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

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

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，该模型的数据流程如图1所示。

2） 网络设计，网络结构如图2所示：

x_i为输入特征值，a_i为第一层隐含层输出值，b_i为第二层隐含层输出值，y_t为预测结果输出值。将输入x 与权重矩阵w结合，以wx + b 的形式作为隐含层的输入，经过激活函数f （x）处理，输出结果a₁， a₂，a_n并作为第二层隐含函数的输入，再通过正切函数的处理输出b₁， b₂，b_n然后与对应的权重、偏置结合，作为输入，经过激活函数，计算得到输出结果。

3） 滚动预测：采用一次预测待测一月的销量数据，然后将预测销量数据加入输入值，再预测下一月的销量数据，依次类推。

4） 模型增量更新：为保证模型的时效性，采用3-6 个月的时间对模型进行更新，可以减少全部数据更新带来系统巨大的开销。

2.4 基于BP神经网络预测模型建立

BP神经网络预测模型将上述三种模型的输出作为该模型的输入，组合权重根据均方误差最小的准则通过3层BP网络学习与训练得到。网络模型图如下所示：

③ 采用滚动销量预测方法，定期将前一段时间的历史实际数据纳入预测考量，来响应市场对产品实际需求。即每月产生新的销售数据，就根据市场实际的销售状况，对未来的预测数据进行调整，不但提升预测准确率。

3 模型预测效果验证

根据前面模型描述，采用Python 代码实现基于Keras的BP神经网络训练模型，数据采用某药店2017 年6月到2021年2月的数据作为训练基础，按月预测2020年未来几个月的销售数据。

3.1 归一化处理

历史输入数据共45个月数据、数据比较连续，故采用前面5个月数据的平均值作为初始化数据，对数据中存在极大和极小的数据采用相邻两个月的平均数据进行替换，从而保证预测数据的精度，得到数据如下所示：

3.2 三次指数平滑预测模型

将归一化后的初始值即前面5个月的平均销售量作为一次指数平滑S'1 的值，取不同的a（从0.1到0.9） ，按照模型步骤分别计算出三次指数平滑预测值和对应的预测误差RMSE，存储最小误差下的预测值，最终通过三次指数预测模型得到预测值。

3.3 灰色预测模型

将归一化后的数据送入到灰色预测模型中，按照预测精度对预测值进行检验，在训练中发现测试精度P > 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y_1t，灰色预测模型输出结果y_2t和LSMT网络预测模型的输出结果y_3t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：

4 總结

将三次指数平滑预测模型输出值y_1t、色预测模型输出值y_2t、LSMT预测模型输出值y_3t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：

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。