基于神经网络的制糖原材料预测方法

摘要

本发明公开了一种基于神经网络的制糖原材料预测方法，能够准确预测出制糖企业的制糖原材料需求量，包括：S1、将原材料的采购量、消耗量、成品糖销售量以及时间特征作为输入层，基于Elman神经网络构建制糖原材料预测模型；S2、采集制糖企业过去预定时间内的原材料采购量、消耗量、成品糖销售量的历史数据；S3、基于布谷鸟搜索算法并结合历史数据对制糖原材料预测模型进行权值优化；S4、基于预定时间内的节假日数据提取出时间特征，并对制糖原材料预测模型进行时间特征优化；S5、对权值优化和时间特征优化后的结果进行预处理并作为预测模型的输入，训练该预测模型并保存；S6、通过训练后的制糖原材料预测模型预测出下次原材料需求量。

权利要求

1.一种基于神经网络的制糖原材料预测方法，其特征在于，包括以下步骤：步骤S1、将原材料的采购量、消耗量、成品糖销售量以及时间特征作为输入层、将下次原材料需求量作为输出层，基于Elman神经网络构建制糖原材料预测模型；

步骤S2、采集制糖企业过去预定时间内的原材料采购量、消耗量、成品糖销售量的历史数据；

步骤S3、基于布谷鸟搜索算法并结合所述历史数据对所述制糖原材料预测模型进行权值优化；

步骤S4、基于所述预定时间内的节假日数据提取出所述时间特征，并对所述制糖原材料预测模型进行时间特征优化；

步骤S5、对所述步骤S3权值优化和所述步骤S4时间特征优化后的结果进行预处理并作为所述制糖原材料预测模型的输入，训练该制糖原材料预测模型并保存；以及步骤S6、通过训练后的所述制糖原材料预测模型预测出所述下次原材料需求量。

2.根据权利要求1所述的基于神经网络的制糖原材料预测方法，其特征在于：其中，所述步骤S1包含以下过程：

S11、输入输出节点的选取：将原材料的采购量、消耗量、成品糖销售量以及时间特征作为输入层，将下次原材料需求量作为输出层；

S12、输入样本归一化处理：基于公式 对训练样本和测试样本数据进行归一化处理，

这里，N为原始的神经网络输入值，M为处理后的输入值，Nmin、Nmax为神经网络输入量的极大和极小值，在实际情况中，Nmax通常采用样本值的1.25倍，Nmin通常为样本值的0.75倍；

S13、隐含层节点数的确定：基于公式 进行确定；

S14、网络学习速率的确定：采用自适应改变学习速率的方式，基于公式进行，

这里，η(t+1)和η(t)分别表示迭代下一次和当前的学习速率，Et+1和Et分别表示迭代下一次的误差和当前误差，a和b分别为正小数，用来控制学习速率的大小。

3.根据权利要求2所述的基于神经网络的制糖原材料预测方法，其特征在于：其中，所述步骤S12在预测结束后，需要对制糖原材料需求量值换算回来，换算公式为：N＝Nmin+M·(Nmax-Nmin)。

4.根据权利要求1所述的基于神经网络的制糖原材料预测方法，其特征在于：其中，所述步骤S3包含以下过程：

S31、初始化网络参数，在一定约束条件下随机产生n个鸟巢开始训练，以均方根误差作为适应度函数，根据适应度函数值寻找当前所有鸟巢的最优解S32、判断当前所有鸟巢的最优解是否满足精度或者迭代次数是否达到最大迭代次数，如果是，则转S35，否则就继续执行下一步S33；

