http://blog.csdn.net/u011239443/article/details/78135388
文中提出的 model- Imperial Crown Model(short for ICM)简单讲就是用自动编码器将权值初始化,然后反向传播优化模型。
关于自动编码器可以参阅:http://blog.csdn.net/u011239443/article/details/76692801#t1
网络结构图:
算法具体实现步骤:
流程图:
个人感觉,从模型上本文就是套用了深度学习中的普通的模型,对比本文中提到的其他模型的确比较新,但本质上没有具体业务上的创新点。
本文中提到的其他模型相关论文可以参阅的有:
[1] 殷春武. GM(1, 1)在商品销量预测上的运用[J]. 中国商贸, 2010 (28): 246-247. [2] 岑詠霆. 销量预测的改进型灰色预测 GM(1, 1)模型研究[J]. 工业工程与 管理, 2013, 18(1): 37-41. [3] 毕建涛, 魏红芹. 改进的 BP 神经网络及其在销量预测中的应用[J]. 山 东理工大学学报: 自然科学版, 2011, 25(6): 29-33. [4] 洪鹏, 余世明. 基于时间序列分析的自动售货机销量预测[J]. 计算机科 学, 2015, 42(6A): 122-124. [5] 刘俊娥, 慕柠咛, 刘丙午. 固有模态 SVM 预测模型在零售销量预测中 的应用[J]. 物流技术, 2013, 32(11): 76-78, 97.
具体特征如何抽取,可见论文。综上所述用 V 表示输入特征向量,则向量可表示为 V=[ p、add_de、add_sh、t、sex、age、pro_ch、col、fav_r],向量维度为 9。
将销量(s)按值域划分,根据 s 生成四类输出向量 Z={低销量=1,中销量=2,畅销 =3,火爆=4}。
个人认为,首先特征抽取的过程还是比较传统、麻烦,不像是再做深度学习;其次,向量维度才9个,对于深度学习来说太少。