專利名稱：一種基于神經(jīng)網(wǎng)絡(luò)的多品種商品價格預(yù)測的數(shù)據(jù)預(yù)處理方法
一種基于神經(jīng)網(wǎng)絡(luò)的多品種商品價格預(yù)測的數(shù)據(jù)預(yù)處理方技術(shù)領(lǐng)域
本發(fā)明屬于數(shù)據(jù)處理領(lǐng)域，特別涉及一種基于神經(jīng)網(wǎng)絡(luò)的多品種商品價格預(yù)測的數(shù)據(jù)預(yù)處理方法，可應(yīng)用于商品價格預(yù)測分析與商品銷售決策支持系統(tǒng)中的商品價格預(yù)測的數(shù)據(jù)預(yù)處理。
背景技術(shù)：
商品價格的預(yù)測方法是市場預(yù)測分析與商品生產(chǎn)銷售決策的基礎(chǔ)，是市場預(yù)測領(lǐng)域中的一個重要問題，在商品生產(chǎn)、銷售等很多問題中起著關(guān)鍵作用，而預(yù)測方法中的數(shù)據(jù)預(yù)處理方法對預(yù)測方法的通用性和準確性有著很大的影響。由于網(wǎng)絡(luò)技術(shù)的發(fā)展與網(wǎng)絡(luò)商店的普及，因此近年來，人們越來越重視對商品價格的預(yù)測方法的研究。商品價格的預(yù)測問題可以看作是基于時間序列的數(shù)據(jù)處理與數(shù)據(jù)分析問題，分為數(shù)據(jù)獲取、數(shù)據(jù)處理與預(yù)測模型三個方面。股票市場、期貨市場、電力市場等公開價格數(shù)據(jù)獲取較為容易，用于價格預(yù)測的模型主要有最小二乘回歸、神經(jīng)網(wǎng)絡(luò)、灰色馬爾科夫鏈、小波理論和GM(1，I)模型等。針對消費類商品價格數(shù)據(jù)的獲取方法，商品價格數(shù)據(jù)預(yù)處理方法和動態(tài)價格預(yù)測，2010 年至2012年，朱全銀等給出了商品銷售數(shù)據(jù)抽取與數(shù)據(jù)挖掘的方法以及基于Web的商品價格的預(yù)處理方法和動態(tài)預(yù)測方法(Quanyin Zhu, Yunyang Yan, Jin Ding and Yu Zhang. The Commodities Price Extracting for Shop Online，2010International Conference on Future Information Technology and Management Engineering，Changzhou，Jiangsu， Chian, Dec. 2010，Vol.2，pp. 317-320 ；Quanyin Zhu, Yunyang Yan, Jin Ding and Jin Qian. The Case Study for Price Extracting of Mobile Phone Sell Online. IEEE 2nd International Conference on Software Engineering and Service Science， Beijing， Chian, July. 2011，pp.281-295 ；Quanyin Zhu, Sunqun Cao, Jin Ding and Zhengyin Hah. Research on the Price Forecast without Complete Data based on Web Mining， 2011Distributed Computing andApplications to BusinessiEngineering and Science， Wuxi, Jiangsu，Chian, Oct.2011，pp. 120-123 ；Quanyin Zhu, Hong Zhou, Yunyang Yan, Jin Qian and Pei Zhou. Commodities Price Dynamic Trend Analysis Based on Web Mining. The International Conference on Multimedia Information Networking and Security,Shanghai,Chian,Nov. 2011,pp. 524-527 ；Jianping Deng,Fengwen Cao,Quanyin Zhu, and Yu Zhang. The Web Data Extracting and Application for Shop Online Based