阳佩成 李荔*
贵州师范学院 物理与电子科学学院 贵州贵阳 550018
【摘要】电商库存补单是电商资金运转的一大难题，科学的补充订单和解决库存深度问题能加强电商供应链体系建设，帮助电商加速资金流动，减少库存压力，降低存储成本。本文针对传统的农产品销量预测模型方法的难点和新时代背景下农产品预测市场的需求,根据气候、时间、价格和质量、销售区域五个因素,利用LM算法优化了bp神经网络，并对贵州省威宁县荞酥的未来几天农产品销量建立了相应的网络模型,进行预测实验。结果表明该模型的预测精度较为准确，可以进行预测实验。
关键词：bp神经网络 机器学习 销量预测 LM算法 荞酥
0 引言
随着我国乡村特色农业振兴战略的实施，使用“互联网+”等利用科技方法指导农业生产的方法成为了未来的发展方向。
基于以上背景,本文引入了一种bp神经网络对每个产品的平均销售额数据进行了预测,bp神经网络相较于其他各种传统销售预测分析方法而言,具有强大的非线性,自动的学习和独立有组织的预测能力。在本文中，使用Levenberg-Marquardt算法对bp神经网络进行优化，本算法的性能相较于传统bp神经网络的梯度下降算法性能要提升很多，可以显著提高预测的速度以及精度。
1 bp神经网络原理
1.1bp神经网络原理简介
bp神经网络最早是被Rumelhart和McClelland于1986年前被提出的。bp模型神经网络的主要设计思想其实就是包含了两个组成部分,它们的主要目标分别是:产生信号的前向信息传递与产生误差后向信号传播。通过不断地更新调整整个网络的资源授权值,使网络的最终输出尽可能无限接近于期望输出,使得最终达到训练的目的。
2 bp神经网络模型建立
2.1bp神经网络结构参数选择
在设计BP神经网络时，需要考虑的因素有很多，其中主要的是网络的层数、每层神经元的个数和学习速率。本实验选择三级结构，其中五个输入，隐含层为六个节点来进行训练，并在实验过程中不断调整学习率。其中输入层的输入分别为平均温度、荞酥的价格、销售地区的恩格尔系数、荞酥的质量以及在售地区，然后依次将一个月的荞酥销售数据进行输入，将未来5天的销售量作为期望输出。
2.2数据处理
在 bp 神经网络的实际应用中,不同的评估指标都具有不同的维数和单位,因此我们在接受训练前,为了分析和解决各个数据指标之间的相互可比性,有必要针对这些数据做出归一化的处理,我们采用公式(2-1)对这些数据做出归一化的处理:
(2-1)
其中为归一化处理后的值，为归一化处理前的值，和分别为归一化处理之前原数据的最大值和最小值。使用归一化公式将输入向量的数据归一化到[0,1]内，防止在计算过程中产生“过拟合”的问题。
2.3学习方法选取
由于我们传统的 bp 神经网络训练速度慢,使用起来更复杂,不太适合我们建立新的 bp 神经网络模型,所以我们选择使用一些较为先进的 bp 神经网络算法进行训练，从而建立荞酥销售模型，我们尝试使用matlab工具箱中自带的Traingdx和Trainlm 两种训练方法分别进行训练。本实验中作者使用了一个月的数据量进行bp神经网络训练，使用Trainlm函数的训练速度比起Traingdx函数的训练速度要快了将近一倍，所以当数据量较大时，使用Trainlm函数的训练具有更明显的效率优势。因此本文采用Trainlm函数（即L-M优化算法）作为BP神经网络销售预测模型的训练方法。
2.4划分训练集、测试集
在我们已经准备好所有的输入和输出数据后,为了考察所需要设计的神经网络在系统中的计算和预测功能,我们把所有的输入和输出数据按类型分别归纳为训练集和测试集。采用留出方法来对其进行划分,也就是说:随机地选取70%的数据做为训练集,30%的数据做为测试集。通过这种方式,所获得的两组的分布是一致的,适用于数据集接近真实分布,而且类间分布没有很大的偏差。利用训练集的数据生成神经网络权值,利用测试集的数据验证了模型的精度。
3 训练过程以及预测结果
使用Bp神经网络预测荞酥销量的训练过程一共分为以下五步：
(1)通过随机选择所输入需要数据输入的各个数据,随机选择产生从各个输出输入层接收到数据隐含的各个数据和从各个输入输出层接收到数据隐含的各个数据权重,并基于随机选择所输入需要数据输入的各个数据权重来随机确定所输入需要的各个输出层和数据。
(2)将在隐含层节点和输出层节点处处理输入数据的实际网络输出与期望输出进行比较，计算实际输出与期望输出之间的误差。
(3)将误差作为权重值校正的依据，重复校正各层的权重值系数。
(4)只有在实际输入和期望输出之间的误差能够达到事前设定的误差收敛基准,才能取得最后一个网络的权重。
(5)以一个月的数据为输入，将计算的权重应用于整个神经网络的权重进行计算，得到预测结果。
根据以上步骤，将贵州省威宁县两个不同地区的一个月荞酥销量数据作为输入层输入，在matlab中进行bp神经网络的构建，对这两个地区未来五天的荞酥销量分别进行预测。得到的bp神经网络运行图如图3-1所示，得出预测结果。可以看出预测值和实际值比较接近。
.png)
4总结与展望
通过以上的实验，我们可以得出结论：bp神经网络相对于传统的预测方式具有下列优点：
(1)bp神经网络的预测精度相较于传统的预测方式要更加精确。
(2) bp神经网络通过归一化的方式，避免了复杂的数据处理，并且将数据归一成了一个统一的单位，使销量预测的影响因素更加容易量化。
（3）在Matlab中写好算法后便可导入数据进行预测，预测效率十分快捷。
当然，农作物的销量不仅取决于本文列出的因素。由于收集的数据有限，本文在预测中只考虑了上述核心因素。在未来的预测中，可以考虑引入更多的变量来提高预测的准确性。
基金项目：贵州师范学院大学生科研项目（2020DXS086）：基于优化神经网络的贵州威宁荞酥销量预测
通讯作者：李荔