CN115034812B - 基于大数据的钢铁行业销售量预测方法及装置 - Google Patents
基于大数据的钢铁行业销售量预测方法及装置 Download PDFInfo
- Publication number
- CN115034812B CN115034812B CN202210604988.7A CN202210604988A CN115034812B CN 115034812 B CN115034812 B CN 115034812B CN 202210604988 A CN202210604988 A CN 202210604988A CN 115034812 B CN115034812 B CN 115034812B
- Authority
- CN
- China
- Prior art keywords
- steel
- training sample
- network model
- sales
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 230
- 239000010959 steel Substances 0.000 title claims abstract description 230
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 123
- 238000012360 testing method Methods 0.000 claims abstract description 41
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 229910052799 carbon Inorganic materials 0.000 claims description 31
- 238000009826 distribution Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 19
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 16
- 238000012797 qualification Methods 0.000 claims description 14
- 238000004519 manufacturing process Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims 1
- 238000011002 quantification Methods 0.000 claims 1
- 238000004140 cleaning Methods 0.000 abstract description 22
- 238000004458 analytical method Methods 0.000 abstract description 10
- 238000012417 linear regression Methods 0.000 abstract description 10
- 238000001514 detection method Methods 0.000 abstract description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 229910001341 Crude steel Inorganic materials 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 description 1
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智能决策技术领域,提出一种基于大数据的钢铁行业销售量预测方法包括:将数据清洗后的钢销售样本数据进行映射,得到时间-销量坐标集群;将所述时间-销量坐标集群中各个坐标进行分组,得到测试样本集及训练样本集,利用预构建的神经网络模型,对所述训练样本集进行线性回归分析,得到钢需求预估初始网络模型;利用所述测试样本集对钢需求预估初始网络模型进行检测,若检测通过,得到钢需求预估优化网络模型,将用户输入的预期时间导入所述钢需求预估优化网络模型中,得到所述预期时间时的预测钢产量。本发明可以高效准确预测钢铁市场销售量。
Description
技术领域
本发明涉及智能决策技术领域,特别涉及一种基于大数据的钢铁行业销售量预测方法、装置。
背景技术
钢铁作为工业的粮食,有着无与伦比的作用,我国早已成为全球最大的产钢地,为中国建设发展提供巨大动力,然而随着节能减排,与供给侧改革的进展,为了减轻环境污染,避免产能浪费,我国钢产业逐渐从大量生产,向根据市场需求进行生产的方向发展。
目前我国主要通过专业领域人员对往年产品销量资料或市场调研等方法进行分析,耗费大量的时间与成本,但是准确率仍然不高,因此,目前急需一种能够高效准确预测市场销售量的方法。
发明内容
本发明实施方式的目的在于提供一种基于大数据的钢铁行业销售量预测方法、装置,其目的在于高效准确预测钢铁市场销售量。
为解决上述技术问题,本发明的实施方式提供了一种基于大数据的钢铁行业销售量预测方法,所述方法包括:
获取钢铁行业预设时间段内的钢销售记录集合,并根据预设的清洗填充策略,对所述钢销售记录集合进行数据清洗,得到钢销售样本数据;
将所述钢销售样本数据映射至预设的时间-销量空间中,得到所述钢铁行业的时间-销量坐标集群;