on Commodities Classified. Communications in Computer and Information Science，Vol. 234(4) :189-197 ；Quanyin Zhu, Suqun Cao, Pei Zhou, Yunyang Yan, Hong Zhou.Integrated Price Forecast based on Dichotomy Backfilling and Disturbance Factor Algorithm. International Review on Computers and Software,2011. Vol.6 (6) :1089-1093 ；Quan-yin Zhu, Pei Zhou, Yun-Yang Yan, Yong-Hua Yin. Exchange Rate Forecasting based on Adaptive Sliding Window and RBF Neural Network.International Review on Computers and Software,2011. Vol. 6 (7) 1290-1296 ；Jiajun Zong, Quanyin Zhu.Price Forecasting for Agricultural Products Based on BP and RBF Neural. ICSESS2012, p. 607-610 ;Hong Zhou, Quanyin Zhu, Pei Zhou. A Hybrid Price Forecasting Based on Linear Backfilling and Sliding Window Algorithm. International Review on Computers andSoftware, 2011. Vol. 6 (6) :1131-1134 ;王紅艷， 朱全銀，嚴云洋，錢進.商品價格數(shù)據(jù)的兩種WEB挖掘算法比較.微電子學(xué)與計算機.2011. Vol. 28(19) :168-172)。
RBF(Radical Basis Function)神經(jīng)網(wǎng)絡(luò)
RBF是一種前饋式神經(jīng)網(wǎng)絡(luò)，它模擬了人腦中局部調(diào)整、相互覆蓋接受域的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，具有很強的生物背景和逼近任意非線性函數(shù)的能力。它是一種三層結(jié)構(gòu)的前饋網(wǎng)絡(luò)第一層為輸入層，有信號源節(jié)點組成。第二層為隱含層，隱單元的變換函數(shù)式是一種局部分布的非負非線性函數(shù)，它對中心點徑向?qū)ΨQ且衰減。隱含層的單元數(shù)由所描述問題的需要確定。第三層為輸出層，網(wǎng)絡(luò)的輸出是隱單元輸出的線性加權(quán)。其中，輸入層節(jié)點只傳遞輸入信號到隱含層；隱含層的基函數(shù)為非線性的，它對輸入信號產(chǎn)生一個局部化的響應(yīng)， 即每一個隱含節(jié)點有一個參數(shù)矢量稱之為中心。該中心用來與網(wǎng)絡(luò)輸入矢量相比較以產(chǎn)生徑向?qū)ΨQ響應(yīng)，僅當輸入落在一個很小的指定區(qū)域中時，隱含節(jié)點才做出有意義的非零響應(yīng)，響應(yīng)值在O到I之間，輸入與基函數(shù)中心的距離越近，隱節(jié)點響應(yīng)越大；輸出單元是線性的，即輸出單元對隱節(jié)點輸出進行線性加權(quán)組合。
BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)
BP是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)。它能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。 BP神經(jīng)網(wǎng)絡(luò)是一種三層前饋網(wǎng)絡(luò)，包括輸入層、隱層和輸出層。輸入層各神經(jīng)元負責(zé)接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負責(zé)信息變換， 根據(jù)信息變化能力的需求，中間層可以設(shè)計為單隱層或者多隱層結(jié)構(gòu)；最后一個隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進一步處理后，完成一次學(xué)習(xí)的正向傳播處理過程，由輸出層向外界輸出信息處理結(jié)果。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過程，是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程一直進行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。
