1、本栏目责任编辑：唐一东人工智能Computer Knowledge and Technology电脑知识与技术第19卷第3期(2023年1月）第19卷第3期(2023年1月）基于多模型融合的BP神经网络组合预测模型的研究王晓玲，杨姝（电子科技大学成都学院，四川 成都 610051)摘要：随着大数据互联网等产业的高速发展，企业比以往更需要精准的预测销售数据来制定企业未来的规划。然而传统单一的预测模型如三次指数平滑预测模型、灰色预测模型和多变量LSTM预测模型都因各自的局限性难以得到精准预测的结果。本文提出建立一种基于多模型融合的BP神经网络组合预测模型，即将三次指数平滑预测、灰色预测和多变量LS
2、TM预测的预测结果作为BP神经网络预测模型的输入，从而得到精准预测结果。该模型通过在医疗销售行业的应用，符合预期成果，并得到好的评价。关键词：预测模型；三次指数平滑预测；BP神经网络组合预测；灰色预测；多变量LSTM预测中图分类号：TP181文献标识码：A文章编号：1009-3044(2023)03-0022-04开放科学（资源服务）标识码(OSID)：1 概述对未来销售数据的精准预测是企业获得竞争优势并实现目标的重要举措，特别在新冠肺炎疫情全球蔓延背景下，企业对精准的销售预测数据的期望变得尤为重要。怎么利用历史销售数据与当前形势结合，预测未来的销售量，以此应对不断变化的市场，从而提高企业自身
3、的应变能力。现有预测模型都采用单一的三次指数平滑预测模型1、灰色预测模型2或多变量LSTM预测模型来预测未来的销售数据3，三种预测模型得到的预测结果会受到各自局限性的影响从而导致预测结果不够精确，影响着销售计划的制定。针对单一预测模型存在的问题本文引入多模型融合的BP神经网络组合预测模型，该模型三种模型预测的结果送入BP神经网络组合预测模型中，从而得到三种预测模型的最佳组合的预测结果4-5。2 模型的建立基于多模型融合的BP神经网络组合预测模型6基于三次指数平滑预测模型、灰色预测模型和LSTM模型而建立的预测模型，即三种模型的输出作为BP神经网络组合预测模型的输入而建立的预测模型，该模型的数据
4、流程如图1所示。2.1 归一化处理归一化7的目的是得到平滑的初始值和剔除异常值。本模型取前面5个周期的平均值作为初始值，再利用线性回归和剔除残差的方法识别异常值，用相邻两个周期内平均值的方法替换异常值，最后将原数据采用公式xi*=xi-min(x)max(x)-min(x)无损映射到0,1之间。2.2 三次指数平滑预测模型建立指数平滑预测模型利用历史数据进行加权平均作为未来时刻的预测结果，一次指数平滑是在历史数据的基础上加权预测，二次指数平滑在一次指数平滑结果之上再次平滑得到的预测结果，三次又在二次的基础上再平滑一次，最终形成三次指数平滑预测模型。模型实现步骤如下：1)取历史数据中第一条数据作
5、为一次平滑的预测结果，即：S1=x1。2)设置=0.1（平滑系数，取值范围01之间，系数越大说明新数据占据权重越高）；3)根据公式St=xt+(1-)St-1、St=St+(1-)St-1和St=St+(1-)St-1分别计算一次指数平滑值St、二次指数平滑值St和三次指数平滑值St；4)按照公式Xt=At+Bt+Ct,t=2,.,N计算三次指数平滑预测值。其中，At=3St-3St+St，Bt=2(1-)2(6-5)St-2(5-4)St+(4-3)St，收稿日期：2022-08-15作者简介：王晓玲(1978)，女，四川大邑人，硕士，工程师，研究方向为计算机应用技术和人工智能；杨姝(198
6、2)，女，四川绵阳人，硕士，副教授，研究方向为计算机网络。图 1 BP神经网络预测模型数据流程图E-mail：http：/Tel：+86-551-65690963 65690964ISSN 1009-3044Computer Knowledge and Technology电脑知识与技术Vol.19,No.3,January202322DOI:10.14004/ki.ckt.2023.0149人工智能本栏目责任编辑：唐一东Computer Knowledge and Technology电脑知识与技术第19卷第3期(2023年1月）第19卷第3期(2023年1月）Ct=22(1-)2 St-2
