Python ELM模型预测美国10个商店3049个商品销售量 ANN人工神经网络

1. 问题描述
   美国有10个商店，每个商店有3049个商品，统计了1914天内各个商品的价格和销售数量，以及每天的属性(节日，打折活动等)，通过构建非时序模型预测1914天-1941天各个商品销售数量，使用均方误差作为评价标准。

2. 实验数据
   ① 30490个商品在1941天内的价格
   ②30490个商品在1914天的销量(标签)
   ③1941天所对应的属性（节日，打折等）
   其中①和③是我们需要使用的特征，③中对应很多的节日，如Purim Enc，StPatricksl，Memoriall，Mother’s day等等，使用pandas包中的dummies进行onehot编码。
   ②是我们需要预测的lable，这个问题是一个大规模的回归问题

3. 实验环境
   pycharm平台，python语言

4. 实验结果
   预测了1914-1941天的销量数据并写入了excel。

源码：

# -*- coding: utf-8 -*-
from sklearn.metrics import mean_squared_error
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
import pandas as pd
from sklearn.utils import shuffle
import tensorflow as tf
class RELM_HiddenLayer:
"""
正则化的极限学习机
:param x: 初始化学习机时的训练集属性X
:param num: 学习机隐层节点数
:param C: 正则化系数的倒数
"""
def __init__(self, x, num, C=10):
row = x.shape[0]
columns = x.shape[1]
rnd = np.random.RandomState()
# 权重w
self.w = rnd.uniform(-1, 1, (columns, num))
# 偏置b
self.b = np.zeros([row, num], dtype=float)
for i in range(num):
rand_b = rnd.uniform(-0.4, 0.4)
for j in range(row):
self.b[j, i] = rand_b
self.H0 = np.matrix(self.sigmoid(np.dot(x, self.w) + self.b))
self.C = C
self.P = (self.H0.H * self.H0 + len(x) / self.C).I
# .T:共轭矩阵,.H:共轭转置,.I:逆矩阵
@staticmethod
def sigmoid(x):
"""
激活函数sigmoid
:param x: 训练集中的X
:return: 激活值
"""
return 1.0 / (1 + np.exp(-x))
@staticmethod
def softplus(x):
"""
激活函数 softplus
:param x: 训练集中的X
:return: 激活值
"""
return np.log(1 + np.exp(x))
@staticmethod
def tanh(x):
"""
激活函数tanh
:param x: 训练集中的X
:return: 激活值
"""
return (np.exp(x) - np.exp(-x)) / (np.exp(x) + np.exp(-x))
# 回归问题 训练
def regressor_train(self, T):
"""
初始化了学习机后需要传入对应标签T
:param T: 对应属性X的标签T
:return: 隐层输出权值beta
"""
#
all_m = np.dot(self.P, self.H0.H)
#
self.beta = np.dot(all_m, T)
#
return self.beta
all_m = np.dot(self.P, self.H0.H)
self.beta = np.dot(all_m, T)
return self.beta
# 回归问题 测试
def regressor_test(self, test_x):
"""
传入待预测的属性X并进行预测获得预测值
:param test_x:被预测标签的属性X
:return: 被预测标签的预测值T
"""
b_row = test_x.shape[0]
h = self.sigmoid(np.dot(test_x, self.w) + self.b[:b_row, :])
#
h = self.sigmoid(np.dot(test_x, self.w) + self.b[:b_row, :])
result = np.dot(h, self.beta)
#
result =np.argmax(result,axis=1)
return result
if __name__ == '__main__':
with tf.device("/gpu:0"):
# 项目所在路径
ProjectPath = 'D:/Python/RecSysProject/'
# 数据读取及划分
url1 = ProjectPath+'20210612/train/traincalendar.csv'
url2 = ProjectPath+'20210612/train/trainsaleslable.csv'
url3 = ProjectPath+'20210612/test/testcalendar.csv'
url4 = ProjectPath+'20210612/test/testsaleslable.csv'
url5 = ProjectPath + '20210612/FinalPrediction/precalendar.csv'
saveurl = ProjectPath+'20210612/test/testsaleslable.csv'
data1 = pd.read_csv(url1, sep=',', header=None)
data2 = pd.read_csv(url2, sep=',', header=None)
data3 = pd.read_csv(url3, sep=',', header=None)
data4 = pd.read_csv(url4, sep=',', header=None)
data5 = pd.read_csv(url5, sep=',', header=None)
data1 = np.array(data1)
data2 = np.array(data2)
data3 = np.array(data3)
data4 = np.array(data4)
data5 = np.array(data5)
data1 = shuffle(data1)
data2 = shuffle(data2)
data3 = shuffle(data3)
data4 = shuffle(data4)
data5 = np.array(data5)
X_data = np.vstack((data1,data3))
Y = np.vstack((data2,data4))
# print(Y)
# 下面3行代码就是将数据集随即按照num_train分成训练集和测试集，数据量大，就分了两部分
num_train = 0.1
X_train, X_, Y_train, Y_ = train_test_split(X_data, Y, test_size=num_train, random_state=20)
X_test, X_vld, Y_test, Y_vld = train_test_split(X_, Y_, test_size=0.1, random_state=20)
# 数据标准化处理
stdsc = StandardScaler()
X_train = stdsc.fit_transform(X_train)
X_test = stdsc.fit_transform(X_test)
X_vld = stdsc.fit_transform(X_vld)
Y_true = Y_test
# 不同隐藏层结果对比
bestHiddenLayer = 1
minMSE = 100
for j in range(1, 10, 1):
a = RELM_HiddenLayer(X_train, j)
a.regressor_train(Y_train)
predict = a.regressor_test(X_test)
#预测结果
# print(predict)
#预测均方误差
MSE = mean_squared_error(predict,Y_true)
print('hidden- %d,MSE:%f'%(j,MSE))
if MSE< minMSE:
minMSE = MSE
bestHiddenLayer = j
result = predict
print('训练结束，训练数据中最佳隐含层网络节点数量为:%d,MSE=%f' %(bestHiddenLayer,minMSE))
print('开始计算1914-1941结果！')
result = []
a = RELM_HiddenLayer(X_train, bestHiddenLayer)
a.regressor_train(Y_train)
predict = a.regressor_test(data5)
predict = np.round(abs(predict))
calendar = pd.read_csv(ProjectPath+'20210612/sales_train.csv')
# print(calendar.iloc[0:27967, 1919:1947].shape)
# print(predict.T.shape)
calendar.iloc[0:27967, 1919:1947] = predict.T
calendar.to_csv(ProjectPath+'20210612/pre_result_sales_train.csv', header=True, index=False)
print('写入完毕！')

需要帮助联系VX vx_xuxx

最后

以上就是冷艳日记本为你收集整理的Python ELM模型预测美国10个商店3049个商品销售量 ANN人工神经网络的全部内容，希望文章能够帮你解决Python ELM模型预测美国10个商店3049个商品销售量 ANN人工神经网络所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。