本发明涉及机器学习、算法技术领域，尤其涉及一种商品需求预测的神经网络模型的方法和系统。
背景技术：
随着社会的不断发展，未来城市将承载更多的人口，因而城市的可持续发展显得尤为重要。智慧城市的起点是现代信息技术发展下的网络化和数字化，最终目的是将其上升到整合、集群、协同管理的高度，与绿色可持续发展相结合，构建宜居的城市环境。智慧城市以物联网、云计算、大数据、空间地理信息集成等新一代信息技术为基础，通过感知、分析、整合城市运行核心系统的各项关键信息，对城市服务、公共安全、环保、民生、工商业活动在内的各种需求做出智能响应，实现城市规划管理信息化、基础设施智能化、公共服务便捷化。
而像沃尔玛这样的零售商,使用预测系统和工具来补充他们在商店中的产品。一个优秀的预测系统有助于赢得供应链的优势。如果善于预测商店里的商品销售情况,就可以很好地计划库存盘点并规划商品分类。那么如何预测商品需求就成为了一个问题因此奔赴买那个采用了机器学习以及时间序列预测框架、多层感知器对其进行了研究并得到了最终神经网络预测模型。
技术实现要素：
本发明的目的是针对现有技术的缺陷，提供了一种商品需求预测的神经网络模型的方法和系统，可以预测商店里的商品销售情况，很好地计划库存盘点并规划商品分类。
为了实现以上目的，本发明采用以下技术方案：
一种商品需求预测的神经网络模型的方法，包括步骤：
s1.获取商品销售的历史数据，并对所述历史数据进行预处理；
s2.确定所述历史数据中的相关变量；
s3.将所述相关变量利用机器学习进行可视化操作，得到最终结果；
s4.根据得到的最终结果建立神经网络预测模型。
进一步的，所述步骤s1中对所述历史数据进行预处理包括用函数库和功能函数进行数据预处理。
进一步的，所述用函数库和功能函数进行数据预处理具体为对数据进行完整性检查。
进一步的，所述步骤s2还包括根据所述相关变量得到分析图形。
进一步的，所述步骤s3中还包括生成集成预测和节点的单个隐藏层。
相应的，还提供一种商品需求预测的神经网络模型的系统，包括：
预处理模块，用于获取商品销售的历史数据，并对所述历史数据进行预处理；
确定模块，用于确定所述历史数据中的相关变量；
操作模块，用于将所述相关变量利用机器学习进行可视化操作，得到最终结果；
建立模块，用于根据得到的最终结果建立神经网络预测模型。
进一步的，所述预处理模块中对所述历史数据进行预处理包括用函数库和功能函数进行数据预处理。
进一步的，所述用函数库和功能函数进行数据预处理具体为对数据进行完整性检查。
进一步的，所述确定模块还包括根据所述相关变量得到分析图形。
进一步的，所述操作模块中还包括生成集成预测和节点的单个隐藏层。
与现有技术相比，本发明可以预测商店里的商品销售情况，很好地计划库存盘点并规划商品分类。
附图说明
图1是实施例一提供的数据集合中的各项的丢失程度进行直观判断的示意图；
图2是实施例一提供的销售价格直方图；
图3是实施例一提供的销售价格示意图；
图4是实施例一提供的神经网络模型示意图；
图5是实施例一提供的神经网络预测模型示意图；
图6是实施例一提供的神经网络预测模型示意图；
图7是实施例一提供的神经网络预测模型的构建示意图；
图8是实施例一提供的神经网络预测模型示意图；
图9是实施例一提供的最终的神经网络预测模型示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
本发明的目的是针对现有技术的缺陷，提供了一种商品需求预测的神经网络模型的方法和系统。
实施例一
本实施例提供一种商品需求预测的神经网络模型的方法，包括步骤：
s11.获取商品销售的历史数据，并对所述历史数据进行预处理；
s12.确定所述历史数据中的相关变量；
s13.将所述相关变量利用机器学习进行可视化操作，得到最终结果；
s14.根据得到的最终结果建立神经网络预测模型。
在本实施例中，本实施例以使用商店提供的5年的销售历史，预测10个不同商店50个不同商品的未来3个月销售情况的预测模型为例具体说明，本实施例的处理方法为：
数据处理，利用函数库和功能函数进行数据预处理；
确定各个相关变量的内在影响因素利用统计方法给出相关分析图形；
对所有数据项按照既有的数据处理结果利用机器学习进行可视化操作；
对数据特征的相关性进行分析得到最终结论---得出影响比重占最大的数据变量。
根据结论建立预测模型。
在本实施例中，利用函数库和功能函数进行数据预处理具体为对数据进行完整性检查。
数据完整性检查：
根据以下代码将数据集合中的各项的丢失程度画出表格进行直观判断：
得到如图1所示的图形，显示丢失率为零，即数据为完整，符合应用需求。
在本实施例中，还包括单独要素可视化。将各个要素与结果分别进行相关性的分析，以便更深入地了解它们的方差、自变量特征之间的相关关系和自变量特征与因变量特征之间的相关关系。
gbp1<-wes_palette("grandbudapest2")[1]
ggplot(train,aes(x＝sales))
geom_histogram(fill＝"#a6d96a",alpha＝.9)
labs(x＝null,y＝null,title＝"histogramofsaleprice")
#scale_x_continuous(breaks＝seq(0,600000,by＝100000))
theme_minimal() theme(plot.title＝element_text(vjust＝3,size＝15))
由此可知，如图2-3所示，本实施例的销售价格遵循正偏态分布。
本实施例具有倍增性、递增性和季节性。随着时间的推移，销售价格的变化似乎是不变的。
在本实施例中，对于神经网络预测模型的构建如图7所示。
该模型有5个训练参数：
k-基数趋势；
m-偏移参数；
δ＝{δi}变化点中趋势的变化；
β＝{βi}zi＝0-傅立叶级数；
σ-噪音水平；
多列、stdtrain-平均值和标准差值。
在本实施例中，神经网络预测模型还包括如图8所示的模型。
在本实施例中，最终的神经网络预测模型如图9所示。
在本实施例中，神经网络预测模型的具体实现如下：
h<-90#我们将预测从2018年1月1号起的90天的销售情况.
tt<-cbind(c(1:(length(y) h),rep(0,2*h)))
#观察确定性以零结束
#print(tt)
#适合没有差异、没有单变量滞后和固定确定性趋势的网络
fit1<-mlp(y,difforder＝0,lags＝0,xreg＝tt,xreg.lags＝list(0),xreg.keep＝true)
得到如图4所示的图形。
因此，本实施例可以用单一的隐藏层观察神经网络(多层感知器mlp)。
将mlp网络与时间序列相适应的基本命令。这将尝试自动指定自回归输入和时间序列的任何必要的预处理。通过预先指定的参数,它训练20个网络,用于生成集成预测和具有5个节点的单个隐藏层。可以覆盖这些设置中的任何一个。
输出结果图像：
plot(forecast(fit1,h＝h,xreg＝tt))
print("themseforstore-1&item-1is")
print(round(fit1$mse,4))
如图5所示，此时得到在转移的输入上安装一个网络，且要求输出以查看模型的模型拟合。
在转移的输入上安装一个网络并要求输出，以查看模型的拟合
fit2<-mlp(y,difforder＝0,lags＝0,xreg＝tt2,xreg.lags＝list(0),xreg.keep＝true,outplot＝1)
得到结果如图6所示，即为最终的拟合模型。
因此，可以看到最终的预测模型与实际结果拟合情况良好，说明该模型可信度较高，可以应用于实际预测中。
与现有技术相比，本发明可以预测商店里的商品销售情况，很好地计划库存盘点并规划商品分类。
实施例二
本实施例提供一种商品需求预测的神经网络模型的系统，包括：
预处理模块，用于获取商品销售的历史数据，并对所述历史数据进行预处理；
确定模块，用于确定所述历史数据中的相关变量；
操作模块，用于将所述相关变量利用机器学习进行可视化操作，得到最终结果；
建立模块，用于根据得到的最终结果建立神经网络预测模型。
进一步的，所述预处理模块中对所述历史数据进行预处理包括用函数库和功能函数进行数据预处理。
进一步的，所述用函数库和功能函数进行数据预处理具体为对数据进行完整性检查。
进一步的，所述确定模块还包括根据所述相关变量得到分析图形。
进一步的，所述操作模块中还包括生成集成预测和节点的单个隐藏层。
需要说明的是，本实施例提供的一种商品需求预测的神经网络模型的系统与实施例一类似，再次不做多赘述。
与现有技术相比，本发明可以预测商店里的商品销售情况，很好地计划库存盘点并规划商品分类。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
1.一种商品需求预测的神经网络模型的方法，其特征在于，包括步骤：
s1.获取商品销售的历史数据，并对所述历史数据进行预处理；
s2.确定所述历史数据中的相关变量；
s3.将所述相关变量利用机器学习进行可视化操作，得到最终结果；
s4.根据得到的最终结果建立神经网络预测模型。
2.根据权利要求1所述的一种商品需求预测的神经网络模型的方法，其特征在于，所述步骤s1中对所述历史数据进行预处理包括用函数库和功能函数进行数据预处理。
3.根据权利要求2所述的一种商品需求预测的神经网络模型的方法，其特征在于，所述用函数库和功能函数进行数据预处理具体为对数据进行完整性检查。
4.根据权利要求1所述的一种商品需求预测的神经网络模型的方法，其特征在于，所述步骤s2还包括根据所述相关变量得到分析图形。
5.根据权利要求4所述的一种商品需求预测的神经网络模型的方法，其特征在于，所述步骤s3中还包括生成集成预测和节点的单个隐藏层。
6.一种商品需求预测的神经网络模型的系统，其特征在于，包括：
预处理模块，用于获取商品销售的历史数据，并对所述历史数据进行预处理；
确定模块，用于确定所述历史数据中的相关变量；
操作模块，用于将所述相关变量利用机器学习进行可视化操作，得到最终结果；
建立模块，用于根据得到的最终结果建立神经网络预测模型。
7.根据权利要求6所述的一种商品需求预测的神经网络模型的系统，其特征在于，所述预处理模块中对所述历史数据进行预处理包括用函数库和功能函数进行数据预处理。
8.根据权利要求7所述的一种商品需求预测的神经网络模型的系统，其特征在于，所述用函数库和功能函数进行数据预处理具体为对数据进行完整性检查。
9.根据权利要求6所述的一种商品需求预测的神经网络模型的系统，其特征在于，所述确定模块还包括根据所述相关变量得到分析图形。
10.根据权利要求9所述的一种商品需求预测的神经网络模型的系统，其特征在于，所述操作模块中还包括生成集成预测和节点的单个隐藏层。
技术总结