根据预设的样本分配规则,将所述时间-销量坐标集群中各个坐标进行分组,得到测试样本集及训练样本集,并利用预构建的神经网络模型,对所述训练样本集进行线性回归分析,得到钢需求预估初始网络模型;
利用所述钢需求预估初始网络模型,对所述测试样本集中各个坐标点进行需求预测,得到预测结果集,并对比所述预测结果集与所述测试样本集中的真实结果集,得到所述钢需求预估初始网络模型的命中率;
当所述命中率小于或等于预设的合格标准时,返回上述根据预设的样本分配规则,将所述时间-销量坐标集群中各个坐标进行分组的步骤,对所述钢需求预估初始网络模型进行迭代优化,直到当所述命中率大于预设的合格标准时,得到钢需求预估优化网络模型;
将用户输入的预期时间导入所述钢需求预估优化网络模型中,得到所述预期时间时的预测钢产量。
可选的,所述利用预构建的神经网络模型,对所述训练样本集进行线性回归分析,得到钢需求预估初始网络模型,包括:
从所述训练样本集中提取一个训练样本,将所述训练样本导入所述预构建的神经网络模型中,利用所述神经网络模型的特征提取网络对所述训练样本进行特征提取,得到所述训练样本的特征序列;
利用所述神经网络模型的运算层网络对所述特征序列进行正向传播计算,得到运算结果;
根据所述训练样本对应的真实结果标签,计算所述运算结果的网络误差;
根据随机梯度下降法,对所述网络误差进行最小化,得到网络权值参数;
将所述网络权值参数进行网络反向传播,更新所述神经网络模型;
判断所述训练样本集中是否还有训练样本;
当所述训练样本集中有训练样本时,则返回上述从所述训练样本集中提取一个训练样本的步骤,对所述神经网络模型进行遍历更新;
当所述训练样本集中没有训练样本时,则输出最终更新的神经网络模型作为钢需求预估初始网络模型。
可选的,所述利用所述神经网络模型的特征提取网络对所述训练样本进行特征提取,得到所述训练样本的特征序列,包括:
利用one-hot量化模型对所述训练样本进行向量化,得到向量化样本数据;
利用所述神经网络模型的特征提取网络的卷积核集合对所述向量化样本数据进行特征提取操作,得到特征矩阵集合;
对所述特征矩阵集合进行平均池化操作,得到低维特征矩阵集合;
对所述低维特征矩阵集合进行全连接操作,得到所述训练样本的特征序列。
可选的,所述对比所述预测结果集与所述测试样本集中的真实结果集,得到所述钢需求预估初始网络模型的命中率,包括:
查询所述预测结果集中各个预测结果在所述真实结果集中对应的真实结果,得到对比组合集合;
查询所述对比组合集合中各个对比组合的相对误差;
判断所述相对误差是否小于预设的命中阈值,得到命中判断结果;
根据所述命中判断结果,记录所述预测结果集中预测结果命中的数量与预测结果的总数量进行对比,得到所述钢需求预估初始网络模型的命中率。
可选的,所述根据预设的清洗填充策略,对所述钢销售记录集合进行数据清洗,得到钢销售样本数据,包括:
利用数据库工具,清除所述钢销售记录集合中的重复数据,得到干净数据集合,并查询所述干净数据集合中的空值位置;
获取所述空值位置上预设邻域范围内的前后数值集合,并将所述前后数值集合进行加权平均计算,得到均值数值;
将所述均值数值替换至所述干净数据集合的空值位置上,得到钢销售样本数据。
可选的,所述根据预设的样本分配规则,将所述时间-销量坐标集群中各个坐标进行分组,得到测试样本集及训练样本集,包括:
根据预设的样本分配规则中的划分比例,对所述时间-销量坐标集群中的坐标总数进行权重计算,得到训练样本数量;
根据所述样本分配规则中随机规则,从所述时间-销量坐标集群中挑选所述训练样本数量的坐标样本,得到训练样本集,并将所述时间-销量坐标集群中剩下的坐标样本作为测试样本集。
可选的,所述得到钢需求预估优化网络模型之后,所述方法还包括:
构建包含预设的碳排放-生产炉型-总产量关系激活函数的输出层网络,并将所述输出层网络连接至所述钢需求预估优化网络模型上,得到炉型比例—碳排放预估模型;
将用户输入的预期时间及预期炉型比例导入所述炉型比例—碳排放预估模型中,利用所述炉型比例—碳排放预估模型预测所述预期时间的预测钢产量,及根据所述预测钢产量及所述预期炉型比例,输出预测碳排放量;
根据预设的环保税费收费标准、所述预测碳排放量及所述预测钢产量,得到所述预期时间时的预计环保税费值。
本发明的实施方式提供了一种基于大数据的钢铁行业销售量预测装置,其特征在于,所述装置包括:
历史数据获取模块,用于获取钢铁行业预设时间段内的钢销售记录集合,并根据预设的清洗填充策略,对所述钢销售记录集合进行数据清洗,得到钢销售样本数据;
初始模型构建模块,用于将所述钢销售样本数据映射至预设的时间-销量空间中,得到所述钢铁行业的时间-销量坐标集群,及根据预设的样本分配规则,将所述时间-销量坐标集群中各个坐标进行分组,得到测试样本集及训练样本集,并利用预构建的神经网络模型,对所述训练样本集进行线性回归分析,得到钢需求预估初始网络模型;
模型训练模块,用于利用所述钢需求预估初始网络模型,对所述测试样本集中各个坐标点进行需求预测,得到预测结果集,并对比所述预测结果集与所述测试样本集中的真实结果集,得到所述钢需求预估初始网络模型的命中率,及当所述命中率小于或等于预设的合格标准时,对所述钢需求预估初始网络模型进行迭代优化,直到当所述命中率大于预设的合格标准时,得到钢需求预估优化网络模型;
销售量预测模块,用于将用户输入的预期时间导入所述钢需求预估优化网络模型中,得到所述预期时间时的预测钢产量。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的基于大数据的钢铁行业销售量预测方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于大数据的钢铁行业销售量预测方法。
