基于灰色关联分析获取影响通信物资需求的主要因子
[0053]
使用灰色关联分析方法对影响通信物资需求的所有因子进行分析，得到各因子与需求之间的关联系数γ以及各因子与需求之间的关联程度；通过自定义设定阀值t获取影响需求的主要因子；
[0054]
将关联程度大于等于阈值t的因子进行保留，归类为主要因子；将小于阈值t的影响因子剔除，归类为次要因子；通过阀值的调高，可提高预测的精准度。
[0055]
步骤s2、使用bp神经网络对影响因子和通信物资需求的关系进行预测
[0056]
根据灰色关联分析的结果进行数据预处理，将初始物资需求数据影响因子中的次要因子数据剔除；
[0057]
进行bp神经网络的学习，将归类为主要因子的数据作为bp神经网络的输入数据，通信物资需求数据作为期望进行输出，通过误差反向传播的方法优化神经网络各层之间的权重，使神经网络的输出与实际结果之间的误差达到最小；
[0058]
以待确定通信物资的主要因子数据作为输入，使用学习之后的bp神经网络进行预测，对通信物资的需求进行预测，并对结果数据进行验证。
[0059]
设系统因素x在序号k上的观测数据位为xi(k)((k＝l，2....，)，则xi＝(xi(1)，xi(2)，
……
，xi(n))为因素xi的行为序列，d为序列算子，且有：
[0060]
xid＝(xi(1)d，xi(2)d，...，xi(n)d)
[0061]
xid称为xi在算子d下的像，当xi(k)d＝xi(k)/xi(1)时，d为初始化算子，xid为d的初值像；当xi(k)d＝xi(k)/xi时(xi为均值)时，d为均值化算子，xid为d的均值像；当d为其他算子时，xid为相应的像。
[0062]
对于参考序列xs＝(xs(1)，xs(2)，....xs(n))，进行灰色关联分析时先求各序列的初始像(或计算均值像，此处以初值像为例)，以消除数量级大小不同的影响，便于计算和比较分析，即令：
[0063]
x’i
＝xi/x(1)＝(x’i
(1)，x’i
(2)....x’i
(n))，i＝0，1，2...n
[0064]
所述步骤s1中，计算各因子与需求之间的关联系数γ，计算公式如下：
[0065]
φ∈(0，1)，k＝l，2
……
，n；i＝1，2
……
s；
[0066]
其中，φ为分辨系数，且0≤φ≤1，用来调整大小；
[0067]
δi(k)为差值序列，
△i(k)＝|x
’0(k)-x’i
(k)|；
[0068]
m为差值序列的最小值，m＝min min
△i(k)，即同时取i与k的最小值；
[0069]
m为差值序列的最大值，m＝max max
△i(k)，同时取i与k的最大值。
[0070]
所述步骤s1中，全部的灰色关联度γ
0i
构成总的关联度r＝(γ
01
，γ
02
……
γ
0m
)，灰色关联度越大，说明比较序列与参考序列越接近；采用对所得到的关联系数各因子与需求之间的关联程度，计算公式如下：
[0071]
[0072]
bp神经网络是一种多层的前馈神经网络，其主要的特点是：信号是前向传播的，而误差是反向传播的。bp神经网络的过程主要分为两个阶段，第一阶段是信号的前向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置。
[0073]
bp神经网络是一种误差反向传播的多层向前网络算法，其主要思想是：对于输入n个学习训练样本“γ1，γ2，
…
，γn”，与其相对应的输出m个样本为“p1，p2，
…
，pm”，用网络的实际输出(t1，t2，
…
，tm)与目标矢量(q1，q2，
…
，qm)之间的误差来调整其权值，使tl(l＝1，2，
…
，m)与期望的ql尽可能地无限趋近，使输出层的误差平方和达到最小。bp神经网络的模型结构包括输入层、隐含层和输出层。bp网络能够学习输入-输出类型的非线性映射关系，不需要事前明确这种关系，同时可对任意非线性函数的完成趋近。
[0074]
所述步骤s2中，输入学习样本，使用反向传播算法对网络的权值w
ij
和总误差e进行反复调整训练，使输出的向量与期望向量尽可能地接近，当输出层的误差平方和小于指定的误差时训练完成，保存权值w
ij
和总误差e。
[0075]
所述步骤s2中，bp神经网络学习步骤如下：
[0076]
步骤s2.1、初始化网络权值、阈值及有关参数，有关参数包括但不限于学习因子μ；
[0077]
步骤s2.2、计算总误差e，计算公式如下
[0078][0079]
其中，p为样本的个数，ek为学习样本的偏差；
[0080][0081]
其中，为输出层结点j对第k个样本的输入对应的输出(称为期望输出)，为结点j的实际输出；如果总误差e小于自定义阈值，则学习成功，算法结束。
[0082]
所述步骤s2中，对样本集中各个样本依次重复以下过程，然后转步骤s2.2，计算总误差e；
[0083]
首先，取一样本数据输入网络，然后按如下公式向前计算各层节点(记为j)的输出
[0084][0085]
其中，aj是节点j的输入加权和；节点i为节点在信号源方向的相邻层节点，oj为节点i的输出，同时也是节点j的输入；o0＝-1，w
0j
＝0(阈值)；
[0086]
其次，从输出层节点到输入层节点以反向顺序对各连接权值w
ij
进行修正，修正公式如下：
[0087]wij
(t+1)＝w(t)+ηξ
j oi[0088]
其中，
[0089]
[0090]
l为与节点j在输出侧有连接的节点个数。学习样本的偏差ek是网络输出是网络输出的函数，而又是权值w
ij
的函数，所以学习样本的偏差ek实际是w
ij
的函数。bp神经网络学习的目的就是要使这个误差函数达到最小值。权值w
ij
及ξj的定义，采用梯度下降法，在权值空间沿负梯度方向调整权值w
ij
，使学习样本的偏差ek达到最小。
[0091]
该基于灰色关联度与bp神经网络的通信物资需求预测设备，包括存储器和处理器；所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序时实现上述的方法步骤。
[0092]
该可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法步骤。
[0093]
与现有技术相比，该基于灰色关联度与bp神经网络的通信物资需求预测方法，具有以下特点：
[0094]
第一，基于灰色模型对递减或递增的光滑数据预测，可对多种影响因子数据搜集并分析选出影响通信物资需求的主要因子，能够排除通信物资的新旧不一、多重故障﹑通信物资的增减及其它不确定的影响因子，
[0095]
第二，基于神经网络模型可对影响通信物资需求的各种因子加以多维考虑，建立起通信物资需求与各影响因子的非线性关系。尤其是bp神经网络具有自我学习能力强﹑容错能力大等特点，在实际的应用中使用较为广泛。
[0096]
第三，基于灰色关联分析的bp神经网络的通信物资需求预测方法，通过灰色关联分析选出影响通信物资需求的主要因子，然后通过将主要的影响因子作为bp神经网络的输入数据对神经网络进行训练，训练分析后可用于通信物资的需求预测，不仅可用于通信物资的需求预测，而且能够提高预测的精度。
[0097]
以上所述的实施例，只是本发明具体实施方式的一种，本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。