S33、采用自适应步长控制量的Levy飞行模式替换n个鸟巢的位置得到在进行替换操作时，若鸟巢的适应度值相比之下较好则进行替换，否则保留；

S34、在[0,1]生成随机数P并与当前迭代次数的自适应寄生失败概率Pa作对比，若P>Pa，则保留xi(t)；若P

S35、停止迭代，取得当前所有鸟巢的所述最优解 并根据所述最优解 初始化所述制糖原材料预测模型的最优权值和阈值。

说明书

基于神经网络的制糖原材料预测方法

技术领域

[0001] 本发明属于制糖企业原材料需求预测领域，尤其涉及一种基于神经网络的制糖原材料预测方法。

背景技术

[0002] 为了降低在生产过程中的生产成本，很多企业从整条供应链考虑采购、计划、生产、销售等环节，从各个环节来考虑减少企业成本。目前，国内外许多学者提出各种方法来对原材料需求量进行预测。1972年英国统计学家 G.U.Yule提出自回归(AR)模型，是最早处理时间序列预测的方法。一段时间后，英国天文学家、数学家G.T.Walker在观察和分析印度的大气规律时使用了自回归移动平均(ARMA)模型和移动平均(MA)模型，这些模型的提出揭开了国内外学者研究时间序列的序幕。

[0003] 目前，国内制糖企业普遍存在因供需不匹配而造成生产效率低下的问题。制糖原材料需求量和购买原材料提前的时间以及生产计划有关系，然而购买提前的时间以及生产计划变动性太大，因此制糖原材料的需求量无法准确地确定。其中原材料采购是整条供应链的起始，为了保证生产的及时供应和生产平衡，对企业原材料需求量进行控制和预测是必不可少的一步。

[0004] 然而，现有原材料需求量预测研究绝大多数采用传统回归、线性规划等算法模型，尚未考虑制糖原材料业务特点，忽略了时间因素对原材料需求量的影响，导致需求量预测的准确性有限。因此，如何科学准确的预测制糖原材料需求量是制糖企业实现现代化智能化管理必需解决的基础和关键问题之一。

发明内容

[0005] 本发明是为了解决上述问题而进行的，目的在于提供一种能够准确预测出制糖企业下次制糖原材料需求量的基于神经网络的制糖原材料预测方法。

[0006] 本发明提供了一种基于神经网络的制糖原材料预测方法，其特征在于，具体包括以下步骤：步骤S1、将原材料的采购量、消耗量、成品糖销售量以及时间特征作为输入层、将下次原材料需求量作为输出层，基于Elman神经网络构建制糖原材料预测模型；步骤S2、采集制糖企业过去预定时间内的原材料采购量、消耗量、成品糖销售量的历史数据；步骤S3、基于布谷鸟搜索算法并结合历史数据对制糖原材料预测模型进行权值优化；步骤S4、基于预定时间内的节假日数据提取出时间特征，并对制糖原材料预测模型进行时间特征优化；步骤S5、对步骤S3权值优化和步骤S4时间特征优化后的结果进行预处理并作为制糖原材料预测模型的输入，训练该制糖原材料预测模型并保存；以及步骤S6、通过训练后的制糖原材料预测模型预测出下次原材料需求量。

[0007] 在本发明提供的基于神经网络的制糖原材料预测方法中，还可以具有这样的特征：其中，步骤S1包含以下过程：S11、输入输出节点的选取：将原材料的采购量、消耗量、成品糖销售量以及时间特征作为输入层，将下次原材料需求量作为输出层；S12、输入样本归一化处理：基于公式 对训练样本和测试样本数据进行归一化处理，这里，N为原始的神经网络输入值，M为处理后的输入值，Nmin、Nmax为神经网络输入量的极大和极小值，在实际情况中，Nmax通常采用样本值的1.25倍，Nmin通常为样本值的0.75倍； S13、隐含层节点数的确定：基于公式 进行确定；S14、网络学习速率的确定：采用自适应改变学习速率的方式，基于公式

[0008] 进行，

[0009] 这里，η(t+1)和η(t)分别表示迭代下一次和当前的学习速率，Et+1和Et分别表示迭代下一次的误差和当前误差，a和b分别为正小数，用来控制学习速率的大小。

