[发明专利]一种基于GA-BP神经网络的饮水机投放预测方法及系统

说明书

本发明公开了一种基于GA‑BP神经网络的饮水机投放预测方法，包括：S1.获取与高校饮水机投放相关的数据信息，并对获取的数据信息进行归一化处理，得到处理后的数据信息；S2.构建基于GA‑BP的神经网络模型，并将处理后的数据信息输入至GA‑BP神经网络模型中进行训练，得到训练好的预测模型；S3.将测试的数据信息输入至训练好的预测模型中，训练模型输出与饮水机相对应的收益结果。

技术领域

本发明涉及饮水机投放技术领域，尤其涉及一种基于GA-BP神经网络的饮水机投放预测方法及系统。

背景技术

在高校、医院、大型工厂等场合，饮水机是一种常见设备，可供人们饮水。以高校为例，在饮水机投放数量问题上，目前基本上采取较为初级的测算方法，未能基于学校人数、天气、收益等数据来构建一整套智能化的预测方法，从而达到单台设备的最优利用。部分高校饮水机投放数量过多，设备平均使用次数过少，造成了资源的浪费，从而影响单台饮水机的经济效益。而有的高校则投放过少，无法满足使用需求。现有的技术方案中有通过一卡通的数据分析使用开水的消费时间特征与各地段饮水机使用情况分布，总结出开水供求特征之间的关系，提高管理效率。还有通过工业物联网的技术，建立远程监控系统，提高了直饮水设备的管理能力。这些方案一定程度上提高了饮水机设备管理的效率，却无法针对不同区域科学、合理安排饮水机的数量。饮水机的投放数量，应根据高校的在校生人数、高校所在地的年均气温、年均湿度、年均经济收益等因素综合考虑。

针对现有技术存在的问题，本发明提供了一种基于GA-BP神经网络的饮水机投放预测方法及系统。

发明内容

本发明的目的是针对现有技术的缺陷，提供了一种基于GA-BP神经网络的饮水机投放预测方法及系统。

为了实现以上目的，本发明采用以下技术方案：

一种基于GA-BP神经网络的饮水机投放预测方法，包括：

S1.获取与高校饮水机投放相关的数据信息，并对获取的数据信息进行归一化处理，得到处理后的数据信息；

S2.构建基于GA-BP的神经网络模型，并将处理后的数据信息输入至GA-BP神经网络模型中进行训练，得到训练好的预测模型；

S3.将测试的数据信息输入至训练好的预测模型中，训练模型输出与饮水机相对应的收益结果。

进一步的，所述步骤S1中与高校饮水机投放相关的数据信息包括在校人数、饮水机数量、所处地区的年均最高温度与相对湿度。

进一步的，所述步骤S1中对获取的数据信息进行归一化处理是基于mapminmax函数进行处理的，其中mapminmax函数表示为：

其中，y表示归一化后数据信息，y_max、y_min分别表示归一化后的数据中的最大值、最小值；x表示原始数据集，x_max、x_min分别表示原始数据集中的最大值、最小值。

进一步的，所述步骤S2具体包括：

S21.确定BP神经网络的结构；其中神经网络的隐含层节点数，表示为：

其中，l、m、n分别表示输入层、隐含层、输出层节点数；a表示调节常数；

S22.随机产生一个种群，并初始化种群中每个个体；其中每个个体包含BP神经网络中所有连接的权值和阈值，且每个个体的长度表示为：

L＝lm+mn+m+n

其中，L表示单个个体的长度；