基于多模型融合的BP神經網絡組合預測模型的研究

王曉玲　楊姝

關鍵詞：預測模型；三次指數平滑預測；BP神經網絡組合預測；灰色預測；多變量LSTM預測

中圖分類號：TP181 文獻標識碼：A

文章編號：1009-3044（2023）03-0022-04

1 概述

對未來銷售數據的精準預測是企業獲得競爭優勢并實現目標的重要舉措，特別在新冠肺炎疫情全球蔓延背景下，企業對精準的銷售預測數據的期望變得尤為重要。怎么利用歷史銷售數據與當前形勢結合，預測未來的銷售量，以此應對不斷變化的市場，從而提高企業自身的應變能力。

現有預測模型都采用單一的三次指數平滑預測模型[1]、灰色預測模型[2]或多變量LSTM預測模型來預測未來的銷售數據[3]，三種預測模型得到的預測結果會受到各自局限性的影響從而導致預測結果不夠精確，影響著銷售計劃的制定。針對單一預測模型存在的問題本文引入多模型融合的BP神經網絡組合預測模型，該模型三種模型預測的結果送入BP神經網絡組合預測模型中，從而得到三種預測模型的最佳組合的預測結果[4-5]。

2 模型的建立

基于多模型融合的BP神經網絡組合預測模型[6]基于三次指數平滑預測模型、灰色預測模型和LSTM模型而建立的預測模型，即三種模型的輸出作為BP 神經網絡組合預測模型的輸入而建立的預測模型，該模型的數據流程如圖1所示。

2） 網絡設計，網絡結構如圖2所示：

x_i為輸入特征值，a_i為第一層隱含層輸出值，b_i為第二層隱含層輸出值，y_t為預測結果輸出值。將輸入x 與權重矩陣w結合，以wx + b 的形式作為隱含層的輸入，經過激活函數f （x）處理，輸出結果a₁， a₂，a_n并作為第二層隱含函數的輸入，再通過正切函數的處理輸出b₁， b₂，b_n然后與對應的權重、偏置結合，作為輸入，經過激活函數，計算得到輸出結果。

3） 滾動預測：采用一次預測待測一月的銷量數據，然后將預測銷量數據加入輸入值，再預測下一月的銷量數據，依次類推。

4） 模型增量更新：為保證模型的時效性，采用3-6 個月的時間對模型進行更新，可以減少全部數據更新帶來系統巨大的開銷。

2.4 基于BP神經網絡預測模型建立

BP神經網絡預測模型將上述三種模型的輸出作為該模型的輸入，組合權重根據均方誤差最小的準則通過3層BP網絡學習與訓練得到。網絡模型圖如下所示：

③ 采用滾動銷量預測方法，定期將前一段時間的歷史實際數據納入預測考量，來響應市場對產品實際需求。即每月產生新的銷售數據，就根據市場實際的銷售狀況，對未來的預測數據進行調整，不但提升預測準確率。

3 模型預測效果驗證

根據前面模型描述，采用Python 代碼實現基于Keras的BP神經網絡訓練模型，數據采用某藥店2017 年6月到2021年2月的數據作為訓練基礎，按月預測2020年未來幾個月的銷售數據。

3.1 歸一化處理

歷史輸入數據共45個月數據、數據比較連續，故采用前面5個月數據的平均值作為初始化數據，對數據中存在極大和極小的數據采用相鄰兩個月的平均數據進行替換，從而保證預測數據的精度，得到數據如下所示：

3.2 三次指數平滑預測模型

將歸一化后的初始值即前面5個月的平均銷售量作為一次指數平滑S'1 的值，取不同的a（從0.1到0.9） ，按照模型步驟分別計算出三次指數平滑預測值和對應的預測誤差RMSE，存儲最小誤差下的預測值，最終通過三次指數預測模型得到預測值。

3.3 灰色預測模型

將歸一化后的數據送入到灰色預測模型中，按照預測精度對預測值進行檢驗，在訓練中發現測試精度P > 0.95，C < 0.35較好的精度情況比較少，大部分時候處于合格和勉強可以的狀態，甚至出現不合格的情況。

3.4 LSTM 網絡預測模型

歸一化后的數據，并選取14個特征值，送入神經網絡進行訓練并預測結果，相關參數包含：網絡最大訓練次數1000；網絡學習速率0.01；隱含層數2個；隱含層神經元個數30*30；輸入層和隱含層添加dropout，dropout = 0.1。訓練階段（樣本1000個）：輸入1000*14，輸出1000*1；預測階段：輸入1*14，輸出1*1；

3.5 基于BP 神經網絡預測模型

三次指數平滑模型的輸出結果y_1t，灰色預測模型輸出結果y_2t和LSMT網絡預測模型的輸出結果y_3t作為該模型的輸入數據，隱含層采用一層2個神經元，a取5，通過訓練模型后得到的預測結果如表2所示：

4 總結

將三次指數平滑預測模型輸出值y_1t、色預測模型輸出值y_2t、LSMT預測模型輸出值y_3t和基于BP神經網絡預測模型輸出值（預測值）4種結果比較如圖5所示：

從圖5可以看出，三次指數預測模型預測結果的最低點和最高點間變化的幅度較大，但之后的預測數據較平穩；灰色預測模型預測結果和LSTM比較相似，但其最高點和最低點之間的差異比較大。基于BP神經網絡組合模型預測結果整體變化比較平穩，點與點之間沒有存在大幅度的跳躍，預測結果再與近期的原始數據進行對比，發現基于BP神經網絡組合模型預測的結果更與真實數據接近。