以上算法在用于價格預(yù)測時，無論是預(yù)測準確率，還是算法學(xué)習(xí)時間上都存在著很大的不確定性。算法中用到的技術(shù)計算語言MATLAB中的函數(shù)部分參數(shù)自定義的不確定性，增加了算法學(xué)習(xí)時間上和預(yù)測精度上的不確定性，這種不確定性使算法在用于商品價格的預(yù)測中存在很大的局限性。為了能更好的利用以上算法，提出了很多改進的價格預(yù)測方法基于BP神經(jīng)網(wǎng)絡(luò)模型的k-means聚類股價預(yù)測；基于BP神經(jīng)網(wǎng)絡(luò)的自適應(yīng)算法的 IPO抑價預(yù)測；基于組合BP神經(jīng)網(wǎng)絡(luò)的時間序列模型的農(nóng)產(chǎn)品價格預(yù)測模型；一種改進的基于小波變換和RBF神經(jīng)網(wǎng)絡(luò)的原油價格預(yù)測；基于動態(tài)RBF神經(jīng)網(wǎng)絡(luò)的非線性時間序列預(yù)測等。在提出的改進預(yù)測方法中，這些預(yù)測方法的針對性都較強，缺乏通用性，改進的預(yù)測方法只適用于一種商品或者同一類商品，而且預(yù)測方法的定參性使預(yù)測方法缺乏靈活性，在面對同一類不同種商品時不能保證價格預(yù)測的準確性。缺乏靈活性和通用性使這些改進的預(yù)測方法不能滿足廣大的銷售商對不同消費種類商品市場預(yù)測分析與商品銷售決策的迫切需求，因此，需要找到一種能夠適用于不同種類商品價格或同種類不同商品價格的預(yù)測方法，或找到一種針對不同種類商品價格的數(shù)據(jù)預(yù)處理方法，以獲得預(yù)測方法更好的通用性和更高的預(yù)測準確率。發(fā)明內(nèi)容
本發(fā)明的目的是將歸一化原始數(shù)據(jù)數(shù)量級方法與改進的RBF神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)預(yù)測方法結(jié)合，利用改進的RBF神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)對網(wǎng)頁挖掘的商品價格數(shù)據(jù)計算其最佳數(shù)量級，用計算得出的最佳數(shù)量級對商品價格數(shù)進行歸一化數(shù)據(jù)量級的預(yù)處理，之后利用改進的RBF神經(jīng)網(wǎng)絡(luò)和BP神將網(wǎng)絡(luò)進行商品價格的預(yù)測，提高RBF神經(jīng)網(wǎng)絡(luò)和BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測準確率，同時提高RBF神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)用于不同商品價格預(yù)測的通用性。
本發(fā)明的技術(shù)方案是通過歸一化原始數(shù)據(jù)數(shù)量級方法對網(wǎng)頁挖取的數(shù)據(jù)進行預(yù)處理，在實現(xiàn)歸一化數(shù)量級后的數(shù)據(jù)集上利用改進的RBF神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)計算得出商品價格數(shù)據(jù)的最佳量級，用計算得出的最佳數(shù)量級對商品價格數(shù)進行歸一化數(shù)據(jù)量級的預(yù)處理，進而完成商品的市場價格預(yù)測。
為便于理解本發(fā)明方案，首先對本發(fā)明的理論基礎(chǔ)進行 描述如下