本发明实施例将基于钢销售样本数据的钢铁行业的时间-销量坐标集群,划分为训练样本集及测试样本集用于构建钢需求预估优化网络,其中,本发明先利用神经网络的回归分析方法,根据所述训练样本集,构建一个钢需求预估初始网络,再利用所述测试样本集对所述钢需求预估初始网络进行检测,最终得到训练完成的钢需求预估优化网络,从而准确、高速地对钢铁行业的钢产量进行预估。因此,本发明实施例中所述的基于大数据的钢铁行业销售量预测方法、装置,能高效准确预测钢铁市场销售量。
附图说明
图1为本发明一实施例提供的基于大数据的钢铁行业销售量预测的流程示意图;
图2为本发明一实施例提供的基于大数据的钢铁行业销售量预测的其中一个步骤的详细流程示意图;
图3为本发明一实施例提供的基于大数据的钢铁行业销售量预测设备间合作运行的流程示意图;
图4为本发明一实施例提供的基于大数据的钢铁行业销售量预测装置的模块示意图;
图5为本发明一实施例提供的基于大数据的钢铁行业销售量预测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种基于大数据的钢铁行业销售量预测的方法。参照图1所示,为本发明一实施例提供的基于大数据的钢铁行业销售量预测的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,所述基于大数据的钢铁行业销售量预测方法包括:
S1、获取钢铁行业预设时间段内的钢销售记录集合,并根据预设的清洗填充策略,对所述钢销售记录集合进行数据清洗,得到钢销售样本数据。
本发明实施例中,所述钢,皆为粗钢,所述粗钢是指钢铁行业向社会提供的最终钢材加工原料。
进一步的,本发明实施例中所述清洗填充策略是将预设种类的数据库清洗函数进行顺序排列的自动化执行程序,用于自动化完成各种清洗操作。
本发明实施例从所述钢铁行业的发展报告中获取钢铁行业在预设时间段T内的钢销售记录集合,其中,所述预设时间段T可以为过去的三年。
详细的,本发明实施例中,所述根据预设的清洗填充策略,对所述钢销售记录集合进行数据清洗,得到钢销售样本数据,包括:
利用数据库工具,清除所述钢销售记录集合中的重复数据,得到干净数据集合,并查询所述干净数据集合中的空值位置;
获取所述空值位置上预设邻域范围内的前后数值集合,并将所述前后数值集合进行加权平均计算,得到均值数值;
将所述均值数值替换至所述干净数据集合的空值位置上,得到钢销售样本数据。
本发明实施例的数据库工具可以为Lavastorm分析引擎、IBM InfoSphere信息服务器、SAS数据质量服务器等能够自动化执行清洗操作的工具。
本发明实施例根据所述清洗填充策略,通过所述数据库工具查询所述钢销售记录集合中的空值位置,再利用均值填充算法,将所述空值位置上K距离邻域内(所述K可以为7)的前后数值集合的加权平均值对所述控制进行填充,得到钢销售样本数据,从而增加数据完整性。其中,加权平均过程中靠近所述空值位置的数值的权重系数较高,远离所述空值位置的数值的权重系数较低。
S2、将所述钢销售样本数据映射至预设的时间-销量空间中,得到所述钢铁行业的时间-销量坐标集群。
本发明实施例通过将所述钢销售样本数据中的各条销售记录进行基于时间与销售量的二维空间映射,得到坐标集群。其中,通过各个坐标集群中各个坐标点的分布,可以使得销售记录的数据变化更为明显,增加数据可用性,此外,本发明实施例的在所述二维空间中的单位时间可以为年或季度等。
S3、根据预设的样本分配规则,将所述时间-销量坐标集群中各个坐标进行分组,得到测试样本集及训练样本集,并利用预构建的神经网络模型,对所述训练样本集进行线性回归分析,得到钢需求预估初始网络模型。
本发明实施例中,所述样本分配规则主要包括比例、随机提取两个方面的规则,保证每次分组得到的测试样本集及训练样本集都不同,增加训练效率。
详细的,本发明实施例中,所述根据预设的样本分配规则,将所述时间-销量坐标集群中各个坐标进行分组,得到测试样本集及训练样本集,包括:
根据预设的样本分配规则中的划分比例,对所述时间-销量坐标集群中的坐标总数进行权重计算,得到训练样本数量;
根据所述样本分配规则中随机规则,从所述时间-销量坐标集群中挑选所述训练样本数量的坐标样本,得到训练样本集,并将所述时间-销量坐标集群中剩下的坐标样本作为测试样本集。
本发明实施例中,所述样本分配规则中的划分比例为“训练样本集:测试样本集=3:7”,若训练样本为100个坐标点,则产生70个训练样本集与30个测试样本集。
进一步的,本发明实施例中,所述神经网络模型包含特征提取网络及运算层网络,所述特征提取网络中包含卷积层、池化层、全连接层;所述运算层网络中包含多个神经元,每个神经元拥有单独的权值参数,整个神经元组合成一个线性回归激活函数。其中,所述运算层网络的激活函数为:
式中,,,…,是个待估计的权值参数,所述是相互独立且服从同一正态分布N(0,σ2)的随机变量,所述是第t个坐标点的随机变量“钢需求量”;所述可以第t个坐标点的随机变量“时间日期”。
详细的,参考图2所示,本发明实施例中,所述利用预构建的神经网络模型,对所述训练样本集进行线性回归分析,得到钢需求预估初始网络模型,包括:
S31、从所述训练样本集中提取一个训练样本,将所述训练样本导入所述预构建的神经网络模型中,利用所述神经网络模型的特征提取网络对训练样本进行特征提取,得到所述训练样本的特征序列;
S32、利用所述神经网络模型的运算层网络对所述特征序列进行正向传播计算,得到运算结果;