[0010] 在本发明提供的基于神经网络的制糖原材料预测方法中，还可以具有这样的特征：其中，步骤S12在预测结束后，需要对制糖原材料需求量值换算回来，换算公式为：N＝Nmin+M·(Nmax-Nmin)。

[0011] 在本发明提供的基于神经网络的制糖原材料预测方法中，还可以具有这样的特征：其中，步骤S3包含以下过程：S31、初始化网络参数，在一定约束条件下随机产生n个鸟巢开始训练，以均方根误差作为适应度函数，根据适应度函数值寻找当前所有鸟巢的最优解 S32、判断当前所有鸟巢的最优解是否满足精度或者迭代次数是否达到最大迭代次数，如果是，则转S35，否则就继续执行下一步S33；S33、采用自适应步长控制量的Levy飞行模式替换n个鸟巢的位置得到 在进行替换
操作时，若鸟巢的适应度值相比之下较好则进行替换，否则保留； S34、在[0,1]生成随机数P并与当前迭代次数的自适应寄生失败概率Pa作对比，若P>Pa，则保留xi(t)；若P据最优解 初始化制糖原材料预测模型的最优权值和阈值。

[0012] 发明的作用与效果

[0013] 根据本发明所涉及的基于神经网络的制糖原材料预测方法，由于制糖企业原材料需求量预测问题是时间序列预测的问题，原材料是按照一定时间间隔进行采购，因此对未来需要预测的时间段是符合时间序列的特点；当外界发生较大变化时，预测的结果往往会有较大的偏差，而制糖企业原材料需求量受到多种因素的影响，具有一些复杂的非线性关系，而传统的时间序列预测模型在处理非线性问题上有一定的局限性，所以，本发明以Elman神经网络预测模型为基础模型，具有较高的非线性处理能力、适应时变和对原始数据敏感的特点，适用于时间序列预测。

[0014] 其次，对CS算法的寄生失败概率和步长控制量进行自适应化，然后对基于Elman神经网络构件的制糖原材料预测模型的权值和阈值进行优化，解决了收敛速度慢、容易陷入局部极小值的问题，从而提高预测精度。

[0015] 最后，通过分析制糖原材料历史采购数据的时间特征对制糖原材料需求量的影响，并将节假日因素加入到制糖原材料预测模型中，使得预测模型更加符合制糖企业的真实情况，进一步提高预测精度。

[0016] 最后，通过对制糖原材料需求量的准确预测，不仅可以为制糖企业制定更科学合理的原材料采购计划以保证生产平衡，还可以为原材料需求量预测系统提供数据服务，有效提高制糖企业管理的自动化水平。

附图说明

[0017] 图1是本发明的实施例中基于神经网络的制糖原材料预测方法的流程图。

[0018] 图2是本发明的实施例中布谷鸟算法的动作流程图。

[0019] 图3是本发明的实施例中基于神经网络的制糖原材料预测方法的预测验证结果图。

[0020] 图4是本发明的实施例中基于神经网络的制糖原材料预测方法的预测验证结果百分比误差图。

具体实施方式

[0021] 下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

[0022] <实施例>

[0023] 在本实施例中，基于神经网络的制糖原材料预测方法适用任何制糖企业，基于该制糖企业的历史采购数据和生产数据等预测出下次制糖原材料需求量。以下结合附图进行详细说明：

[0024] 图1是本发明的实施例中基于神经网络的制糖原材料预测方法的流程图。

[0025] 如图1所示，在本实施例中，基于神经网络的制糖原材料预测方法100 包括以下步骤：

[0026] 步骤S1、将原材料的采购量、消耗量、成品糖销售量以及时间特征作为输入层、将下次原材料需求量作为输出层，基于Elman神经网络构建制糖原材料预测模型。

