[发明专利]一种汽车配件需求预测方法、终端设备及存储介质

权利要求书

1.一种基于Elman神经网络的汽车配件需求预测方法，其特征在于，包括以下步骤：

S1、获取过去12个月的影响配件需求预测的历史数据，作为预测模型的数据样本；

S2、对数据样本进行清洗，具体过程为：通过拉依达准则来判断异常点数据，拉依达准则表达式为：式中，为样本均值，为样本标准差，当数据满足拉依达准则时，表明该数据为异常点，用样本均值替代该异常点的数据值，当数据样本存在缺失的数据点时，可用样本均值来补充缺失的数据点；

S3、对经过步骤S2处理的数据样本进行归一化处理；

S4、确定输入层神经元个数n、输出层神经元个数m、隐含层神经元个数l，建立Elman神经网络模型，其中，n等于数据样本的种类数，m＝1，隐含层神经元个数l用公式：计算，a取[1-10]之间；

S5、对Elman神经网络模型的训练参数和传递函数进行设置，其中，训练参数包括学习速率、允许最大训练步数、动量系数、最大验证失败次数和训练目标最小误差，输入层到隐含层的传递函数采用tansig函数，隐含层到输出层的传递函数采用purelin函数；

S6、将经过步骤S3处理的样本数据放入Elman神经网络模型中进行训练，得到汽车配件需求的预测值；

S7、计算预测值与实际值之间的误差值；

S8、判断误差值是否满足期望效果，如果满足就输出预测值并转至步骤S9，如果不满足就调整网络模型参数，然后回到步骤S6进行预测训练，其中，网络模型参数包括隐含层个数、训练参数和传递函数；

S9、利用反归一化方法对预测值进行处理，得到汽车配件需求量的预测结果。

2.如权利要求1所述的基于Elman神经网络的汽车配件需求预测方法，其特征在于，在步骤S6中，采用自适应学习速率动量梯度下降反向传播算法，在训练过程对学习速率进行自适应调整。

3.如权利要求1所述的基于Elman神经网络的汽车配件需求预测方法，其特征在于，所述数据样本包括汽车销售数据、配件销售数据和配件维修数据。

4.如权利要求1所述的基于Elman神经网络的汽车配件需求预测方法，其特征在于，所述归一化处理采用最大最小法，最大最小法依据函数实现，式中，x_max为输入数据样本的最大值，x_min为输入数据样本的最小值；所述反归一化方法的公式为式中，y_i是反归一化结果，是模型预测结果，y_max为输出数据样本的最大值，y_min为输出数据样本的最小值。

5.如权利要求1所述的基于Elman神经网络的汽车配件需求预测方法，其特征在于，训练参数设置如下：学习速率取0.05，允许训练最大步数设为2000，动量系数取0.9，最大验证失败次数取5和训练目标最小误差设为0.00001。

6.如权利要求1所述的基于Elman神经网络的汽车配件需求预测方法，其特征在于，误差值＝(预测值—实际值)/实际值*100％，期望效果为误差值在±5％以内。

7.一种汽车配件需求预测终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述方法的步骤。

8.一种计算机可读存储介质，所述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1-6中任一项所述方法的步骤。