S33、根据所述训练样本对应的真实结果标签,计算所述运算结果的网络误差;
S34、根据随机梯度下降法,对所述网络误差进行最小化,得到网络权值参数;
S35、将所述网络权值参数进行网络反向传播,更新所述神经网络模型;
S36、判断所述训练样本集中是否还有训练样本;
当所述训练样本集中有训练样本时,则执行上述S31的步骤,对所述神经网络模型进行遍历更新;
当所述训练样本集中没有训练样本时,则S37、输出最终更新的神经网络作为钢需求预估初始网络模型。
具体的,本发明实施例通过初始化的运算层网络对一个训练样本的特征序列进行的正向传播,计算各个神经元的输入与输出,最终得到所述训练样本的预测结果,将所述预测结果与所述训练样本的真实结果进行对比,得到网络误差;再根据梯度下降方法,最小化所述网络误差,得到所述网络误差最小时各个神经元中的权值参数,最后通过运算层网络进行反向传输,更新所述运算层网络,实现一次机器学习;此时,还需判断训练样本的数量;若训练样本集中有训练样本,则进行下一个训练样本的机器学习,若所述训练样本集中没有训练样本时,则输出最终更新的神经网络模型作为钢需求预估初始网络模型。
进一步的,本发明实施例中,所述S3步骤中的利用所述神经网络模型的特征提取网络对训练样本进行特征提取,得到所述训练样本的特征序列,包括:
利用one-hot量化模型对所述训练样本进行向量化,得到向量化样本数据;
利用所述神经网络模型的特征提取网络的卷积核集合对所述向量化样本数据进行特征提取操作,得到特征矩阵集合;
对所述特征矩阵集合进行平均池化操作,得到低维特征矩阵集合;
对所述低维特征矩阵集合进行全连接操作,得到所述训练样本的特征序列。
其中,所述one-hot量化模型是一种机器学习中一种常用的预处理工具,可以通过编码的方式,将各个样本特征编码为独一无二的向量形式,便于模型中的计算过程。
此外,本发明实施例中所述卷积核集合位于所述卷积层中,每个卷积核代表一种样本特征,每个卷积核都可以对所述向量化样本数据进行一次卷积运算,得到一个特征矩阵;其中池化是指,将从预设范围内的特征值中提取一个特征值来代表所述预设范围的特征值,有利于特征矩阵地降维,其中,本发明实施例采用平均池化的操作进行降维。
最后,本发明实施例根据所述全连接层,将各个低维特征矩阵进行拆分,并进行一维排列,得到所述低维特征矩阵的部分特征序列,将各个所述低维特征矩阵的部分特征序列再进行排列组合,最终得到所述训练样本的特征序列。
S4、利用所述钢需求预估初始网络模型,对所述测试样本集中各个坐标点进行需求预测,得到预测结果集,并对比所述预测结果集与所述测试样本集中的真实结果集,得到所述钢需求预估初始网络模型的命中率。
本发明实施例,利用所述钢需求预估初始网络模型,对所述测试样本集中各个坐标点进行需求预测,得到预测结果集。其中,本发明实施例中,所述预测结果集与所述测试样本集中的真实结果集的相对误差小于预设的命中阈值,即可表示命中。
详细的,参考图3所示,本发明实施例中,所述对比所述预测结果集与所述测试样本集中的真实结果集,得到所述钢需求预估初始网络模型的命中率,包括:
S41、查询所述预测结果集中各个预测结果在所述真实结果集中对应的真实结果,得到对比组合集合;
S42、查询所述对比组合集合中各个对比组合的相对误差;
S43、判断所述相对误差是否小于预设的命中阈值,得到命中判断结果;
S44、根据所述命中判断结果,记录所述预测结果集中预测结果命中的数量与预测结果的总数量进行对比,得到所述钢需求预估初始网络模型的命中率。
本发明实施例中,根据预测结果集与所述真实结果集的对应关系,进行组合排列,得到对比组合集合;再计算各个对比组合的相对误差。本发明实施例中设置所述命中阈值为T,其中,所述T可以为10%。当所述平均误差值大于所述命中阈值,则表明所述对比组合未命中,反之,则命中。
当所述对比组合集合中的全部对比组合判断结束后,可以通过计数器记录命中的测试结果与未命中的测试结果的数值并进行对比计算,最终得到所述钢需求预估初始网络模型的命中率。
进一步的,判断所述命中率是否大于预设的合格标准;
当所述命中率小于或等于预设的合格标准时,S5、返回上述根据预设的样本分配规则,将所述时间-销量坐标集群中各个坐标进行分组的步骤,对所述钢需求预估初始网络模型进行迭代优化,直到当所述命中率大于预设的合格标准时,S6、得到钢需求预估优化网络模型。
具体的,本发明实施例中,预设的合格标准R为90%,当通过所述命中率大于90%,则表明所述钢需求预估初始网络模型合格,可以输出得到钢需求预估优化网络模型,反之,所述钢需求预估初始网络模型不合格,需要返回上述将所述时间-销量坐标集群中各个坐标进行分组的步骤,重新对所述钢需求预估初始网络模型进行训练。
S7、将用户输入的预期时间导入所述钢需求预估优化网络模型中,得到所述预期时间时的预测钢产量。
本发明实施例可以根据预设数据传输接口,将用户输入的预期时间导入所述钢需求预估优化网络模型中,即可得到所述预期时间时的预测钢产量。
进一步的,本发明另一实施例中,所述得到钢需求预估优化网络模型之后,所述方法还包括:
构建包含预设的碳排放-生产炉型-总产量关系激活函数的输出层网络,并将所述输出层网络连接至所述钢需求预估优化网络模型上,得到炉型比例—碳排放预估模型;
将用户输入的预期时间及预期炉型比例导入所述炉型比例—碳排放预估模型中,利用所述炉型比例—碳排放预估模型预测所述预期时间的预测钢产量,及根据所述预测钢产量及所述预期炉型比例,输出预测碳排放量;
根据预设的环保税费收费标准、所述预测碳排放量及所述预测钢产量,得到所述预期时间时的预计环保税费值。