7、St+St；5)根据公式RMSE=1N-1t=2N(xt-Xt)2计算当前下的三次指数平滑预测误差RMSE，其中，N表示观察的药品销量的周期数；6)取=a+0.1，返回第三步，重复计算，直到=0.9；7)求使得预测误差最小对应的，记作best；8)根据前面公式分别计算得到第 t 周期的St、St、St和Xt；9)根 据 公 式xN+1=w1xN+w2xN-1+w3xN-2+w4xN-T+1计算待预测一月的原始数据。其中，w1+w2+w3+w4=1，T为计算周期，选定为月。10)采用第四步公司分别计算第N+1周期的三次指数预测值XN+1；11)以此类推，重复步骤9和10直到计算完所有待预测月数的
8、三次指数平滑预测值。2.3 灰色预测模型建立灰色预测模型主要针对少而不连续的数据而建立的数学预测模型，数据生成方式包含累加生成、累减生成以及加权累加生成三种方式。本模型采用累加生成方式，模型建立步骤如下所示：1)计算一次累加序列将 数 据 x1,x2,.,xN记 为：X(0)=x(0)(1),x(0)(2),.,x(0)(N)，并计算一次累加序列X(1)=x(1)(1),x(1)(2),.,x(1)(N)；2)建立矩阵B,yB=-12 x(1)1(1)+x(1)1(2)1-12 x(1)1(2)+x(1)1(3)1.-12 x(1)1(n-1)+x(1)1(N)1(1)YN=x(0)(2),x
9、(0)(3),.,x(0)(N)T(2)3)求逆矩阵()BTB-14)根据U?=?=(BTB)-1BTy求估计值?和?5)根据x?(1)(k+1)=x(1)(1)-?e-?k+?求拟合值，计算拟合值x?(1)(i)，再用后减运算还原，即x?(0)(i)=x?(1)(i)-x(1)(i-1),i=2,3,.,N；6)精度检验：利用拟合值判断预测等级的好坏。等级好，进入步骤8计算预测值；否则按步骤7重新计算拟合值。精度检测步骤如下所示：计算残差和相对残差残差：E(k)=x(0)(k)-x?(0)(k),k=2,3,.,N；相 对 残 差：e(k)=x(0)(k)-x?(0)(k)/x(0)(k),
10、k=2,3,.,N计算小误差概率x(0)的均值：X=1Nk=1Nx(0)(k)x(0)的方差：S1=1Nk=1Nx(0)(k)-X2残差的均值：E=1N-1k=2NE(k)残差的方差：S2=1N-1k=2NE(k)-E2后验差比值：C=S2S1,小误差概率：P=P|E(k)-E 0.950.8 p 0.950.7 p 0.8其 他后验差c 0.350.35 c 0.450.45 c 0.95,C 0.35较好的精度情况比较少，大部分时候处于合格和勉强可以的状态，甚至出现不合格的情况。3.4 LSTM网络预测模型归一化后的数据，并选取14个特征值，送入神经网络进行训练并预测结果，相关参数包含：网
11、络最大训练次数1000；网络学习速率0.01；隐含层数2个；隐含层神经元个数30*30；输入层和隐含层添加dropout，dropout=0.1。训练阶段（样本1000个）：输入1000*14，输出1000*1；预测阶段：输入1*14，输出1*1；3.5 基于BP神经网络预测模型三次指数平滑模型的输出结果y1t,灰色预测模型输出结果y2t和LSMT网络预测模型的输出结果y3t作为该模型的输入数据，隐含层采用一层2个神经元，a取5，通过训练模型后得到的预测结果如表2所示：24人工智能本栏目责任编辑：唐一东Computer Knowledge and Technology电脑知识与技术第19卷第3
12、期(2023年1月）第19卷第3期(2023年1月）表 2 基于BP神经网络模型预测结果序号12345678910日期2021年3月2021年4月2021年5月2021年6月2021年7月2021年8月2021年9月2021年10月2021年11月2021年12月y1t92128152547154732195280179626153419161248179462181200184346y2t121700166000127300110100135100151100143500147300147100182700y3t1287152031998332716869955407816291534551
13、73297160582175589预测值808981029051104411181668558794684122837143640110290967554 总结将三次指数平滑预测模型输出值y1t、色预测模型输出值y2t、LSMT预测模型输出值y3t和基于BP神经网络预测模型输出值（预测值）4种结果比较如图5所示：图 5 四种预测模型预测结果比较图从图5可以看出，三次指数预测模型预测结果的最低点和最高点间变化的幅度较大，但之后的预测数据较平稳；灰色预测模型预测结果和LSTM比较相似，但其最高点和最低点之间的差异比较大。基于BP神经网络组合模型预测结果整体变化比较平稳，点与点之间没有存在大幅度的跳
14、跃，预测结果再与近期的原始数据进行对比，发现基于BP神经网络组合模型预测的结果更与真实数据接近。参考文献：1 谢乃明,张可.离散灰色预测模型及其应用M.北京:科学出版社,2016.2 罗安,周聪俊,史鹏翔,等.一种药品零售行业药品销售预测系统及方法:CN109785003AP.2019-05-21.3 冯宇,王聪.金融机构存款预测的组合预测模型研究J.经济研究导刊,2018(14):140-144.4 马超群,王晓峰.基于LSTM网络模型的菜品销量预测J.现代计算机（专业版）,2018(23):26-30.5 路玉龙,韩靖,余思婧,等.BP神经网络组合预测在城市生活垃圾产量预测中应用J.环境科
15、学与技术,2010,33(5):186-190.6 余国刚,冯琪,徐粉.张家港永嘉集装箱码头集装箱吞吐量组合预测J.物流技术,2017,36(4):103-107.7 王丽,丁越兰.中国普通高等教育发展及其成因的灰色关联度分析J.统计与信息论坛,2006,21(2):48-54.8 李奇.一种基于时间序列指数平滑的决策支持算法的研究D.秦皇岛:燕山大学,2007.9 潘文超.最佳投资组合与预测模型的优化以“金融控股公司”为例J.科技管理研究,2007,27(2):253-256.10 张浩东.武汉市游客数量预测研究J.统计与管理,2019(4):45-48.11 李娜,申孟宜,陶然.基于BP神
16、经网络模型的通货膨胀预测J.山东商业职业技术学院学报,2012,12(4):19-23,26.【通联编辑：唐一东】（上接第21页）根据图6和图7可以看出，无论是互联网上的图片还是实地拍摄的图片模型，都准确地检测出图片中的车辆可以准确地把图片中的车辆用红色的方框标记出来，并没有出现错误，准确度都在90%左右，这说明模型已经训练得比较好了。4 结束语本文把YOLOv5算法中的YOLOv5s模型运用到车辆检测中，使用Stanford Car Dataset数据集训练、测试和验证模型，得到YOLOv5s.pt模型文件，使用训练好的模型文件进行检测，结果表明识别的准确率非常高，可以对车辆进行高准确度的检测，实现了城市道路车辆的有效检测，这对城市道路管理有着非常大的意义，可以提高城市道路车辆管理的效率，有效地避免道路交通拥堵。参考文献：1 张漪,张美月.基于改进YOLOv5的交通监控视频车辆检测方法研究J.内蒙古公路与运输,2022(2):50-55.2 曹家乐,李亚利,孙汉卿,等.基于深度学习的视觉目标检测技术综述J.中国图象图形学报,2022,27(6):1697-1722.3 Girshic