基于BP神经网络的交易量预测模型的优化方法及装置

摘要

本发明提供基于BP神经网络的交易量预测模型的优化方法及装置，方法包括：基于蝙蝠算法对蝙蝠种群中的每只蝙蝠进行迭代；当任意一只蝙蝠的下一代响度大于第一随机数时，接受该只蝙蝠的下一代候选解作为其下一代解；根据每只蝙蝠的下一代解确定蝙蝠种群的下一代最优解；当达到所述蝙蝠种群的最优解条件或最大迭代次数时，确定全局最优解；根据全局最优解获得基于BP神经网络的交易量预测模型的最佳连接权重参数并优化所述交易量预测模型。本发明所述的方法结合蝙蝠算法与BP神经网络，充分利用BP神经网络优越逼近性能的同时利用创新的改进蝙蝠算法优化模型的连接权重参数，改进了BP神经网络陷入局部最优的缺点，优化交易量预测模型的性能。

说明书

技术领域

本发明涉及人工神经网络技术领域，具体涉及一种基于BP神经网络的交易量预测模型的优化方法及装置。

背景技术

人工神经网络(ANN)是一种仿造人脑组织结构，大量的神经元互相连接并模拟人脑的运行机制，通过数学建模获得的一种高度抽象简化的信息处理系统。基于模仿大脑组织网络结构和功能的人工神经网络同样具有复杂的网络结构，具体体现在其网络结构有单层和多层之分，每一层都包含若干神经元。人工神经网络通过对已知数据的重复学习，逐渐调整自身的权重连接，进而提高模型的精准性。与传统数据处理模型相比，它并不关注输入输出之间的联系，因而在处理离散数据、随机数据、非连续数据等方面优势明显，更适合应用于高纬度、大规模、复杂结构、模糊数据的系统应用中。人工神经网络的因其出色的自学能力、优秀的自适应性和趋近性能获得了人们的关注，并被广泛的应用于功率管理、控制等各个领域。

BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络的闭环结构，通过误差的反向传播训练，可以获得优化的神经网络，也是应用最广泛的神经网络。BP神经网络具有任意复杂的模式分类能力和优良的多维函数映射能力，解决了简单感知器不能解决的异或(Exclusive OR，XOR)和一些其他问题。从结构上讲，BP神经网络具有输入层、隐藏层和输出层；从本质上讲，BP算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值，不断调整网络的权重和阈值，直到无法进一步减小误差为止。作为普遍使用的人工神经网络之一，BP神经网络仍然存在收敛速度较慢、容易陷入局部最优值等缺点，因此在交易量预测模型的构建方面，其性能有待提高。图1示出了三层BP神经网络的示意图，它由输入层、隐藏层和输出层组成。其中，x

为满足现代社会针对高维复杂的优化问题的求解需求，许多生物启发式算法被陆续提出。仿生算法基于群体动物的生物学特性，通过模拟群体动物与生俱来的优越的生物特征行为获得。仿生群智能算法具有的优越的搜索能力引起了人们的广泛关注，对优化问题的研究也获得了大幅度的推进。

蝙蝠算法是其中一种优秀的群智能算法，受蝙蝠出色的回声定位特性所启发。研究员利用了蝙蝠在黑暗中发射高频回声精准定位探测猎物，躲避障碍物的生物特性，将蝙蝠位置建模为优化问题的候选解，通过不断更新速度和频率调整蝙蝠位置，进而求得问题的最优解。蝙蝠算法主要分为探测和寻优两大组成部分，前一部分尽可能扩大覆盖搜索区域，探索更多的可行解；后一部分着重于对可行解的精准性进行调整。经典蝙蝠算法具有的出色搜索能力和简单建模等优点，在工程优化设计、模糊分析、股价预测等各种领域都有出色表现。但是，通过经典蝙蝠算法来改善BP神经网络依然存在容易陷入局部最优值缺点。

发明内容

鉴于上述传统的BP神经网络存在的容易陷入局部最优值的缺点，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于BP神经网络的交易量预测模型的优化方法及装置。

