一种具有时间序列特性的产品订单预测方法及装置

摘要

本发明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。

主权项

1.一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x_i(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；ω_ij为输入层和隐含层的连接权值；b_j为小波基函数h_j的平移因子；a_j为小波基函数h_j的伸缩因子；h_j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，ω_jk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a_k、平移因子b_k以及网络连接权重ω_ij、ω_jk，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 x_k＝(x_k-x_min)/(x_max-x_min) 其中x_max为数据序列中最大值，x_min为数据序列中最小值； 小波神经网络的输入参数为{X₁,X₂,...,X_k}，输入历史订单量信号序列样本为x_i(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y_j(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。