本发明实施例中,所述生产炉型以转炉法及电炉法为例,所述转炉法的碳排放量约为2吨/吨粗钢,而电炉法的碳排放量约为0.6吨/吨粗钢,若定义A为转炉法的钢产量,B为电炉法的钢产量,C为钢预测总需求,D为碳排放量,E为所述转炉法与电炉法的生产炉型比例,则可以得到碳排放-生产炉型-总产量关系为:
2A+0.6B=D;
A+B=C;
A=E*B。
本发明实施例中,当所述钢需求预估优化网络生成钢预测总需求C后,可以将钢预测总需求C导入所述碳排放-生产炉型-总产量关系中,即可得到关于所述生产炉型比例E与所述碳排放量D的生产炉型-碳排放关系函数:
C(2E+0.6)/(1+E)=D
根据所述生产炉型-碳排放关系函数可知,在所述钢预测总需求C确定的情况下,当获取预设的企业预期炉型比例时,即可得到预测碳排放值。
因此,本发明实施例将所述碳排放-生产炉型-总产量关系作为预设输出层网络的激活函数,再将所述输出层网络与所述钢需求预估优化网络进行连接,得到炉型比例—碳排放预估模型。
本发明实施例将用户输入的预期时间及预期炉型比例,导入所述炉型比例—碳排放预估模型中,根据所述钢需求预估优化网络模型预测所述预期时间的预测钢产量,在利用所述输出层网络,根据所述预测钢产量及所述预期炉型比例,计算预测碳排放量,最后,再根据预设的环保税费收费标准,计算得到所述预期时间时的预计环保税费值。有利于钢铁行业提前得知环保税费值,降低环境损耗并及时进行产业调整。
本发明实施例将基于钢销售样本数据的钢铁行业的时间-销量坐标集群,划分为训练样本集及测试样本集用于构建钢需求预估优化网络,其中,本发明先利用神经网络的回归分析方法,根据所述训练样本集,构建一个钢需求预估初始网络,再利用所述测试样本集对所述钢需求预估初始网络进行检测,最终得到训练完成的钢需求预估优化网络,从而准确、高速地对钢铁行业的钢产量进行预估。因此,本发明实施例中所述的基于大数据的钢铁行业销售量预测方法,能高效准确预测钢铁市场销售量。
如图4所示,是本发明基于大数据的钢铁行业销售量预测装置的模块示意图。
本发明所述基于大数据的钢铁行业销售量预测装置100可以安装于电子设备中。根据实现的功能,所述基于大数据的钢铁行业销售量预测装置100可以包括历史数据获取模块101、初始模型构建模块102、模型训练模块103及销售量预测模块104。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
历史数据获取模块,用于获取钢铁行业预设时间段内的钢销售记录集合,并根据预设的清洗填充策略,对所述钢销售记录集合进行数据清洗,得到钢销售样本数据;
初始模型构建模块,用于将所述钢销售样本数据映射至预设的时间-销量空间中,得到所述钢铁行业的时间-销量坐标集群,及根据预设的样本分配规则,将所述时间-销量坐标集群中各个坐标进行分组,得到测试样本集及训练样本集,并利用预构建的神经网络模型,对所述训练样本集进行线性回归分析,得到钢需求预估初始网络模型;
模型训练模块,用于利用所述钢需求预估初始网络模型,对所述测试样本集中各个坐标点进行需求预测,得到预测结果集,并对比所述预测结果集与所述测试样本集中的真实结果集,得到所述钢需求预估初始网络模型的命中率,及当所述命中率小于或等于预设的合格标准时,返回上述根据预设的样本分配规则,将所述时间-销量坐标集群中各个坐标进行分组的步骤,对所述钢需求预估初始网络模型进行迭代优化,直到当所述命中率大于预设的合格标准时,得到钢需求预估优化网络模型;
销售量预测模块,用于将用户输入的预期时间导入所述钢需求预估优化网络模型中,得到所述预期时间时的预测钢产量。
详细地,本申请实施例中所述基于大数据的钢铁行业销售量预测装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于大数据的钢铁行业销售量预测方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明实现基于大数据的钢铁行业销售量预测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于大数据的钢铁行业销售量预测程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于大数据的钢铁行业销售量预测程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于大数据的钢铁行业销售量预测程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于大数据的钢铁行业销售量预测程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
获取钢铁行业预设时间段内的钢销售记录集合,并根据预设的清洗填充策略,对所述钢销售记录集合进行数据清洗,得到钢销售样本数据;
将所述钢销售样本数据映射至预设的时间-销量空间中,得到所述钢铁行业的时间-销量坐标集群;
根据预设的样本分配规则,将所述时间-销量坐标集群中各个坐标进行分组,得到测试样本集及训练样本集,并利用预构建的神经网络模型,对所述训练样本集进行线性回归分析,得到钢需求预估初始网络模型;
利用所述钢需求预估初始网络模型,对所述测试样本集中各个坐标点进行需求预测,得到预测结果集,并对比所述预测结果集与所述测试样本集中的真实结果集,得到所述钢需求预估初始网络的命中率;
当所述命中率小于或等于预设的合格标准时,返回上述根据预设的样本分配规则,将所述时间-销量坐标集群中各个坐标进行分组的步骤,对所述钢需求预估初始网络模型进行迭代优化,直到当所述命中率大于预设的合格标准时,得到钢需求预估优化网络模型;