依据本发明的一个方面，提供一种基于BP神经网络的交易量预测模型的优化方法，包括：

基于蝙蝠算法对蝙蝠种群中的每只蝙蝠进行迭代；其中，当任意一只蝙蝠的下一代响度大于第一随机数时，接受该只蝙蝠的下一代候选解作为其下一代解；

根据每只蝙蝠的下一代解确定蝙蝠种群的下一代最优解；

当达到所述蝙蝠种群的最优解条件或最大迭代次数时，确定全局最优解；所述全局最优解为所述蝙蝠种群的末代最优解；

根据全局最优解获得基于BP神经网络的交易量预测模型的最佳连接权重参数；

根据所述最佳连接权重参数优化所述交易量预测模型。

优选的，基于蝙蝠算法对蝙蝠种群中的每只蝙蝠进行迭代还包括：

判断蝙蝠i的当代脉冲是否大于第二随机数；

若是，则生成蝙蝠i的下一代候选解，且蝙蝠i的下一代候选解与蝙蝠j的当代解具有关联性；其中，蝙蝠j位于所述蝙蝠种群中，且i≠j；

若否，则根据当代蝙蝠种群的最优解生成蝙蝠i的下一代候选解。

优选的，所述方法还包括：

随着迭代次数的增加，所述蝙蝠i的下一代候选解与蝙蝠j的当代解的关联性逐渐降低。

优选的，确定蝙蝠种群的下一代最优解前，所述方法还包括：

从所述蝙蝠种群中选择一只蝙蝠；

依次调整该只蝙蝠的每一个组元以获得该只蝙蝠的下一代候选新解；

根据所述下一代候选新解确定蝙蝠种群的下一代最优解。

优选的，从所述蝙蝠种群中选择一只蝙蝠还包括：

根据蝙蝠的数量、每只蝙蝠的目标函数值以及飞行速度的控制力从所述蝙蝠种群中选择一只蝙蝠。

优选的，依次调整该只蝙蝠的每一个组元以获得该只蝙蝠的下一代候选新解包括：

针对该只蝙蝠生成一个随机解，所述随机解中包含多个组元；

逐一改变所述组元的大小；其中，当一个组元变化时，其他组元保持不变；

根据每个所述组元变化后的局部适应度值与变化前的局部适应度值确定该组元的局部适应度差；

获取所述局部适应度差最低的所述组元，并将该组元的变化引入所述随机解中以获得随机新解；

当所述随机新解的适应度值大于所述随机解的适应度值时，则令所述随机新解作为该只蝙蝠的下一代候选新解。

优选的，根据优化后的BP神经网络预测交易量后，所述方法还包括：

根据平均绝对误差指标、均方根误差指标和/或平均绝对百分比误差指标评价优化后的所述交易量预测模型。

依据本发明的另一个方面，提供一种基于BP神经网络的交易量预测模型的优化装置，包括：

迭代模块，用于基于蝙蝠算法对蝙蝠种群中的每只蝙蝠进行迭代；其中，当任意一只蝙蝠的下一代响度大于第一随机数时，接受该只蝙蝠的下一代候选解作为其下一代解；

第一确定模块，用于根据每只蝙蝠的下一代解确定蝙蝠种群的下一代最优解；

第二确定模块，用于当达到所述蝙蝠种群的最优解条件或最大迭代次数时，确定全局最优解；所述全局最优解为所述蝙蝠种群的末代最优解；

参数获取模块，用于根据全局最优解获得基于BP神经网络的交易量预测模型的最佳连接权重参数；

模型优化模块，用于根据所述最佳连接权重参数优化所述交易量预测模型。

优选的，所述装置还包括：

第一判断模块，用于判断蝙蝠i的当代脉冲是否大于第二随机数；

第一生成模块，用于若是，则生成蝙蝠i的下一代候选解，且蝙蝠i的下一代候选解与蝙蝠j的当代解具有关联性；其中，蝙蝠j位于所述蝙蝠种群中，且i≠j；

第二生成模块，用于若否，则根据当代蝙蝠种群的最优解生成蝙蝠i的下一代候选解。

优选的，确定蝙蝠种群的下一代最优解前，所述装置还包括：

第一选择模块，用于从所述蝙蝠种群中选择一只蝙蝠；

第一调整模块，用于依次调整该只蝙蝠的每一个组元以获得该只蝙蝠的下一代候选新解；

第三确定模块，用于根据所述下一代候选新解确定蝙蝠种群的下一代最优解。

优选的，所述第一选择模块还包括：

第一计算单元，用于根据蝙蝠的数量、每只蝙蝠的目标函数值以及飞行速度的控制力从所述蝙蝠种群中选择一只蝙蝠。

优选的，所述第一调整模块还包括：

