优化BP神经网络算法在农资网站销售预测中的应用

周朝进，王玉珍

(1．兰州财经大学 丝绸之路经济研究院，甘肃 兰州，730020;2．兰州财经大学信息工程学院，甘肃兰州，730020)

准确、可靠、合理的销售预测是企业按照市场需求规划组织生产的必要保证，并在现代企业发展过程中扮演越来越重要的角色。因销售预测的重要性，理论界也掀起了研究的热潮，并形成一定的研究成果。如李霞［1］利用BP神经网络对2012年的警用手铐销售量进行了预测和仿真;李雪［2］将AHP与BP人工神经网络相结合，提出了一套A－BP销售预测模型;李铖瀚［3］对各省市各规格卷烟每日销售数据进行处理，建立符合卷烟市场特征的时间序列销量预测模型;孙晨等［4］提出使用布谷鸟算法优化神经网络，提高了股票市场的预测精度;刘莹［5］提出用数据挖掘的方法对商品销售预测进行分析，利用决策树、贝叶斯及关联规则等算法进行实例仿真，提高商品销售预测的准确率;CALSTERA T V等［6］将利润驱动的订单识别法与ARIMA模型结合，用可口可乐公司的数据集进行实验仿真，验证了预测的准确性;LU Chijie等［7］提出一个基于聚类的极限学习机(ELM)的预测模型，有效改善预测精度;KUO R J等［8］人将模糊神经网络与人工免疫融合，形成基于系统的反向传播神经网络，并对笔记本电脑进行销售预测。

可见，销售预测领域的研究成果相对较多，但专门针对农资网站的销售预测却很少。因此，文章首先利用因子分析法，优化传统BP神经网络，然后建立起适合农资网站销售的预测模型，对该网站的销售预测。实验表明，基于优化BP神经网络建立的农资网站销售预测模型，不仅提高了销售预测的准确度，而且在农资网站控制库存，降低成本，实现精准营销等方面具有一定的现实意义和应用价值。

1 优化BP神经网络的算法设计

1．1 算法设计基础

1．1．1 因子分析法

因子分析法［9］是一种从变量群中提取共性因子的降维方法。在研究问题时，会搜集广泛的数据资料，便于全面描述事物，但在实际建模的过程中，广而全的数据会加大计算的工作量。所以，为了减少不必要的工作量，简化网络结构［10］，采用因子分析法对原始数据进行处理，达到降维而又不丢失原有信息的目的。

1．1．2 BP 神经网络

BP神经网络是带有隐含层的多层前馈网络，是一种误差反向传播算法［11］，此算法由信息正向传递和误差反向传播组成，其基本原理是不停地修正网络中各层节点的权值、阈值，直到网络输出达到目标输出值，且具有很好的泛化能力。因此，文中利用因子分析法优化的BP神经网络应用到农资网站中，建立了适合农资网站产品的销售预测模型。

2．2 算法设计

2．2．1 算法原理

利用因子分析法优化BP神经网络的基本思想是首先通过因子分析法将BP神经网络的输入属性进行降维，得出新的综合影响因素，将其作为BP神经网络训练样本的输入属性，最后利用BP神经网络对农资网站的产品进行销售预测。

2．2．2 算法构建

因子分析法优化BP神经网络的基本流程如图1所示。

图1 基于因子分析法优化BP神经网络的流程图Fig．1 The flow chart of optimization of BP neural network based on factor analysis method

2．2．3 算法验证

为了验证优化后的BP神经网络算法，将其与经典BP神经网络进行销售预测的比较，得出其中的差异性，其具体实验结果如下。

1)预测结果分析

部分预测结果如表1所示。

表1 预测结果对比Table 1 Comparison of forecast results

经过多次实验，分别得出两种算法的最佳销售预测结果，从表1可知。为了评价预测结果的好坏［12］，使用均方平方和误差(MSE)作为评价标准，其中，MSE值越小表示预测的结果越准确，表2所示为两种算法的MSE值。

由表2可知，优化BP神经网络的 MSE(656.55)小于经典 BP神经网络的 MSE(1208.22)，即优化BP神经网络的预测结果比传统的BP神经网络的预测结果好。

表2 两种算法的MSETable 2 MSE for both algorithms

2)误差分析

两种算法的误差对比分析如图2和图3所示。

图2 优化BP的误差Fig．2 The error of optimized BP

图3 传统BP的误差Fig．3 The error of traditional BP

根据图2和图3的对比分析，我们可得到如表3所示的实验对比结果。

表3 实验结果对比分析Table 3 Comparison of experimental results

由图2、图3和表3可知，优化后的BP神经网络在较少迭代次数的情况下，不仅较快收敛到较小的误差范围，还提高了预测的准确度。由此可知，改进后的算法在收敛速度和预测的准确度上有所改善。

3 优化BP神经网络算法在农资网站销售预测中的应用

利用上文提到的算法对某农资网站的产品(液体化肥)进行销售预测，主要针对液体化肥每个配肥站的月销量情况进行预测。

3．1 源数据搜集及数据预处理

(1)源数据收集

源数据为某农资网站近三年各地区液体化肥的每日销售信息，出于对商业机密的保护，配肥站用PF(i)表示，其中i=1，…，6，液体化肥配方用A(j)，其中j=1，…，28。部分原始数据如下表4所示。

