王美潔，姜同強(qiáng)

（北京工商大學(xué)計(jì)算機(jī)與信息工程學(xué)院，北京 100048）

人工智能的手段在現(xiàn)在社會(huì)應(yīng)用十分廣泛，通過(guò)智能手段解決各方面應(yīng)用問(wèn)題逐漸成為社會(huì)趨勢(shì)，能夠幫助我們更快、更便捷地解決一些復(fù)雜問(wèn)題。我國(guó)是世界茶葉生產(chǎn)和消費(fèi)的第一大國(guó)，茶葉的銷售擁有悠久的歷史，但與此同時(shí)，我們的茶市場(chǎng)目前也存在一定的問(wèn)題，阻礙著我國(guó)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(wèn)題中，通過(guò)對(duì)我國(guó)茶葉產(chǎn)量的預(yù)測(cè)，可以更好地幫助企業(yè)運(yùn)營(yíng)，貼近市場(chǎng)趨勢(shì)。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(huì)發(fā)展，滿足不斷增長(zhǎng)的茶葉市場(chǎng)消費(fèi)需求。本文通過(guò)建立BP神經(jīng)網(wǎng)絡(luò)茶葉產(chǎn)量預(yù)測(cè)模型，對(duì)我國(guó)茶葉產(chǎn)量數(shù)據(jù)進(jìn)行了實(shí)例分析。

1 茶企現(xiàn)狀分析

從我國(guó)目前的茶葉市場(chǎng)來(lái)看，我國(guó)的茶企經(jīng)營(yíng)存在著一定的不規(guī)范問(wèn)題，首先，我國(guó)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(shí)，茶企的行業(yè)集中度較低，涉及到規(guī)模化生產(chǎn)的情況時(shí)，能力較弱，不利于茶葉企業(yè)的長(zhǎng)久發(fā)展。

另外，根據(jù)我國(guó)消費(fèi)群體經(jīng)中國(guó)茶葉流通協(xié)會(huì)的消費(fèi)指數(shù)調(diào)查，近年來(lái)，我國(guó)的茶葉消費(fèi)量的消費(fèi)量、消費(fèi)額和價(jià)格較為平穩(wěn)，且我國(guó)茶葉產(chǎn)量逐年遞增，這為我國(guó)的茶葉發(fā)展和消費(fèi)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(cè)模型，對(duì)我國(guó)的茶葉產(chǎn)量進(jìn)行建模預(yù)測(cè)，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(jiàn)，讓茶企策略更加適應(yīng)行業(yè)的發(fā)展，滿足消費(fèi)者對(duì)我國(guó)茶葉市場(chǎng)日益增長(zhǎng)的需求，同時(shí)也有利于我國(guó)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(cè)模型

通過(guò)MATLAB軟件建立基于BP神經(jīng)網(wǎng)絡(luò)的茶葉產(chǎn)量預(yù)測(cè)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(hào)的正向傳播和誤差的反向傳播的學(xué)習(xí)過(guò)程，當(dāng)信號(hào)在正向傳播時(shí)，輸入層的輸入樣本通過(guò)隱含層進(jìn)行處理，傳輸?shù)捷敵鰧?，通過(guò)對(duì)比輸出層實(shí)際輸出與期望輸出值的差異，進(jìn)行誤差的反向傳播。即將輸出誤差通過(guò)隱含層向輸入層傳播，對(duì)權(quán)值不斷的進(jìn)行調(diào)整修正，實(shí)現(xiàn)網(wǎng)絡(luò)的學(xué)習(xí)，直到達(dá)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(diǎn)設(shè)置為3，隱含層神經(jīng)元個(gè)數(shù)設(shè)置為10。為了避免過(guò)度擬合，劃分茶葉產(chǎn)量訓(xùn)練、測(cè)試和驗(yàn)證數(shù)據(jù)集，訓(xùn)練集70%，測(cè)試集15%，驗(yàn)證集15%。預(yù)測(cè)步數(shù)fn=7，預(yù)測(cè)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(duì)權(quán)重w和b進(jìn)行參數(shù)調(diào)整。