随机单元，用于根据该只蝙蝠生成一个随机解，所述随机解中包含多个组元；

变化引入单元，用于逐一改变所述组元的大小化；其中，当一个组元变化时，其他组元保持不变；

第二计算单元，用于根据每个所述组元变化后的局部适应度值与变化前的局部适应度值确定该组元的局部适应度差；

选择单元，用于获取所述局部适应度差最低的所述组元，并将该组元的变化引入所述随机解中以获得随机新解；

修改单元，用于当所述随机新解的适应度值大于所述随机解的适应度值时，则令所述随机新解作为该只蝙蝠的下一代候选新解。

依据本发明的另一个方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在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上任一项所述的优化方法。

依据本发明的另一个方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的优化方法。

本发明实施例所述的优化方法采用一种新的开放接受策略，即若当前的随机数小于响度，那么就接受这个候选解，可以达到拓展搜索区域的效果，更有可能使陷入局部最优的解决方案跳出困境。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为现有技术中三层BP神经网络的示意图；

图2为本发明实施例中一种基于BP神经网络的交易量预测模型的优化方法流程图；

图3为本发明实施例中一种基于BP神经网络的交易量预测模型的优化方法流程图；

图4为本发明实施例中一种基于BP神经网络的交易量预测模型的优化方法流程图；

图5为本发明实施例中一种基于BP神经网络的交易量预测模型的优化方法流程图；

图6为本发明实施例中一种基于BP神经网络的交易量预测模型的优化装置结构示意图；

图7为本发明实施例提供的计算机设备的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

蝙蝠算法的仿生原理为将种群中蝙蝠个体映射为D维问题空间中的多个可行解，当目标为猎物时，将优化过程和搜索模拟成蝙蝠种群中蝙蝠个体移动过程和搜寻猎物，并利用求解问题的适应度值来衡量蝙蝠所处位置的优劣，将个体的优胜劣汰过程类比为优化和搜索过程，以用好的可行解替代较差可行解的迭代过程。

蝙蝠算法中，蝙蝠种群中第i只蝙蝠以速度vel

fre

vel

Pos

Pos

loud

pul

其中，β∈(0,1)是一个服从均匀分布的随机数，fre

针对上述缺陷，本申请的基本构思是针对上述蝙蝠算法的缺点对该算法进行改进，同时将改进蝙蝠算法与BP神经网络结合以进一步解决BP神经网络的缺点，充分利用改进蝙蝠算法获取基于BP神经网络的交易量预测模型中的最佳连接权重参数，以优化交易量预测模型，优化后的交易量预测模型可以更准确的进行交易量预测，例如电商平台在不同时段的交易量预测等。

需要说明的是，尽管在本申请的实施例中将以预测交易量作为实施例进行说明，但是本申请的上述基本构思不但可以用于预测交易量的应用中，还可以用于其他应用中；例如，可以用于工程优化设计、模糊分析、股价预测等，均可以达到更好的性能。

在介绍了本申请的基本构思之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

具体的，如图2所示，为本发明实施例所提供的一种基于BP神经网络的交易量预测模型的优化方法，所述方法包括如下步骤：

步骤201，基于蝙蝠算法对蝙蝠种群中的每只蝙蝠进行迭代；其中，当任意一只蝙蝠的下一代响度大于第一随机数时，接受该只蝙蝠的下一代候选解作为其下一代解。其中，在本发明实施例中，蝙蝠的候选解即是蝙蝠的位置，因而只需要获得蝙蝠的位置即可确定所述蝙蝠的候选解。