在基于神經(jīng)網(wǎng)絡(luò)的價格預(yù)測領(lǐng)域中，提出了很多改進的用于價格預(yù)測的數(shù)據(jù)預(yù)處理方法，并都取得了明顯的改進效果。但這些改進方法針對性較強，忽視了預(yù)測方法的靈活性和通用性，使改進的價格預(yù)測方法存在很大的局限性。歸一化原始數(shù)據(jù)數(shù)量級的數(shù)據(jù)預(yù)處理方法能很好的提高預(yù)測方法的通用性和預(yù)測準確率。歸一化原始數(shù)據(jù)數(shù)量級方法，對于某一商品的價格數(shù)據(jù)，相對降低了商品價格數(shù)據(jù)的波動范圍，提高了預(yù)測方法的穩(wěn)定性， 同時提高了預(yù)測方法對于該商品價格預(yù)測時的準確率；對于不同商品的價格數(shù)據(jù)，相對降低了不同商品價格數(shù)據(jù)間的差異，同時對于某一特定商品，相對降低了該商品價格數(shù)據(jù)的波動范圍，提高了預(yù)測方法的穩(wěn)定性的同時增強了預(yù)測方法的通用性，獲得了更高的預(yù)測準確率；利用改進的RBF神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)在歸一化量級后的價格數(shù)據(jù)上實現(xiàn)商品的價格預(yù)測，獲得更高的商品價格預(yù)測準確率。
具體的說，本發(fā)明方案通過如下各步驟實現(xiàn)歸一化原始數(shù)據(jù)數(shù)量級與改進的RBF 神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的商品價格預(yù)測
步驟I、抽取網(wǎng)頁中商品的名稱、型號、類型與價格數(shù)據(jù)，建立有h個商品的數(shù)據(jù)集X = (A1, A2, , AhI ,設(shè)第i個商品抽取的價格數(shù)據(jù)為η個,Ai = (X1, X2, , χη},其中 i e [I, h], X1, x2, ... , xn指第Ai個商品抽取的η個價格數(shù)據(jù)；
步驟2、計算i個不同商品的價格量級,得到不同商品的價格量級M = Ib^b2,...,
步驟3、自定義一個包含數(shù)據(jù)個數(shù)為z的預(yù)測樣本，共需預(yù)測價格個數(shù)D ；
步驟4、選定預(yù)測模型；
步驟5、當選定的預(yù)測模型為RBF神經(jīng)網(wǎng)絡(luò)，執(zhí)行步驟6到步驟12 ;當選定的預(yù)測模型為BP神經(jīng)網(wǎng)絡(luò)，執(zhí)行步驟14到步驟21 ；
步驟6、設(shè)定模型訓(xùn)練函數(shù)為技術(shù)計算語言MATLAB中的newrbe (P，T，SPREAD)函數(shù)，該函數(shù)用于設(shè)計一個嚴格的徑向基網(wǎng)絡(luò)，其中P為輸入矢量，T為目標矢量，SPREAD為徑向基函數(shù)的分布；模型預(yù)測函數(shù)為技術(shù)計算語言MATLAB中的sim(' MODEL' ,PARAMETERS) 函數(shù)，此函數(shù)用于仿真一個神經(jīng)網(wǎng)絡(luò)，其中MODEL為訓(xùn)練好的網(wǎng)絡(luò)模型，PARAMETERS為輸入矢量；設(shè)定j個不同的徑向基函數(shù)的分布值Spreads = (Spread1, spread2, . . . , spread」}；
步驟7、將商品Ai的銷售價格數(shù)量級歸一化為量級IDi,得到4 ={χι,χ2,···,χ }；
步驟8、將輸入矢量P，目標矢量T帶入訓(xùn)練函數(shù)newrbe (P，T，SPREAD)，訓(xùn)練j個不同網(wǎng)絡(luò) Iietij = newrbe (P, T, spread」),建立預(yù)測樣本 Test = [t1； t2, . . . , tj ,tz e Ai ；
步驟9、商品Ai的第n+1天的j個預(yù)測值Yij = simOietij, Test),設(shè)商品Ai的第 n+1天的最佳預(yù)測值為Ji, Yi e Yij ；
步驟10、定義稱合權(quán)重W = (W1, w2, W3),設(shè)商品Ai的第n+1天的三個最佳預(yù)測徑向基函數(shù)的分布的值為 Bspreadil e Spreads,Bspreadi2 e Spreads,Bspreadi3 G Spreads,求得最佳獅基函數(shù)的分補值
權(quán)利要求