将用户输入的预期时间导入所述钢需求预估优化网络模型中,得到所述预期时间时的预测钢产量。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取钢铁行业预设时间段内的钢销售记录集合,并根据预设的清洗填充策略,对所述钢销售记录集合进行数据清洗,得到钢销售样本数据;
将所述钢销售样本数据映射至预设的时间-销量空间中,得到所述钢铁行业的时间-销量坐标集群;
根据预设的样本分配规则,将所述时间-销量坐标集群中各个坐标进行分组,得到测试样本集及训练样本集,并利用预构建的神经网络模型,对所述训练样本集进行线性回归分析,得到钢需求预估初始网络模型;
利用所述钢需求预估初始网络模型,对所述测试样本集中各个坐标点进行需求预测,得到预测结果集,并对比所述预测结果集与所述测试样本集中的真实结果集,得到所述钢需求预估初始网络的命中率;
当所述命中率小于或等于预设的合格标准时,返回上述根据预设的样本分配规则,将所述时间-销量坐标集群中各个坐标进行分组的步骤,对所述钢需求预估初始网络模型进行迭代优化,直到当所述命中率大于预设的合格标准时,得到钢需求预估优化网络模型;
将用户输入的预期时间导入所述钢需求预估优化网络模型中,得到所述预期时间时的预测钢产量。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (5)
1.一种基于大数据的钢铁行业销售量预测方法,其特征在于,所述方法包括:
获取钢铁行业预设时间段内的钢销售记录集合,并利用数据库工具,清除所述钢销售记录集合中的重复数据,得到干净数据集合,并查询所述干净数据集合中的空值位置,获取所述空值位置上预设邻域范围内的前后数值集合,并将所述前后数值集合进行加权平均计算,得到均值数值,将所述均值数值替换至所述干净数据集合的空值位置上,得到钢销售样本数据;
将所述钢销售样本数据映射至预设的时间-销量空间中,得到所述钢铁行业的时间-销量坐标集群;
根据预设的样本分配规则中的划分比例,对所述时间-销量坐标集群中的坐标总数进行权重计算,得到训练样本数量,根据所述样本分配规则中随机规则,从所述时间-销量坐标集群中挑选所述训练样本数量的坐标样本,得到训练样本集,并将所述时间-销量坐标集群中剩下的坐标样本作为测试样本集;
从所述训练样本集中提取一个训练样本,将所述训练样本导入预构建的神经网络模型中,利用one-hot量化模型对所述训练样本进行向量化,得到向量化样本数据,利用所述神经网络模型的特征提取网络的卷积核集合对所述向量化样本数据进行特征提取操作,得到特征矩阵集合,对所述特征矩阵集合进行平均池化操作,得到低维特征矩阵集合,对所述低维特征矩阵集合进行全连接操作,得到所述训练样本的特征序列,利用所述神经网络模型的运算层网络对所述特征序列进行正向传播计算,得到运算结果,根据所述训练样本对应的真实结果标签,计算所述运算结果的网络误差,根据随机梯度下降法,对所述网络误差进行最小化,得到网络权值参数,将所述网络权值参数进行网络反向传播,更新所述神经网络模型,判断所述训练样本集中是否还有训练样本,当所述训练样本集中有训练样本时,则返回上述从所述训练样本集中提取一个训练样本的步骤,对所述神经网络模型进行遍历更新,当所述训练样本集中没有训练样本时,则输出最终更新的神经网络模型作为钢需求预估初始网络模型;
利用所述钢需求预估初始网络模型,对所述测试样本集中各个坐标点进行需求预测,得到预测结果集,并查询所述预测结果集中各个预测结果在所述真实结果集中对应的真实结果,得到对比组合集合,查询所述对比组合集合中各个对比组合的相对误差,判断所述相对误差是否小于预设的命中阈值,得到命中判断结果,根据所述命中判断结果,记录所述预测结果集中预测结果命中的数量与预测结果的总数量进行对比,得到所述钢需求预估初始网络模型的命中率;
当所述命中率小于或等于预设的合格标准时,返回上述根据预设的样本分配规则中的划分比例,对所述时间-销量坐标集群中的坐标总数进行权重计算,得到训练样本数量,根据所述样本分配规则中随机规则,从所述时间-销量坐标集群中挑选所述训练样本数量的坐标样本,得到训练样本集,并将所述时间-销量坐标集群中剩下的坐标样本作为测试样本集的步骤,对所述钢需求预估初始网络模型进行迭代优化,直到当所述命中率大于预设的合格标准时,得到钢需求预估优化网络模型;
将用户输入的预期时间导入所述钢需求预估优化网络模型中,得到所述预期时间时的预测钢产量。
2.如权利要求1所述的基于大数据的钢铁行业销售量预测方法,其特征在于,所述得到钢需求预估优化网络模型之后,所述方法还包括:
构建包含预设的碳排放-生产炉型-总产量关系激活函数的输出层网络,并将所述输出层网络连接至所述钢需求预估优化网络模型上,得到炉型比例—碳排放预估模型;
将用户输入的预期时间及预期炉型比例导入所述炉型比例—碳排放预估模型中,利用所述炉型比例—碳排放预估模型预测所述预期时间的预测钢产量,及根据所述预测钢产量及所述预期炉型比例,输出预测碳排放量;
根据预设的环保税费收费标准、所述预测碳排放量及所述预测钢产量,得到所述预期时间时的预计环保税费值。
3.一种基于大数据的钢铁行业销售量预测装置,其特征在于,所述装置包括:
历史数据获取模块,用于获取钢铁行业预设时间段内的钢销售记录集合,并利用数据库工具,清除所述钢销售记录集合中的重复数据,得到干净数据集合,并查询所述干净数据集合中的空值位置,获取所述空值位置上预设邻域范围内的前后数值集合,并将所述前后数值集合进行加权平均计算,得到均值数值,将所述均值数值替换至所述干净数据集合的空值位置上,得到钢销售样本数据;