其中，在本发明实施例所述的基于蝙蝠算法的迭代过程中，当获得蝙蝠个体的下一代候选解以及下一代响度后，为了确定该候选解是否可以作为下一代解时，会生成第一随机数，并比较第一随机数和下一代响度之间的大小；当生成的第一随机数小于下一代响度时，则接受该蝙蝠的下一代候选解，即将该只蝙蝠的下一代候选解作为下一代解以替代当代解。当任意一只蝙蝠的下一代响度小于第一随机数时，那么拒绝接受该只蝙蝠的下一代候选解，因而在此情况下，该只蝙蝠的当代解作为其下一代解，按照相同的方法可以确定一个蝙蝠种群中所有蝙蝠的下一代解。此时并不需要比较下一代候选解与当代解之间的适应度值的改变情况，而是仅比较下一代响度和第一随机数的大小，只要满足第一随机数小于下一代响度时，就接受该下一代候选解，可以达到拓展搜索区域的效果，更有可能跳出陷入局部最优的解决方案。

步骤202，根据每只蝙蝠的下一代解确定下一代蝙蝠种群的最优解。具体的，相互比较每只蝙蝠的适应度值，选取适应度值最大的那只蝙蝠作为下一代蝙蝠种群的最优解。具体的适应度值的比较方法可以采用现有的经典蝙蝠算法，在本实施例中不再赘述。

在其他实施方式中，可以根据目标函数值和适应度值的关系作为确定最优解的方法。当目标函数为求解最小值问题时，例如离猎物的距离最短，由于目标函数值越小则蝙蝠个体的适应度值越大，那么可以比较每只蝙蝠的目标函数大小，选择目标函数值最小的蝙蝠作为下一代蝙蝠种群的最优解。当目标函数为求解最大值问题时，由于目标函数值越小则蝙蝠个体的适应度值越大，那么可以选择目标函数值最大的蝙蝠作为下一代蝙蝠种群的最优解。

步骤203，当达到所述蝙蝠种群的最优解条件或最大迭代次数时，确定全局最优解；所述全局最优解为所述蝙蝠种群的末代最优解。其中，最优解条件或最大迭代次数可以根据最终的求解目标进行预设，并作为结束迭代循环的条件；当结束迭代循环的条件达到时，确定所述蝙蝠种群的全局最优解，即在最后一次迭代中选择适应度值最大的那只蝙蝠作为全局最优解。或者，根据求解的对象，比较目标函数值的大小也可以选择出全局最优解。

步骤204，根据全局最优解获得基于BP神经网络的交易量预测模型的最佳连接权重参数。具体而言，在本发明实施例所述的预测模型优化方法中，根据蝙蝠算法在每次迭代中不断获得新解，不断改进BP神经网络的连接权重参数，直到获取最佳连接权重参数。其中适应度值J定义为表示实际值与预测值的误差

较佳的，具体如公式7、8：

y

其中，f(X)＝y

步骤205，根据优化后的BP神经网络优化交易量预测模型。根据步骤204优化基于BP神经网络的交易量预测模型的最佳连接权重参数，并基于最佳连接权重参数优化后交易量预测模型，以便根据该交易量预测模型预测交易量。例如，该交易量预测模型可以预测某特定时间段的成交量或者访问量等。

本发明实施例所述的优化方法采用一种新的开放接受策略，即若随机数小于蝙蝠的下一代响度，那么就接受这个候选解，可以达到拓展搜索区域的效果，更有可能使陷入局部最优的解决方案跳出困境。