表 4 2016．11．1—2018．1．1 某农资网站产品销售信息Table 4 Product sales information of a certain agricultural resources website from 2016．11．1 to 2018．1．1

(2)数据预处理

对配肥站和液体化肥配方，进行十进制编码，使数据归一化［13］，如表5所示。

表5 配肥站的编码Table 5 Coding for fertilizer stations

3．2 算法实现过程

将降维得出的综合属性作为BP神经网络的输入属性，经过不断地训练，用经过检验之后的网络预测模型对该农资网站2018年每个站点的液体化肥进行月销售预测。

3．2．1 因子分析

应用SPSS 22软件对数据进行KMO和Bartlett的球形检验，实验结果显示，KMO=0.685，Bartlett球形检验的概率为0，小于显著性水平0.05，因此认为文章中所使用的数据适合于因子分析。

将数据进行因子分析，得出成分得分系数矩阵，如表6所示。

表6 成份得分系数矩阵Table 6 Components score coefficient matrix

根据表6的因子得分系数可知，选取了4个公共因子，并命名为f1、f2、f3、f4。从表6可知，变量x5、x6在公共因子f1上有较大的载荷数，集中反映各地区的基础设施建设情况，令f1为基础设施因子;变量x2、x8在公共因子f2上有较大的载荷数，集中反映农村人口的比重情况，令f2为农村人口因子;变量x4在公共因子f3上有较大的载荷数，集中反映该地区化肥施用量的情况，令f3为化肥施用因子;变量x7在公共因子f4上有较大的载荷数，集中反映月份对销量的影响情况，令f4为客观时间因子。根据因子得分方程计算公共因子得分，命名为F1、F2、F3、F4，并将其作为BP神经网络的输入数据，对液体化肥进行销量预测。

3．2．2 优化BP神经网络

利用因子分析优化BP神经网络样本数据后，进行BP神经网络建模并预测。

3．2．2．1 构建过程

1)因子分析法对原始数据降维;

2)将降维后的数据标准化处理;

3)将标准化的数据作为BP的输入;

4)根据设定的迭代次数，不断训练;

5)将训练好的网络进行模型检验;

6)网络模型的应用。

3．2．2．2 建立模型

由于数据的输入属性和输出属性已经确定，所以网络结构的输入层、输出层神经元的个数也将得以确定，即输入层有4个神经元，输出层有1个神经元，而隐含层神经元个数需要多次实验获得。初步建立适合农资网站产品(液体化肥)销售预测模型的网络拓扑图，如图4所示。

图4 BP神经网络拓扑图Fig．4 BP neural network topology

1)模型训练

将综合因素F1、F2、F3、F4作为BP神经网络的输入属性。其中，选取2/3的数据作为预测模型的训练样本，经过多次训练，直至达到预期目标，其中表1和图3分别表示了训练集的预测情况和标准数据的误差值，并确定销售预测模型的实验参数，如表7所示。

表7 销售预测模型训练的实验参数Table 7 Experimental parameters for sales forecast model training

2)模型检验

对训练好的模型进行检验，将剩余数据作为预测模型的检验数据集，部分检验结果如表8所示。

表8 检验集的实验结果Table 8 Experimental results of test sets

由表8可知，建立的模型既没有过拟合的现象，也没有欠拟合的情况，整体的预测值跟实际值相差不大，但仍存在误差，这是无法避免的。总体来说，建立的预测模型可以进行该农资网站产品(液体化肥)的月销量情况预测。

3．2．3 模型应用

将构建好的模型，应用到某农资网站液体化肥的销售预测中，预测该农资网站配方为A9的液体化肥(注:A9为某农资网站产品中销量最好的液体化肥)，2018年每个站点的每个月的月销量情况，具体预测结果如表9所示。

表9 预测结果Table 9 Forecast results

由预测结果可知，2018年1、2、11、12月的A9配方液体化肥在各配肥站无销售，其他各月的预测结果如表9显示。根据各地区的地理特征、自然环境因素以及以往销售情况可知，A9配方化肥不适合在冬季施肥，即没有销量。所以，表9的预测结果与实际相符合，更加满足农户的需求，贴近实际。

3．3 结果分析

根据预测结果，可以对该农资网站的销售情况进行分析，从而帮助农资网站更好地完善经营管理战略。

从季节性角度而言，该农资网站的A9类液体化肥预测的销量在夏季销量最好，且量很大，属旺季，所以各个配肥站在夏季来临之际，积极储备该类化肥，防止化肥缺货。

从配肥站角度而言，配肥站4、配肥站6在每个季节的销量都不错，所以企业应该考虑在这两个配肥站多配备化肥，并适当地合并、关闭销量不好的配肥站，降低经营成本。

从管理角度而言，对外，发放问卷对农户进行调查了解真实需求，对内，发现自身问题所在，定期进行人员培训。在逐步改善外部条件和调整内部结构的情况下，提高配肥站销量。

4 结语

文章首先采用因子分析法优化源数据，得出新的综合影响因素，然后将其作为BP神经网络的输入属性，最后利用BP神经网络，建立起适合农资网站产品的销售预测模型，并具体应用于某农资网站产品。实验表明优化后的BP神经网络算法在提高了预测准确度和收敛速度的同时，也简化了网络结构，降低了迭代次数，并在农资网站控制库存、降低成本、实现精准营销等方面，具有一定的现实意义和应用价值。