王美潔，姜同強

（北京工商大學(xué)計算機與信息工程學(xué)院，北京 100048）

人工智能的手段在現(xiàn)在社會應(yīng)用十分廣泛，通過智能手段解決各方面應(yīng)用問題逐漸成為社會趨勢，能夠幫助我們更快、更便捷地解決一些復(fù)雜問題。我國是世界茶葉生產(chǎn)和消費的第一大國，茶葉的銷售擁有悠久的歷史，但與此同時，我們的茶市場目前也存在一定的問題，阻礙著我國茶行業(yè)的發(fā)展。

將人工智能的手段，應(yīng)用在企業(yè)茶葉銷售問題中，通過對我國茶葉產(chǎn)量的預(yù)測，可以更好地幫助企業(yè)運營，貼近市場趨勢。協(xié)助企業(yè)制定更加適合的發(fā)展策略，讓企業(yè)更適應(yīng)社會發(fā)展，滿足不斷增長的茶葉市場消費需求。本文通過建立BP神經(jīng)網(wǎng)絡(luò)茶葉產(chǎn)量預(yù)測模型，對我國茶葉產(chǎn)量數(shù)據(jù)進行了實例分析。

1 茶企現(xiàn)狀分析

從我國目前的茶葉市場來看，我國的茶企經(jīng)營存在著一定的不規(guī)范問題，首先，我國的茶企較為分散，大多數(shù)茶企屬于中小型企業(yè)，大型茶企較少。同時，茶企的行業(yè)集中度較低，涉及到規(guī)?；a(chǎn)的情況時，能力較弱，不利于茶葉企業(yè)的長久發(fā)展。

另外，根據(jù)我國消費群體經(jīng)中國茶葉流通協(xié)會的消費指數(shù)調(diào)查，近年來，我國的茶葉消費量的消費量、消費額和價格較為平穩(wěn)，且我國茶葉產(chǎn)量逐年遞增，這為我國的茶葉發(fā)展和消費提供了一定的保障。

利用人工智能的手段，建立BP神經(jīng)網(wǎng)絡(luò)的茶葉產(chǎn)量預(yù)測模型，對我國的茶葉產(chǎn)量進行建模預(yù)測，可以更好地為茶葉企業(yè)發(fā)展策略的制定提供參考意見，讓茶企策略更加適應(yīng)行業(yè)的發(fā)展，滿足消費者對我國茶葉市場日益增長的需求，同時也有利于我國茶葉產(chǎn)業(yè)的良好發(fā)展。

2 基于BP神經(jīng)網(wǎng)絡(luò)的茶葉產(chǎn)量預(yù)測模型

通過MATLAB軟件建立基于BP神經(jīng)網(wǎng)絡(luò)的茶葉產(chǎn)量預(yù)測模型，本文所建立的BP人工神經(jīng)網(wǎng)絡(luò)模型包含三層：輸入層、隱含層、輸出層。

BP人工神經(jīng)網(wǎng)絡(luò)具有良好的自我學(xué)習(xí)、自我適應(yīng)能力和一定的推廣能力。網(wǎng)絡(luò)的基本思想是信號的正向傳播和誤差的反向傳播的學(xué)習(xí)過程，當(dāng)信號在正向傳播時，輸入層的輸入樣本通過隱含層進行處理，傳輸?shù)捷敵鰧?，通過對比輸出層實際輸出與期望輸出值的差異，進行誤差的反向傳播。即將輸出誤差通過隱含層向輸入層傳播，對權(quán)值不斷的進行調(diào)整修正，實現(xiàn)網(wǎng)絡(luò)的學(xué)習(xí)，直到達到模型的設(shè)定誤差或設(shè)定的學(xué)習(xí)次數(shù)。

2.1 網(wǎng)絡(luò)設(shè)置

本文建立的BP神經(jīng)網(wǎng)絡(luò)模型輸入節(jié)點設(shè)置為3，隱含層神經(jīng)元個數(shù)設(shè)置為10。為了避免過度擬合，劃分茶葉產(chǎn)量訓(xùn)練、測試和驗證數(shù)據(jù)集，訓(xùn)練集70%，測試集15%，驗證集15%。預(yù)測步數(shù)fn=7，預(yù)測七年的茶葉產(chǎn)量值。模型中{x1，x2，x3，……，xn}表示BP神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)，{y1，y2，y3，……，yn}為BP網(wǎng)絡(luò)模型輸出數(shù)據(jù)。在模型隱藏層對權(quán)重w和b進行參數(shù)調(diào)整。