本发明实施例所述的一种基于BP神经网络的交易量预测模型的优化方法，较佳的，如图3所示，基于蝙蝠算法对蝙蝠种群中的每只蝙蝠进行迭代还包括：

步骤301，判断蝙蝠i的当代脉冲是否大于第二随机数；

步骤302，若是，则生成蝙蝠i的下一代候选解，且蝙蝠i的下一代候选解与蝙蝠j的当代解具有关联性；其中，蝙蝠j位于所述蝙蝠种群中，且i≠j；

步骤303，若否，则根据当代蝙蝠种群的最优解生成蝙蝠i的下一代候选解。

从上述蝙蝠位置的更新方式可以看出在经典的蝙蝠算法中，根据公式4可知，根据蝙蝠i的当代最优解直接获得该只蝙蝠的下一代解，蝙蝠算法中蝙蝠位置的更新对当代找到的最佳解决方案有较强的依赖性。显然，在正确有效地应用最优解的情况下，可以提高勘探能力，加快搜索过程，极大地缩短搜索时间。这也是经典蝙蝠算法在低维空间中表现如此出色的重要原因。但是，在迭代前期，该方法对当代最优解有较强的依赖性，如果前期发生偏差，那么当代最优解会使得后期陷入局部最优。因而本发明实施例所述的方法中，随机生成一第二随机数，并判断任意一只蝙蝠i的当代脉冲是否大于该第二随机数。如果蝙蝠i的当代脉冲大于第二随机数，那么就引入蝙蝠i的同伴蝙蝠j的位置以影响蝙蝠i的下一代候选解，即当蝙蝠i的脉冲还不够强时，使得蝙蝠i的下一代候选解与蝙蝠j的当代解具有关联性，能够一定程度上减少下一代候选解对当代最优解的依赖，提高算法的全局搜索能力。

具体的，蝙蝠i的下一代候选解与蝙蝠j的当代解具有关联性体现在蝙蝠i的下一代位置调整过程中，不仅受蝙蝠i的当代位置Pos

在本发明另一具体实施方式中，当蝙蝠i的当代脉冲小于第二随机数时，表示此时蝙蝠i的目标已经较为明确，不需要再扩大蝙蝠的搜索范围，则在调整位置时直接以上述公式4获得其下一代位置，并不再引入蝙蝠j的当代位置，以保证循环的效率。

本发明实施例所述的一种基于BP神经网络的交易量预测模型的优化方法，较佳的，所述方法还包括：

随着迭代次数的增加，所述蝙蝠i的下一代候选解与蝙蝠j的当代解的关联性逐渐降低。具体的，提供一步长控制参数σ控制上述实施例中蝙蝠i的下一代候选解与蝙蝠j的当代解的关联性大小。如公式9所示：

Pos

从上述公式9中可知，蝙蝠i的下一代位置Pos

在一具体的实施例中，步长控制参数σ的调整如公式10所示：

σ＝(MaxIter-t/MaxIter)+0.1 (公式10)

其中，MaxIter表示最大迭代数，t是当前迭代数。在早期的搜索阶段，t值较小所以分母MaxIter-t较大，故而得到较大的σ值，因而达到主动引导蝙蝠向其邻居移动的效果，目的是在早期的位置调整中，降低对当前获得的最优解的依赖程度。该操作可以进一步提高算法的全局搜索能力，增强算法的多样性。进入搜索后期，t值变大、分子MaxIter-t变小，所以σ变小。在更新蝙蝠位置时引入的同伴位置是随机选择的，具有较强的随机性，而步长控制参数σ体现了同伴位置对蝙蝠位置的影响(Pos

为了进一步提高种群多样性，本发明实施例还包括对所述蝙蝠种群中的蝙蝠通过一个基因突变，引起适应度函数自组织地大范围动态波动，从而突变成一个优秀的候选解。较佳的实施方式中，可以采用极值优化变异(EO)算法，极值优化算法变异是一种具有出色的参数无关性和局部搜索能力的元启发式算法，对提高算法精准寻优提供了一定程度的帮助。因而本发明实施例所述的一种基于BP神经网络的交易量预测模型的优化方法，较佳的，如图4所示，确定下一代蝙蝠种群的最优解前，所述方法还包括：