1.一種基于神經(jīng)網(wǎng)絡(luò)的多品種商品價格預(yù)測的數(shù)據(jù)預(yù)處理方法，其特征在于利用改進的RBF神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)對網(wǎng)頁挖掘的商品價格數(shù)據(jù)計算其最佳數(shù)量級，用計算得出的最佳數(shù)量級對商品價格數(shù)進行歸一化數(shù)據(jù)量級的預(yù)處理，進而提高RBF神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的預(yù)測準確率，也提高了 RBF神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)用于不同商品價格預(yù)測的通用性，具體包括以下步驟 步驟I、抽取網(wǎng)頁中商品的名稱、型號、類型與價格數(shù)據(jù)，建立有h個商品的數(shù)據(jù)集X =(X1, A2,. . . ,AJ,設(shè)第i個商品抽取的價格數(shù)據(jù)為n個,Ai = {x1； x2,. . .，xn},其中i G [I,h], X1, x2, . . . , xn指第Ai個商品抽取的n個價格數(shù)據(jù)； 步驟2、計算i個不同商品的價格量級，得到不同商品的價格量級M=； 步驟3、自定義一個包含數(shù)據(jù)個數(shù)為z的預(yù)測樣本，共需預(yù)測價格個數(shù)D ； 步驟4、選定預(yù)測模型； 步驟5、當選定的預(yù)測模型為RBF神經(jīng)網(wǎng)絡(luò)，執(zhí)行步驟6到步驟12 ;當選定的預(yù)測模型為BP神經(jīng)網(wǎng)絡(luò)，執(zhí)行步驟14到步驟21 ； 步驟6、設(shè)定模型訓(xùn)練函數(shù)為技術(shù)計算語言MATLAB中的newrbe (P，T，SPREAD)函數(shù)，該函數(shù)用于設(shè)計一個嚴格的徑向基網(wǎng)絡(luò)，其中P為輸入矢量，T為目標矢量，SPREAD為徑向基函數(shù)的分布；模型預(yù)測函數(shù)為技術(shù)計算語言MATLAB中的sim(' MODEL'，PARAMETERS)函數(shù)，此函數(shù)用于仿真一個神經(jīng)網(wǎng)絡(luò)，其中MODEL為訓(xùn)練好的網(wǎng)絡(luò)模型，PARAMETERS為輸入矢量；設(shè)定j個不同的徑向基函數(shù)的分布值Spreads = (Spread1, spread2, . . . , spread」}； 步驟7、將商品Ai的銷售價格數(shù)量級歸一化為量級bi，得到=憮,毛,...,元}; 步驟8、將輸入矢量P，目標矢量T帶入訓(xùn)練函數(shù)newrbe (P，T，SPREAD)，訓(xùn)練j個不同網(wǎng)絡(luò) Iietij = newrbe (P, T, Spreadj),建立預(yù)測樣本 Test = [t1； t2, . . . , tj , tz e Ai ； 步驟9、商品Ai的第n+1天的j個預(yù)測值Yij = simfcetij^Test),設(shè)商品Ai的第n+1天的最佳預(yù)測值為YytiE Yij ； 步驟10、定義稱合權(quán)重W = (W1, w2, W3)，設(shè)商品Ai的第n+1天的三個最佳預(yù)測徑向基函數(shù)的分布的值為 Bspreadil G Spreads, Bspreadi2 G Spreads, Bspreadi3 G Spreads,求得最佳徑向基函數(shù)的分補值
2.根據(jù)權(quán)利要求I所述的一種基于神經(jīng)網(wǎng)絡(luò)的多品種商品價格預(yù)測的數(shù)據(jù)預(yù)處理方法，其特征在于步驟I中所述抽取網(wǎng)頁中商品的名稱、型號、類型與價格數(shù)據(jù)是指，利用任意Web數(shù)據(jù)抽取算法，抽取商品在網(wǎng)頁上顯示的名稱、型號、類型與價格數(shù)據(jù)；其中X1,x2, , Xn可以是第i個商品Ai從一個網(wǎng)頁中抽取的n個價格數(shù)據(jù)，也可以是從多個網(wǎng)頁中抽取的n個平均價格數(shù)據(jù)。
3.根據(jù)權(quán)利要求I所述的一種基于神經(jīng)網(wǎng)絡(luò)的多品種商品價格預(yù)測的數(shù)據(jù)預(yù)處理方法，其特征在于步驟2是對任一商品的價格數(shù)據(jù)計算獲得該商品價格數(shù)據(jù)的量級。