2.2 BP神經(jīng)網(wǎng)絡(luò)模型特點

BP神經(jīng)網(wǎng)絡(luò)模型現(xiàn)在的應(yīng)用十分廣泛，主要是由于基于BP算法的多層感知器具有以下的優(yōu)點：

（1）良好的容錯能力

BP神經(jīng)網(wǎng)路允許在模型輸入數(shù)據(jù)中存在較大的誤差或者存在一定的輸入錯誤，由于對權(quán)值的調(diào)整過程是一個從大量的輸入數(shù)據(jù)樣本提取數(shù)據(jù)特征的過程，故反映的數(shù)據(jù)規(guī)律來自于樣本總體，當(dāng)極個別的樣本存在問題時，在模型對數(shù)據(jù)操作過程中，個別的誤差不會影響權(quán)值矩陣的調(diào)整。

（2）極強的非線性映射能力

BP神經(jīng)網(wǎng)絡(luò)在對數(shù)據(jù)進行學(xué)習(xí)和存儲時，不用提前了解輸入、輸出的映射關(guān)系，當(dāng)具備了足夠數(shù)量的樣本數(shù)據(jù)時，由BP網(wǎng)絡(luò)模型進行學(xué)習(xí)訓(xùn)練，便能夠完成從輸入到輸出的非線性映射過程。在面對無法用數(shù)學(xué)方程解決的規(guī)律時，通過BP網(wǎng)絡(luò)模型，能夠很好地解決這類問題，具有極強的優(yōu)勢。

（3）具備泛化能力

在根據(jù)已具備樣本數(shù)據(jù)建立BP網(wǎng)絡(luò)模型后，非線性映射關(guān)系將會儲存在網(wǎng)絡(luò)模型的權(quán)值矩陣中，在之后的模型運行中，向模型輸入未訓(xùn)練過的數(shù)據(jù)時，BP神經(jīng)網(wǎng)絡(luò)能夠良好的完成由輸入空間向輸出空間的映射，為實際問題的應(yīng)用提供了極大的方便。

3 實例分析

本文實驗室根據(jù)中國統(tǒng)計年鑒2018給出的我國茶葉產(chǎn)量數(shù)據(jù)，將樣本數(shù)據(jù)輸入建立的BP神經(jīng)網(wǎng)絡(luò)模型，對2018-2024的茶葉產(chǎn)量的預(yù)測。

如圖1所示。藍線表示已知年份茶葉產(chǎn)量數(shù)值，紅線為預(yù)測值。

圖1 茶葉產(chǎn)量預(yù)測結(jié)果圖

通過對茶葉產(chǎn)量預(yù)測結(jié)果，有助于幫助茶葉廠商把握行業(yè)趨勢，制定更貼近市場的實際情況的銷售策略，進而提高企業(yè)利潤。

4 結(jié)語

隨著我國消費水平的不斷增長，對茶葉的消費逐漸增加，企業(yè)需要對茶葉產(chǎn)量進行分析預(yù)測，來迎合消費趨勢。

本文建立的BP神經(jīng)網(wǎng)絡(luò)的茶葉產(chǎn)量預(yù)測模型，通過模型的構(gòu)建，能夠?qū)酉聛硪欢螘r間的茶葉產(chǎn)量進行預(yù)測，幫助企業(yè)制定合理的生產(chǎn)計劃。通過模型預(yù)測茶葉產(chǎn)量變化，有助于協(xié)助茶葉生產(chǎn)廠商分析市場價格、茶葉銷量等趨勢走向，實施更加符合實際的應(yīng)對措施。

故采用BP神經(jīng)網(wǎng)絡(luò)對茶葉產(chǎn)量進行預(yù)測是具有現(xiàn)實意義的。后續(xù)的實驗將根據(jù)不同類型的茶葉分類，對細分類下的茶葉建立預(yù)測模型，使模型具有更深層次的應(yīng)用意義。