[0027] 首先，制糖原材料需求量预测是一个时间序列预测问题，是根据历史数据对未来某段时间原材料需求量进行预测。原材料是按照一定时间间隔进行采购，因此对未来需要预测的时间段是符合时间序列的特点。然而当外界发生较大变化时，预测的结果往往会有较大的偏差，而制糖企业原材料需求量受到多种因素的影响，具有一些复杂的非线性关系，而传统的时间序列预测模型在处理非线性问题上有一定的局限性，因此应选择能较好处理非线性问题的神经网络作为基础模型。Elman神经网络具有较高的非线性处理能力、适应时变和对原始数据敏感的特点，适用于时间序列预测。所以，选择Elman 神经网络作为基础模型。

[0028] 步骤S1具体包含以下过程：

[0029] S11、输入输出节点的选取：

[0030] 将原材料的采购量、消耗量、成品糖销售量以及时间特征作为输入层，将下次原材料需求量作为输出层。

[0031] Elman神经网络输入层节点的个数由数据源的维度来决定，输出层节点数则由研究对象来确定。根据对制糖企业原材料历史数据的分析研究，把输入层归纳为原材料采购量、原材料消耗量、成品糖销售量以及时间特征4类，输出层则为预测的原材料需求量。因此，Elman神经网络的输入层节点数确定为4，输出层节点数为1。

[0032] S12、输入样本归一化处理：

[0033] 基于公式 对训练样本和测试样本数据进行归一化处理，这里，N为原始的神经网络输入值，M为处理后的输入值，Nmin、Nmax为神经网络输入量的极大和极小值，在实际情况中，Nmax通常采用样本值的1.25倍， Nmin通常为样本值的0.75倍。在预测结束后，需要对制糖原材料需求量值换算回来，换算公式为：N＝Nmin+M·(Nmax-Nmin)。

[0034] S13、隐含层节点数的确定：

[0035] 基于公式 进行确定，该公式是根据经验所得。

[0036] S14、网络学习速率的确定：

[0037] Elman神经网络中学习速率的大小直接影响收敛速度。若选择较快的学习速率，虽然可以提高收敛速度，但是会出现振荡的现象；若选择较慢的学习速率，神经网络会因收敛速度过慢而陷入局部最优。若保持学习速率恒定不变，则在误差表面曲率小的地方收敛速度会过慢，而在误差表面曲率大的地方会出现震荡现象。因此提出自适应地改变学习速率以求提高收敛性能。在神经网络的迭代过程中，使当前的误差与上一次的误差作对比。如果比较接近，则证明此时已经接近了最优解，考虑增大学习速率，来提高收敛速度；如果相差甚远，则表明此时的解已经偏离了最优解，考虑减小学习速率，并终止当前的操作。

[0038] 在该步骤中，采用自适应改变学习速率的方式，基于公式

[0039] 进行，

[0040] 这里，η(t+1)和η(t)分别表示迭代下一次和当前的学习速率，Et+1和Et分别表示迭代下一次的误差和当前误差，a和b分别为正小数，用来控制学习速率的大小。

[0041] 以上步骤S1结束后，然后进入步骤S2。

[0042] 步骤S2、采集制糖企业过去预定时间内的原材料采购量、消耗量、成品糖销售量的历史数据，然后进入步骤S3。

[0043] 步骤S3、基于布谷鸟搜索算法并结合步骤S2采集到的历史数据对制糖原材料预测模型进行权值优化。具体为：

[0044] 1、对于布谷鸟搜索算法(CS)算法会出现收敛速度慢和全局搜索不彻底的问题进行改进

[0045] (1)自适应的寄生失败概率

[0046] 寄生失败的概率用Pa表示，在标准的CS算法中Pa保持不变，但是通过分析发现，在CS算法的迭代过程中，无论是较好的鸟巢位置还是较差的鸟巢位置都会以相同的概率Pa而出现寄生失败的现象。如果Pa比较大，那么较好的鸟巢位置容易被替代，难以保留下来，很难收敛到最优解；反之，如果Pa比较小，则较差的鸟巢位置不容易被替代，导致收敛较慢。

