(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111513930.3 (22)申请日 2021.12.10 (71)申请人 天津科技大 学 地址 300000 天津市经济技 术开发区第十 三大街9号 申请人 深圳市安软 科技股份有限公司 (72)发明人 李建荣　李政　闫潇宁　许能华　 张传雷　 (74)专利代理 机构 深圳君信诚知识产权代理事 务所(普通 合伙) 44636 代理人 刘伟 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 3/12(2006.01)G06Q 10/04(2012.01) G06Q 50/20(2012.01) (54)发明名称 一种产量预测模 型的训练方法、 系统及相关 设备 (57)摘要 本发明适用于人工智能应用领域， 提供了一 种产量预测模型的训练方法、 系统及相关设备， 所述方法包括获取往期产量数据， 使用多元线性 回归模型对 所述往期产量数据进行筛选， 得到影 响因子； 根据所述影响因子搭建BP神经网络模 型； 对所述BP神经网络模型分别进行前向传播、 后向传播， 根据传播结果调整所述BP神经网络模 型； 使用遗传算法对所述BP神经网络模 型进行权 值和阈值初始化， 并输出产量预测模型。 本发明 简化了输入数据， 降低了BP神经网络的复杂度， 避免了过拟合、 并减少了模型训练时间， 进一步 提高了基于BP神经网络的产量预测模型的预测 精确度。 权利要求书2页 说明书10页 附图5页 CN 114169505 A 2022.03.11 CN 114169505 A 1.一种产量预测模型的训练方法， 其特 征在于， 所述方法包括： 获取往期产量数据， 使用多元线性回归模型对所述往期产量数据进行筛选， 得到影响 因子； 根据所述影响因子搭建BP神经网络模型； 对所述BP神经网络模型分别进行前向传播、 后向传播， 根据传播结果调整所述BP神经 网络模型； 使用遗传算法对所述BP神经网络模型进行权值和阈值初始化， 并输出产量预测模型。 2.如权利要求1所述的产量预测模型的训练方法， 其特征在于， 所述获取往期产量数 据， 使用多 元线性回归模型对所述往期产量数据进 行筛选， 得到影响因子的步骤， 包括以下 子步骤： 使用statsmodels库中 的ols函数进行回归参数求解， 并使用predict函数预测因变量， 结合所述回归参数和所述因变量构建所述多元线性回归 模型； 对所述往期产量数据中的离散数据做哑变量处理， 并将所述往期产量数据输入至所述 多元线性回归 模型； 在所述多元线性回归模型中结合F检验、 t检验、 方差膨胀因子、 相关性系数的检验方 法， 根据所述往期产量数据输出优化后的所述影响因子 。 3.如权利要求2所述的产量预测模型的训练方法， 其特征在于， 所述根据 所述影响因子 搭建BP神经网络模型的步骤， 包括以下子步骤： 根据所述影响因子确定输入层神经元的个数， 同时， 确定用于产量预测的输出层神经 元的个数为1个； 结合Kolmogorov定理， 通过所述输入层神经元的个数和所述输出层神经元的个数计算 隐藏层神经 元的个数区间； 在所述隐藏层神经元的个数区间内试算均方根误差， 将均 方根误差最小时的所述隐藏 层神经元的个数作为隐藏层神经 元的最终个数； 根据所述输入层神经元的个数、 所述 隐藏层神经元的最终个数、 所述输出层神经元的 个数构建前后层全连接结构的所述BP神经网络模型。 4.如权利要求3所述的产量预测模型的训练方法， 其特征在于， 对所述BP神经网络模型 分别进行前向传播、 后向传播， 根据传播结果调整 所述BP神经网络模 型的步骤， 包括以下子 步骤： 以所述影响因子作为训练数据集， 对所述BP神经网络模型进行所述前向传播， 得到预 测产量值； 根据所述预测产量值计算实际差异， 并在所述BP神经网络模型中进行所述后向传播， 得到所述BP神经网络模 型中输入层、 隐藏层、 输出层之间的误差， 并根据误差对所述BP神经 网络模型进行调整。 5.如权利要求4所述的产量预测模型的训练方法， 其特征在于， 使用遗传算法对所述BP 神经网络模型进行权值和阈值初始化的步骤， 具体为： 通过分析所述BP神经网络模型的结构， 并定义包含所述权值和所述阈值的种群个体， 以所述种群 个体进行编码， 得到初始种群； 进入遗传迭代流程， 对所述初始种群进行解码， 得到每一个所述种群个体的当前权值权　利　要　求　书 1/2 页 2 CN 114169505 A 2和当前阈值， 以所述当前权值和所述当前阈值对所述BP神经网络模型进行训练， 得到关于 每一个所述种群 个体的所述当前权值和所述当前阈值的适应度； 复制大于预设高适应度值的所述种群个体， 并删除小于预设低 适应度值的所述种群个 体， 在剩下的所述种群 个体之间进行交叉变异， 得到第二种群， 完成所述遗传迭代流 程； 判断所述第二种群是否满足预设遗传终止条件， 其中： 若不满足， 则 利用所述第二种群进行 所述遗传迭代流 程； 若满足， 则对所述第二种群进行解码， 得到最终权值和最终阈值， 并输出产量预测模 型。 6.如权利要求4所述的产量预测模型的训练方法， 其特征在于， 对所述BP神经网络模型 分别进行前向传播、 后向传播的步骤中， 使用sigmoid作为所述隐藏层的激活函数， 使用 identity作为所述输出层的激活函数。 7.如权利要求4所述的产量预测模型的训练方法， 其特征在于， 对所述BP神经网络模型 分别进行前向传播、 后向传播的步骤中， 使用随机梯度下降算法作为所述后向传播的优化 函数。 8.一种产量预测模型的训练系统， 其特 征在于， 包括： 数据筛选模块， 用于获取往期产量数据， 使用多元线性回归模型对所述往期产量数据 进行筛选， 得到影响因子； 模型构建模块， 用于根据所述影响因子搭建BP神经网络模型； 模型调整模块， 用于对所述BP神经网络模型分别进行前向传播、 后向传播， 根据传播结 果调整所述BP神经网络模型； 遗传算法优化模块， 用于使用遗传算法对所述BP神经网络模型进行权值和阈值初始 化， 并输出产量预测模型。 9.一种计算机设备， 其特征在于， 包括： 存储器、 处理器及存储在所述存储器上并可在 所述处理器上运行的计算机程序， 所述处理器执行所述计算机程序时实现如权利要求 1至7 中任意一项所述的产量预测模型的训练方法中的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机 程序， 所述计算机程序被处理器执行时实现如权利要求 1至7中任意一项 所述的产量预测模 型的训练方法中的步骤。权　利　要　求　书 2/2 页 3 CN 114169505 A 3