2.2 BP神經(jīng)網(wǎng)絡(luò)模型特點(diǎn)

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(diǎn)：

（1）良好的容錯(cuò)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(cuò)誤，由于對(duì)權(quán)值的調(diào)整過(guò)程是一個(gè)從大量的輸入數(shù)據(jù)樣本提取數(shù)據(jù)特征的過(guò)程，故反映的數(shù)據(jù)規(guī)律來(lái)自于樣本總體，當(dāng)極個(gè)別的樣本存在問(wèn)題時(shí)，在模型對(duì)數(shù)據(jù)操作過(guò)程中，個(gè)別的誤差不會(huì)影響權(quán)值矩陣的調(diào)整。

（2）極強(qiáng)的非線性映射能力

BP神經(jīng)網(wǎng)絡(luò)在對(duì)數(shù)據(jù)進(jìn)行學(xué)習(xí)和存儲(chǔ)時(shí)，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(shí)，由BP網(wǎng)絡(luò)模型進(jìn)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(guò)程。在面對(duì)無(wú)法用數(shù)學(xué)方程解決的規(guī)律時(shí)，通過(guò)BP網(wǎng)絡(luò)模型，能夠很好地解決這類問(wèn)題，具有極強(qiáng)的優(yōu)勢(shì)。

（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(huì)儲(chǔ)存在網(wǎng)絡(luò)模型的權(quán)值矩陣中，在之后的模型運(yùn)行中，向模型輸入未訓(xùn)練過(guò)的數(shù)據(jù)時(shí)，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(shí)際問(wèn)題的應(yīng)用提供了極大的方便。

3 實(shí)例分析

本文實(shí)驗(yàn)室根據(jù)中國(guó)統(tǒng)計(jì)年鑒2018給出的我國(guó)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(duì)2018-2024的茶葉產(chǎn)量的預(yù)測(cè)。

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

圖1 茶葉產(chǎn)量預(yù)測(cè)結(jié)果圖

通過(guò)對(duì)茶葉產(chǎn)量預(yù)測(cè)結(jié)果，有助于幫助茶葉廠商把握行業(yè)趨勢(shì)，制定更貼近市場(chǎng)的實(shí)際情況的銷售策略，進(jìn)而提高企業(yè)利潤(rùn)。

4 結(jié)語(yǔ)

隨著我國(guó)消費(fèi)水平的不斷增長(zhǎng)，對(duì)茶葉的消費(fèi)逐漸增加，企業(yè)需要對(duì)茶葉產(chǎn)量進(jìn)行分析預(yù)測(cè)，來(lái)迎合消費(fèi)趨勢(shì)。

本文建立的BP神經(jīng)網(wǎng)絡(luò)的茶葉產(chǎn)量預(yù)測(cè)模型，通過(guò)模型的構(gòu)建，能夠?qū)酉聛?lái)一段時(shí)間的茶葉產(chǎn)量進(jìn)行預(yù)測(cè)，幫助企業(yè)制定合理的生產(chǎn)計(jì)劃。通過(guò)模型預(yù)測(cè)茶葉產(chǎn)量變化，有助于協(xié)助茶葉生產(chǎn)廠商分析市場(chǎng)價(jià)格、茶葉銷量等趨勢(shì)走向，實(shí)施更加符合實(shí)際的應(yīng)對(duì)措施。

故采用BP神經(jīng)網(wǎng)絡(luò)對(duì)茶葉產(chǎn)量進(jìn)行預(yù)測(cè)是具有現(xiàn)實(shí)意義的。后續(xù)的實(shí)驗(yàn)將根據(jù)不同類型的茶葉分類，對(duì)細(xì)分類下的茶葉建立預(yù)測(cè)模型，使模型具有更深層次的應(yīng)用意義。