[0047] 因此，为了防止以上现象的产生，CS算法在迭代过程中，寄生失败概率应该逐渐减小，在迭代初期以较大的概率来接收新解，加快收敛速度，在迭代后期保持较小的Pa以保留较好的解。因此提出自适应的寄生失败概率 Pa，公式如下。

[0048]

[0049] 其中Pmin表示最小寄生失败概率，Pmax表示最大寄生失败概率，t为当前迭代次数，T为最大迭代次数，m为非线性因子，其取值大于0，来控制 Pa的下降速率，当m等于1时，Pa则成线性的减小趋势。为了使得CS算法在早期长时间保持较大的Pa，在优化后期使得优秀的鸟巢位置解能够被保留下来，Pa应迅速变小，所以Pa的下降加速度应逐渐增大，即m应小于1。

[0050] (2)自适应的步长控制量

[0051] 莱维飞行的路径是一种随机过程，在飞行的过程中，由高频率的短步长和低频率长步长相互交替行走，因此在全局解空间搜索时布谷鸟搜索算法表现出很强的随机跳跃性，使得算法的全局寻优能力较强。但是也导致算法搜索鸟巢附近位置时出现不完全、不彻底的现象。当迭代次数比较高时，可能会因为长步长而失去比较优秀的鸟巢位置，而这些鸟巢位置的局部信息没有得到有效利用，导致收敛精度不高，很难收敛到最优解。

[0052] 因此，本发明提出自适应步长控制量，使得CS算法在迭代的各个阶段，能够有效地控制步长，尽可能的保留优秀位置解。自适应步长控制量的公式如下。

[0053]

[0054] 其中

[0055] xi为当前鸟巢位置解，αi为xi的下一个步长，αmax为最大步长，αmin为最小步长，本实施例中取αmax和αmin分别为1.5和0.5，为当前所有鸟巢位置解的平均值，βi为当前鸟巢位置解与其他鸟巢位置解的差值的平均值。上式可以自适应控制步长，如果当前鸟巢位置解和平均鸟巢位置解相差较大，则αi就偏大，步长也会变大；反之，如果当前鸟巢位置解和平均鸟巢位置解相差较小，则αi就偏小，步长也会变小。步长控制量αi是根据上一次迭代所有鸟巢位置解的结果来更新的，避免了算法的跳跃性过大，并且可以有效的利用局部信息，从而明显提高了CS算法的寻优能力。

[0056] 2、利用改进的布谷鸟搜索算法(CS)来优化Elman神经网络的权值

[0057] Elman神经网络是通过承接层缓冲和存储功能构建的反馈网络，使该神经网络具有动态处理信息、适应时变和对原始数据敏感的特点，适应时间序列预测。Elman神经网络采用适应性较高的非线性映射，外部扰动造成的影响较小。采用增加延迟单元的传输函数，承接层可收集并存储隐含层输出，并作为隐含层下一时刻的输入。然而，随机初始化Elman神经网络权值和阈值易造成神经网络收敛速度慢、陷入局部最优的问题。

[0058] 改进布谷鸟搜索算法的方差和均值具有无穷大的特点，基于已有解的基础上通过Levy飞行寻找最优解，这样可以加速局部搜索能力，并且它的另一部分新解的产生使得当前最优解不会陷入局部最优。MCS算法具有参数少、适用性强、寻求全局最优解的能力强、操作简单、易实现和随机搜索路径良好等优点。因此，可以将两种算法的优点结合起来，使用MCS算法优化Elman神经网络的权值和阈值，使得制糖原材料预测模型既能发挥Elman 神经网络强大的非线性映射能力解决原材料需求量预测中不确定因素问题。从历史数据中发现规律，使得神经网络预测模型更具有灵活性。MCS算法使得预测模型不会陷入局部最优解，充分发挥每种算法的优势，用来解决制糖企业原材料需求量预测问题，使得预测结果更加准确。

[0059] 图2是本发明的实施例中布谷鸟算法的动作流程图。

[0060] 综上，如图2所示，步骤S3的具体过程为：

[0061] S31、初始化网络参数，在一定约束条件下随机产生n个鸟巢开始训练，以均方根误差作为适应度函数，根据适应度函数值寻找当前所有鸟巢的最优解[0062] S32、判断当前所有鸟巢的最优解是否满足精度或者迭代次数是否达到最大迭代次数，如果是，则转S35，否则就继续执行下一步S33。

[0063] S33、采用自适应步长控制量的Levy飞行模式替换n个鸟巢的位置得到在进行替换操作时，若鸟巢的适应度值相比之下较好则进行替换，否则保留。

[0064] S34、在[0,1]生成随机数P并与当前迭代次数的自适应寄生失败概率Pa作对比。若P>Pa，则保留xi(t)；若P

[0065] S35、停止迭代，取得当前所有鸟巢的最优解 并根据最优解 初始化制糖原材料预测模型的最优权值和阈值。

[0066] 以上步骤S3结束后，然后进入步骤S4。

[0067] 步骤S4、基于预定时间内的节假日数据提取出时间特征，并对制糖原材料预测模型进行时间特征优化。

[0068] 本实施例中，时间特征优化主要将节假日的时间特征提取出来作为预测模型的影响因子，并将其作为输入变量对制糖原材料预测模型进行优化，这样加入节假日时间特征后，使得制糖原材料预测模型更加适合制糖企业的真实情况。

[0069] 以上步骤S4结束后，然后进入步骤S5。

[0070] 步骤S5、对步骤S3权值优化后和步骤S4时间特征优化后的结果进行预处理并作为制糖原材料预测模型的输入，训练该制糖原材料预测模型并保存，然后进入步骤S6。

[0071] 步骤S6、通过训练后的基于神经网络的制糖原材料预测模型预测出下次原材料需求量。

[0072] 以下以某真实制糖企业为例，验证本实施例的基于神经网络的制糖原材料预测方法所预测的制糖原材料需求量的准确性：

[0073] 以某真实制糖企业2013年1月到2017年12月近5年的巴西原糖的历史数据作为预测样本，经过对数据的预处理后，采用巴西原糖作为原材料预测未来10个时间节点的情况，并进行分析。选取周为预测模型的时间粒度，时间特征关联的MCS-Elman神经网络预测模型则是将原材料(巴西原糖) 采购量、原材料(巴西原糖)消耗量、成品糖总销售量的数据以及是节假日因素作为输入变量，输出为下一时间节点原材料采购量。

[0074] 输入经过数据预处理的制糖原材料(巴西原糖)样本数据，数据量一共有165周，其中前155周数据作为训练样本，最后10周作为测试样本，对预测模型进行训练和预测。预测的结果图和百分比误差图如下如图3和图4 所示。

[0075] 通过计算得到加入节假日因素的MCS-Elman神经网络的均方根误差 RMSE为5.92×102，平均绝对百分比误差MAPE为5.36％，预测精度为94.64％；由预测的结果可知，对于巴西原糖的需求量的预测精度较高，能够实现对原材料的需求量进行预测，可以帮助制糖企业解决原材料供需不匹配的问题。

[0076] 本实施例的作用与效果

[0077] 根据本实施例所涉及的基于神经网络的制糖原材料预测方法，确定以 Elman神经网络作为基础预测模型来构建制糖原材料预测模型，基于CS算法得到最优解从而对预测模型进行权值优化，提取对应时间内的节假日因素的时间特征从而对预测模型进行时间特征优化，最后将权值优化和时间特征优化后的结果作为预测模型的输入预测出下次原材料需求量，使得预测模型更加符合制糖企业的真实情况，提高了预测的精度。

[0078] 虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。