初始模型构建模块,用于将所述钢销售样本数据映射至预设的时间-销量空间中,得到所述钢铁行业的时间-销量坐标集群,及根据预设的样本分配规则中的划分比例,对所述时间-销量坐标集群中的坐标总数进行权重计算,得到训练样本数量,根据所述样本分配规则中随机规则,从所述时间-销量坐标集群中挑选所述训练样本数量的坐标样本,得到训练样本集,并将所述时间-销量坐标集群中剩下的坐标样本作为测试样本集,并从所述训练样本集中提取一个训练样本,将所述训练样本导入预构建的神经网络模型中,利用one-hot量化模型对所述训练样本进行向量化,得到向量化样本数据,利用所述神经网络模型的特征提取网络的卷积核集合对所述向量化样本数据进行特征提取操作,得到特征矩阵集合,对所述特征矩阵集合进行平均池化操作,得到低维特征矩阵集合,对所述低维特征矩阵集合进行全连接操作,得到所述训练样本的特征序列,利用所述神经网络模型的运算层网络对所述特征序列进行正向传播计算,得到运算结果,根据所述训练样本对应的真实结果标签,计算所述运算结果的网络误差,根据随机梯度下降法,对所述网络误差进行最小化,得到网络权值参数,将所述网络权值参数进行网络反向传播,更新所述神经网络模型,判断所述训练样本集中是否还有训练样本,当所述训练样本集中有训练样本时,则返回上述从所述训练样本集中提取一个训练样本的步骤,对所述神经网络模型进行遍历更新,当所述训练样本集中没有训练样本时,则输出最终更新的神经网络模型作为钢需求预估初始网络模型;
模型训练模块,用于利用所述钢需求预估初始网络模型,对所述测试样本集中各个坐标点进行需求预测,得到预测结果集,并查询所述预测结果集中各个预测结果在所述真实结果集中对应的真实结果,得到对比组合集合,查询所述对比组合集合中各个对比组合的相对误差,判断所述相对误差是否小于预设的命中阈值,得到命中判断结果,根据所述命中判断结果,记录所述预测结果集中预测结果命中的数量与预测结果的总数量进行对比,得到所述钢需求预估初始网络模型的命中率,及当所述命中率小于或等于预设的合格标准时,对所述钢需求预估初始网络模型进行迭代优化,直到当所述命中率大于预设的合格标准时,得到钢需求预估优化网络模型;
销售量预测模块,用于将用户输入的预期时间导入所述钢需求预估优化网络模型中,得到所述预期时间时的预测钢产量。
4.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1或2所述的基于大数据的钢铁行业销售量预测方法。
5.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1或2所述的基于大数据的钢铁行业销售量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210604988.7A CN115034812B (zh) | 2022-05-31 | 2022-05-31 | 基于大数据的钢铁行业销售量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210604988.7A CN115034812B (zh) | 2022-05-31 | 2022-05-31 | 基于大数据的钢铁行业销售量预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115034812A CN115034812A (zh) | 2022-09-09 |
CN115034812B true CN115034812B (zh) | 2023-04-21 |
Family
ID=83123788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210604988.7A Active CN115034812B (zh) | 2022-05-31 | 2022-05-31 | 基于大数据的钢铁行业销售量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115034812B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117010942B (zh) * | 2023-08-11 | 2024-02-20 | 新立讯科技股份有限公司 | 基于神经网络和线性模型的农产品销售预测方法和*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063903A (zh) * | 2018-07-19 | 2018-12-21 | 山东建筑大学 | 一种基于深度强化学习的建筑能耗预测方法及*** |
CN109409915A (zh) * | 2017-08-18 | 2019-03-01 | 厦门雅迅网络股份有限公司 | 汽车配件销量预测方法、终端设备及存储介质 |
CN109978612A (zh) * | 2019-03-18 | 2019-07-05 | 北京工业大学 | 一种基于深度学习的便利店销量预测方法 |
WO2021147300A1 (zh) * | 2020-01-22 | 2021-07-29 | 中国农业机械化科学研究院 | 一种多源异构农田大数据产量预测方法、***与装置 |
CN113705930A (zh) * | 2021-09-16 | 2021-11-26 | 平安医疗健康管理股份有限公司 | 基于模型的费用预测方法、装置、计算机设备及存储介质 |