4.根據(jù)權(quán)利要求I所述的一種基于神經(jīng)網(wǎng)絡(luò)的多品種商品價格預(yù)測的數(shù)據(jù)預(yù)處理方法，其特征在于步驟3到步驟5是針對任意一個商品在價格預(yù)測時的參數(shù)設(shè)定和預(yù)測模型選定，其中z值一般為3，5，7，D值一般為3，7。
5.根據(jù)權(quán)利要求I所述的一種基于神經(jīng)網(wǎng)絡(luò)的多品種商品價格預(yù)測的數(shù)據(jù)預(yù)處理方法，其特征在于步驟6和步驟14中技術(shù)計算語言MATLAB是MathWorks公司的產(chǎn)品，版本為 R2011b。
6.根據(jù)權(quán)利要求I所述的一種基于神經(jīng)網(wǎng)絡(luò)的多品種商品價格預(yù)測的數(shù)據(jù)預(yù)處理方法，其特征在于步驟6到步驟12是針對任意一個商品在一個網(wǎng)頁中不同日期的價格數(shù)據(jù)在改進的RBF神經(jīng)網(wǎng)絡(luò)下的預(yù)測值，或多個網(wǎng)頁中不同日期的平均值價格數(shù)據(jù)在改進的RBF神經(jīng)網(wǎng)絡(luò)下的預(yù)測值。
7.根據(jù)權(quán)利要求I所述的一種基于神經(jīng)網(wǎng)絡(luò)的多品種商品價格預(yù)測的數(shù)據(jù)預(yù)處理方法，其特征在于步驟14到步驟20是針對任意一個商品在一個網(wǎng)頁中不同日期的價格數(shù)據(jù)在改進的BP神經(jīng)網(wǎng)絡(luò)下的預(yù)測值，或多個網(wǎng)頁中不同日期的平均值價格數(shù)據(jù)在改進的BP神經(jīng)網(wǎng)絡(luò)下的預(yù)測值。
8.根據(jù)權(quán)利要求I所述的一種基于神經(jīng)網(wǎng)絡(luò)的多品種商品價格預(yù)測的數(shù)據(jù)處理發(fā)方法，其特征在于步驟6、步驟8、步驟14和步驟16中的輸入矢量P為訓(xùn)練樣本集，目標矢量T為訓(xùn)練測試預(yù)測值的數(shù)據(jù)集。
9.根據(jù)權(quán)利要求I所述的一種基于神經(jīng)網(wǎng)絡(luò)的多品種商品價格預(yù)測的數(shù)據(jù)處理發(fā)方法，其特征在于步驟6中預(yù)先設(shè)定的j值一般為40，步驟14中預(yù)先設(shè)定的j值一般為10。
10.根據(jù)權(quán)利要求I所述的一種基于神經(jīng)網(wǎng)絡(luò)的多品種商品價格預(yù)測的數(shù)據(jù)處理發(fā)方法，其特征在于步驟7和步驟15中是將任一商品的價格數(shù)據(jù)數(shù)量級歸一化到統(tǒng)一的量級，商品的價格數(shù)據(jù)的數(shù)量級和歸一化的量級相同，該商品的價格數(shù)據(jù)的數(shù)量級不進行歸一化量級預(yù)處理；商品的價格數(shù)據(jù)的數(shù)量級和歸一化的量級不同，該商品的價格數(shù)據(jù)的數(shù)量級進行歸一化量級預(yù)處理，量級一般為1，10，100，1000。
11.根據(jù)權(quán)利要求I所述的一種基于神經(jīng)網(wǎng)絡(luò)的多品種商品價格預(yù)測的數(shù)據(jù)預(yù)處理方法，其特征在于步驟10和步驟18中定義的耦合權(quán)重w = [2，4，2]。
全文摘要
本發(fā)明公開了一種基于神經(jīng)網(wǎng)絡(luò)的多品種商品價格預(yù)測的數(shù)據(jù)預(yù)處理方法，利用改進的RBF神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)對網(wǎng)頁挖掘的商品價格數(shù)據(jù)計算其最佳數(shù)量級，用計算得出的最佳數(shù)量級對商品價格數(shù)據(jù)進行歸一化數(shù)據(jù)量級的預(yù)處理，進而提高了RBF神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的預(yù)測準確率，也提高了RBF神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)用于不同種類商品價格預(yù)測的通用性。
文檔編號G06F19/00GK102982229SQ201210325368
公開日2013年3月20日 申請日期2012年9月6日 優(yōu)先權(quán)日2012年9月6日
發(fā)明者朱全銀, 尹永華, 嚴云洋, 陳婷, 曹蘇群 申請人:淮陰工學(xué)院