基于BP神經網絡的茶葉產量預測研究

王美潔，姜同強

（北京工商大學計算機與信息工程學院，北京 100048）

人工智能的手段在現在社會應用十分廣泛，通過智能手段解決各方面應用問題逐漸成為社會趨勢，能夠幫助我們更快、更便捷地解決一些復雜問題。我國是世界茶葉生產和消費的第一大國，茶葉的銷售擁有悠久的歷史，但與此同時，我們的茶市場目前也存在一定的問題，阻礙著我國茶行業的發展。

將人工智能的手段，應用在企業茶葉銷售問題中，通過對我國茶葉產量的預測，可以更好地幫助企業運營，貼近市場趨勢。協助企業制定更加適合的發展策略，讓企業更適應社會發展，滿足不斷增長的茶葉市場消費需求。本文通過建立BP神經網絡茶葉產量預測模型，對我國茶葉產量數據進行了實例分析。

1 茶企現狀分析

從我國目前的茶葉市場來看，我國的茶企經營存在著一定的不規范問題，首先，我國的茶企較為分散，大多數茶企屬于中小型企業，大型茶企較少。同時，茶企的行業集中度較低，涉及到規模化生產的情況時，能力較弱，不利于茶葉企業的長久發展。

另外，根據我國消費群體經中國茶葉流通協會的消費指數調查，近年來，我國的茶葉消費量的消費量、消費額和價格較為平穩，且我國茶葉產量逐年遞增，這為我國的茶葉發展和消費提供了一定的保障。

利用人工智能的手段，建立BP神經網絡的茶葉產量預測模型，對我國的茶葉產量進行建模預測，可以更好地為茶葉企業發展策略的制定提供參考意見，讓茶企策略更加適應行業的發展，滿足消費者對我國茶葉市場日益增長的需求，同時也有利于我國茶葉產業的良好發展。

2 基于BP神經網絡的茶葉產量預測模型

通過MATLAB軟件建立基于BP神經網絡的茶葉產量預測模型，本文所建立的BP人工神經網絡模型包含三層：輸入層、隱含層、輸出層。

BP人工神經網絡具有良好的自我學習、自我適應能力和一定的推廣能力。網絡的基本思想是信號的正向傳播和誤差的反向傳播的學習過程，當信號在正向傳播時，輸入層的輸入樣本通過隱含層進行處理，傳輸到輸出層，通過對比輸出層實際輸出與期望輸出值的差異，進行誤差的反向傳播。即將輸出誤差通過隱含層向輸入層傳播，對權值不斷的進行調整修正，實現網絡的學習，直到達到模型的設定誤差或設定的學習次數。

2.1 網絡設置

本文建立的BP神經網絡模型輸入節點設置為3，隱含層神經元個數設置為10。為了避免過度擬合，劃分茶葉產量訓練、測試和驗證數據集，訓練集70%，測試集15%，驗證集15%。預測步數fn=7，預測七年的茶葉產量值。模型中{x1，x2，x3，……，xn}表示BP神經網絡模型的輸入數據，{y1，y2，y3，……，yn}為BP網絡模型輸出數據。在模型隱藏層對權重w和b進行參數調整。

2.2 BP神經網絡模型特點

BP神經網絡模型現在的應用十分廣泛，主要是由于基于BP算法的多層感知器具有以下的優點：

（1）良好的容錯能力

BP神經網路允許在模型輸入數據中存在較大的誤差或者存在一定的輸入錯誤，由于對權值的調整過程是一個從大量的輸入數據樣本提取數據特征的過程，故反映的數據規律來自于樣本總體，當極個別的樣本存在問題時，在模型對數據操作過程中，個別的誤差不會影響權值矩陣的調整。

（2）極強的非線性映射能力

BP神經網絡在對數據進行學習和存儲時，不用提前了解輸入、輸出的映射關系，當具備了足夠數量的樣本數據時，由BP網絡模型進行學習訓練，便能夠完成從輸入到輸出的非線性映射過程。在面對無法用數學方程解決的規律時，通過BP網絡模型，能夠很好地解決這類問題，具有極強的優勢。

（3）具備泛化能力

在根據已具備樣本數據建立BP網絡模型后，非線性映射關系將會儲存在網絡模型的權值矩陣中，在之后的模型運行中，向模型輸入未訓練過的數據時，BP神經網絡能夠良好的完成由輸入空間向輸出空間的映射，為實際問題的應用提供了極大的方便。

3 實例分析

本文實驗室根據中國統計年鑒2018給出的我國茶葉產量數據，將樣本數據輸入建立的BP神經網絡模型，對2018-2024的茶葉產量的預測。

如圖1所示。藍線表示已知年份茶葉產量數值，紅線為預測值。

圖1 茶葉產量預測結果圖

通過對茶葉產量預測結果，有助于幫助茶葉廠商把握行業趨勢，制定更貼近市場的實際情況的銷售策略，進而提高企業利潤。

4 結語

隨著我國消費水平的不斷增長，對茶葉的消費逐漸增加，企業需要對茶葉產量進行分析預測，來迎合消費趨勢。

本文建立的BP神經網絡的茶葉產量預測模型，通過模型的構建，能夠對接下來一段時間的茶葉產量進行預測，幫助企業制定合理的生產計劃。通過模型預測茶葉產量變化，有助于協助茶葉生產廠商分析市場價格、茶葉銷量等趨勢走向，實施更加符合實際的應對措施。

故采用BP神經網絡對茶葉產量進行預測是具有現實意義的。后續的實驗將根據不同類型的茶葉分類，對細分類下的茶葉建立預測模型，使模型具有更深層次的應用意義。