CN114021704A (zh) * | 2022-01-04 | 2022-02-08 | 深圳精智达技术股份有限公司 | 一种ai神经网络模型的训练方法及相关装置 |
CN114066236A (zh) * | 2021-11-16 | 2022-02-18 | 国家电网公司西南分部 | 风光有功出力场景生成方法、装置、电子设备及存储介质 |
-
2022
- 2022-05-31 CN CN202210604988.7A patent/CN115034812B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409915A (zh) * | 2017-08-18 | 2019-03-01 | 厦门雅迅网络股份有限公司 | 汽车配件销量预测方法、终端设备及存储介质 |
CN109063903A (zh) * | 2018-07-19 | 2018-12-21 | 山东建筑大学 | 一种基于深度强化学习的建筑能耗预测方法及*** |
CN109978612A (zh) * | 2019-03-18 | 2019-07-05 | 北京工业大学 | 一种基于深度学习的便利店销量预测方法 |
WO2021147300A1 (zh) * | 2020-01-22 | 2021-07-29 | 中国农业机械化科学研究院 | 一种多源异构农田大数据产量预测方法、***与装置 |
CN113705930A (zh) * | 2021-09-16 | 2021-11-26 | 平安医疗健康管理股份有限公司 | 基于模型的费用预测方法、装置、计算机设备及存储介质 |
CN114066236A (zh) * | 2021-11-16 | 2022-02-18 | 国家电网公司西南分部 | 风光有功出力场景生成方法、装置、电子设备及存储介质 |
CN114021704A (zh) * | 2022-01-04 | 2022-02-08 | 深圳精智达技术股份有限公司 | 一种ai神经网络模型的训练方法及相关装置 |
Non-Patent Citations (2)
Title |
---|
毕建涛 ; 魏红芹 ; .改进的BP神经网络及其在销量预测中的应用.山东理工大学学报(自然科学版).2011,(06),全文. * |
王美洁 ; 姜同强 ; .基于BP神经网络的茶叶产量预测研究.福建茶叶.2019,(02),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115034812A (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112035453B (zh) | 基于gbdt高阶特征组合的推荐方法、装置及存储介质 | |
CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
CN112306835A (zh) | 用户数据监控分析方法、装置、设备及介质 | |
CN110264270A (zh) | 一种行为预测方法、装置、设备和存储介质 | |
CN113327136A (zh) | 归因分析方法、装置、电子设备及存储介质 | |
CN111639857B (zh) | 订单智能审核方法、装置、电子设备及存储介质 | |
CN115034812B (zh) | 基于大数据的钢铁行业销售量预测方法及装置 | |
CN112990374A (zh) | 图像分类方法、装置、电子设备及介质 | |
CN117155771B (zh) | 一种基于工业物联网的设备集群故障溯源方法及装置 | |
CN112101481B (zh) | 目标物的影响因子筛选方法、装置、设备及存储介质 | |
CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
CN113837631A (zh) | 员工评价方法、装置、电子设备及可读存储介质 | |
CN116012019B (zh) | 一种基于大数据分析的金融风控管理*** | |
CN111652282A (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
CN113822379B (zh) | 工艺制程异常分析方法、装置、电子设备及存储介质 | |
CN116403693A (zh) | 问诊单派单方法、装置、设备及存储介质 | |
CN112561500B (zh) | 基于用户数据的薪酬数据生成方法、装置、设备及介质 | |
CN113704407A (zh) | 基于类别分析的投诉量分析方法、装置、设备及存储介质 | |
CN113706019A (zh) | 基于多维数据的业务能力分析方法、装置、设备及介质 | |
CN113505117A (zh) | 基于数据指标的数据质量评估方法、装置、设备及介质 | |
CN113449002A (zh) | 车辆推荐方法、装置、电子设备及存储介质 | |
CN113486238A (zh) | 基于用户画像的信息推送方法、装置、设备及存储介质 | |
CN113139129A (zh) | 虚拟阅读轨迹图生成方法、装置、电子设备及存储介质 | |
CN112215336A (zh) | 基于用户行为的数据标注方法、装置、设备及存储介质 | |
CN112735596A (zh) | 一种相似患者的确定方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |