趙茜茜 張洋溢 聶焱

摘要：現(xiàn)針對一種實(shí)用新型指紋鎖拉鏈，研究其市場需求，即客戶收入、喜好、年齡等對于該產(chǎn)品的需求度。使得該產(chǎn)品在投入市場之前，能有一個較準(zhǔn)確的定位?，F(xiàn)采用集成學(xué)習(xí)的思想，將兩個基礎(chǔ)預(yù)測模型，集成成一個較強(qiáng)的預(yù)測、分類模型，能夠?yàn)閿?shù)據(jù)集建立一個較為出色的分類模型和預(yù)測模型，能夠用于預(yù)測一個新的案例是否對指紋鎖拉鏈產(chǎn)品有需求。

關(guān)鍵詞：需求預(yù)測;集成學(xué)習(xí);指紋鎖拉鏈

中圖分類號：TN919.5 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2019）07-0050-02

0 引言

日常生活中人們使用的背包上的拉鏈基本上都是沒有加鎖的，或者是旅行箱上使用的密碼鎖，但是這種密碼鎖有兩個明顯的缺點(diǎn)，其一是經(jīng)常會出現(xiàn)忘記密碼的情況，給人們帶來生活的不便，其二是會出現(xiàn)人們因?yàn)槊艽a鎖麻煩而很少去使用的情況，因此很多這樣的密碼鎖沒有起到其本質(zhì)加強(qiáng)防盜系數(shù)的作用，成為一種擺設(shè)。

因此推出一種安全、便捷的指紋鎖拉鏈裝置。延伸加工拉鏈產(chǎn)業(yè)鏈，降低指紋鎖成本，提高產(chǎn)品附加價值，切實(shí)提高箱包安全性能。該產(chǎn)品推向市場之前，需要對其進(jìn)行市場需求分析。

目前對于需求預(yù)測的方法多采用單一預(yù)測算法。但是任何算法都有優(yōu)劣，無法達(dá)到完美效果。因此可采用構(gòu)建并結(jié)合多個學(xué)習(xí)器來完成學(xué)習(xí)任務(wù)的思想，即集成學(xué)習(xí)，來對調(diào)查問卷獲得的數(shù)據(jù)集進(jìn)行分類訓(xùn)練、學(xué)習(xí)。能夠?yàn)閿?shù)據(jù)集建立一個較為出色的分類模型和預(yù)測模型，能夠用于預(yù)測一個新的案例是否對指紋鎖拉鏈產(chǎn)品有需求。

1 數(shù)據(jù)特性描述

1.1 數(shù)據(jù)來源

數(shù)據(jù)來源于調(diào)查問卷。問卷調(diào)查采用重點(diǎn)對象的抽樣調(diào)查形式，通過對城市的經(jīng)濟(jì)、人口、社會習(xí)俗、箱包消費(fèi)、消費(fèi)觀念等方面分析，將大學(xué)生群體作為本次調(diào)查的代表人群。發(fā)放問卷800份，回收521份，回收率為65.1%，可利用125份，可利用率為15.6%。

數(shù)據(jù)集的全名為對于帶有指紋鎖拉鏈的背包（包括斜挎包）的需求調(diào)查?？衫脤?shí)例共計125個。

1.2 具體數(shù)據(jù)闡述

數(shù)據(jù)集數(shù)據(jù)來自用戶通過線上、線下問卷形式的調(diào)查。共有七個問題，分別如表1。

現(xiàn)將前六個問題回答結(jié)果用0和1表示，第七個問題回答結(jié)果用YES和NO表示。

2 采用個體學(xué)習(xí)器進(jìn)行預(yù)測

2.1 基于誤差逆?zhèn)鞑ニ惴ǖ亩鄬痈兄獧C(jī)模型

多層感知機(jī)（Multi-Layer Perception，MLP），也叫前饋神經(jīng)網(wǎng)絡(luò)，后文簡稱為神經(jīng)網(wǎng)絡(luò)模型。模型通常由一個輸入層、一個或多個隱層和一個輸出層構(gòu)成。

使用100組數(shù)據(jù)訓(xùn)練，25組數(shù)據(jù)測試。訓(xùn)練的過程就是對參數(shù)進(jìn)行不斷的調(diào)整和優(yōu)化，通常標(biāo)準(zhǔn)是均方根誤差RMSE低于0.1或是訓(xùn)練達(dá)到一定的總周期數(shù)。經(jīng)過不斷學(xué)習(xí)訓(xùn)練，選取的隱層個數(shù)及其節(jié)點(diǎn)數(shù)、學(xué)習(xí)率和動量如表2，訓(xùn)練次數(shù)均為5000次。

當(dāng)前BP算法訓(xùn)練并測試的結(jié)果顯示有兩個錯誤。該算法測試結(jié)果的混淆矩陣如表3。

2.2 向量機(jī)（SVM）

SVM（Support Vector Machine）中文名為支持向量機(jī)，是一個有監(jiān)督的學(xué)習(xí)模型，通常用來進(jìn)行模式識別、分類以及回歸分析。SVM方法是通過一個非線性映射p，把樣本空間映射到一個高維乃至無窮維的特征空間中（Hilbert 空間），使得在原來的樣本空間中非線性可分的問題轉(zhuǎn)化為在特征空間中的線性可分的問題。

同樣使用100組數(shù)據(jù)訓(xùn)練，25組數(shù)據(jù)測試。該算法的均方根誤差如表4。

SVM算法用于此例，效果也不是很好。測試結(jié)果顯示有4個錯誤。該算法測試結(jié)果的混淆矩陣如表5。

3 集成學(xué)習(xí)

集成學(xué)習(xí)基于反向傳播算法的多層感知機(jī)和邏輯回歸模型在測試集的效果表現(xiàn)欠佳，不能作為理想的需求預(yù)測模型?，F(xiàn)在使用集成學(xué)習(xí)的思想來處理。集成學(xué)習(xí)就是訓(xùn)練多個模型，按照一定的結(jié)合策略進(jìn)行集成。

當(dāng)然并不是所有的模型都可以用于集成學(xué)習(xí)，基本條件是要個體模型有較高準(zhǔn)確率，個體學(xué)習(xí)器間的相關(guān)性小。文中已經(jīng)使用了BP神經(jīng)和支持向量機(jī)模型對指紋鎖拉鏈產(chǎn)品市場需求進(jìn)行了預(yù)測，預(yù)測效果都較高，但是沒有達(dá)到理想條件，且兩個模型之間沒有相關(guān)性，故可以用來集成。

現(xiàn)使用一種集成學(xué)習(xí)方法為預(yù)測融合法，通過基礎(chǔ)模型分別進(jìn)行一次預(yù)測，會產(chǎn)生兩種不同的預(yù)測結(jié)果，將預(yù)測結(jié)果用來訓(xùn)練一個新模型來進(jìn)行預(yù)測，從而生成一個最終的預(yù)測結(jié)果。新模型采用的算法是隨機(jī)森林。表6給出模型集成后的結(jié)果。

融合后，測試發(fā)現(xiàn)，該模型測試結(jié)果準(zhǔn)確達(dá)到100%。測試結(jié)果0個錯誤。新模型測試結(jié)果的混淆矩陣如表7。

4 結(jié)語

該集成學(xué)習(xí)的思想，將兩個基礎(chǔ)預(yù)測模型，集成成一個較強(qiáng)的預(yù)測模型，提高了預(yù)測結(jié)果的準(zhǔn)確性。由測試結(jié)果看出，該新模型能較好的學(xué)習(xí)兩個基礎(chǔ)模型的正確預(yù)測結(jié)果，規(guī)避錯誤結(jié)果，使得最后分類結(jié)果正確率達(dá)到100%。因此通過基于集成學(xué)習(xí)的預(yù)測融合法能夠較好地對案例進(jìn)行預(yù)測得到更為準(zhǔn)確的結(jié)果。

由測試結(jié)果分析發(fā)現(xiàn)，該方法仍存在很大改進(jìn)空間，可以在具體的實(shí)施中可根據(jù)不同的實(shí)際背景對模型進(jìn)行修改，根據(jù)模型的核心方法，能較為方便地解決問題。

參考文獻(xiàn)

[1] Ferreira R P ， Martiniano A ， Ferreira A ， et al. Study on Daily Demand Forecasting Orders using Artificial Neural Network[J]. IEEE Latin America Transactions，2016，14（3）：1519-1525.

[2] 殷峻暹，陳守煜，邱菊.基于遺傳與BP混合算法神經(jīng)網(wǎng)絡(luò)預(yù)測模型及應(yīng)用[J].大連理工大學(xué)學(xué)報，2002，42（5）：594-598.

[3] 齊志成.基于BP神經(jīng)網(wǎng)絡(luò)模型的商洛市卷煙需求預(yù)測[J].湖南農(nóng)業(yè)科學(xué)，2017（1）：86-89.

[4] 劉帥，曹國忠，張鳳偉，等.基于多方法融合的需求預(yù)測與分析[J].包裝工程，2019（4）：221-226.