步骤401，从所述蝙蝠种群中选择一只蝙蝠，即从蝙蝠种群中随机选择某一只蝙蝠，只对一只蝙蝠进行变异，这样尽可能降低引入EO变异算法带来的计算成本。

步骤402，依次调整该只蝙蝠的每一个组元以获得该只蝙蝠的下一代候选新解。

具体而言，EO变异算法中没有种群或成组候选解的概念。对EO变异算法来说，它更加关注组元调整，在本发明实施例中，一只蝙蝠的位置可以视为多维空间的位置的集合，每个空间对应一个组元，也就是说最终由该只蝙蝠的每一个组元决定目标函数值，即获得该只蝙蝠的下一代候选新解。在每次迭代中，每个组元的变化都是随机的，最终再根据适应度值进行排序。EO变异算法通过无条件修改一直蝙蝠在某一个空间的位置，可以成功地搜索到邻近区域。

步骤403，根据所述下一代候选新解确定蝙蝠种群的下一代最优解。具体的实施方式中，如果获得的候选新解所对应的适应度值优于候选解所对应的适应度值时，代表该候选新解突变成一个优秀的解，那么此时可以使得该只蝙蝠的下一代候选新解作为下一代解，并重新确认蝙蝠种群的下一代最优解。

本发明实施例所述的一种基于BP神经网络的交易量预测模型的优化方法，较佳的，从所述蝙蝠种群中选择一只蝙蝠还包括：

根据蝙蝠的数量、每只蝙蝠的目标函数值以及飞行速度的控制力从所述蝙蝠种群中选择一只蝙蝠。

具体的，本发明实施例中通过玻尔兹曼机，有概率地只选择一只蝙蝠以进行EO变异。具体公式如下：

在上述两式中，fit

本发明实施例所述的一种基于BP神经网络的交易量预测模型的优化方法，较佳的，如图5所示，依次调整该只蝙蝠的每一个组元以获得该只蝙蝠的下一代候选新解包括：

步骤501，针对该只蝙蝠生成一个随机解，所述随机解中包含多个组元。例如，当目标函数为D维最小化问题时，那么就针对步骤401随机选出的一只蝙蝠生成一个随机解X，X＝(x

步骤502，逐一改变所述组元的大小；其中，当一个组元变化时，其他组元保持不变。

其中，每个组元的变化都是随机的。具体的，EO变异算法可以选择采用混合高斯-柯西变异(G-C变异)算子，具体变异公式如下公式12、12：

x

x

其中，x

步骤503，根据每个所述组元变化后的局部适应度值与变化前的局部适应度值确定该组元的局部适应度差。具体的，通过局部适应度差l

步骤504，获取所述局部适应度差最低的所述组元，并将该组元的变化引入所述随机解中以获得随机新解。具体的，比较所有局部适应度差以找到局部适应度差最低的组元k，即对于所有组元都满足l

步骤505，当所述随机新解的适应度值大于所述随机解的适应度值时，则令所述随机新解作为该只蝙蝠的下一代候选新解。如果随机新解得到改进，即随机新解的适应度值大于所述随机解的适应度值，那么可以修改该只蝙蝠的下一代候选新解为该随机新解。如果没有改进，即随机新解的适应度值小于等于所述随机解的适应度值，那么返回步骤502。

本发明实施例所述的一种基于BP神经网络的交易量预测模型的优化方法，较佳的，根据优化后的BP神经网络预测交易量后，所述方法还包括：

根据平均绝对误差指标、均方根误差指标和/或平均绝对百分比误差指标评价优化后的所述交易量预测模型。

具体的，使用平均绝对误差指标MAE、均方根误差指标RMSE、平均绝对百分比误差指标MAPE三个回归评价指标对优化后的交易量预测模型的性能进行评价，MAE、RMSE和MAPE值越小，代表优化后的交易量预测模型的性能越好。评价指标具体公式如下：

在上述的式子中，y

本发明实施例还提供一种基于BP神经网络的交易量预测模型的优化装置，如图6所示，包括：

迭代模块601，用于基于蝙蝠算法对蝙蝠种群中的每只蝙蝠进行迭代；其中，当任意一只蝙蝠的下一代响度大于第一随机数时，接受该只蝙蝠的下一代候选解作为其下一代解；

第一确定模块602，用于根据每只蝙蝠的下一代解确定下一代蝙蝠种群的最优解；

第二确定模块603，用于当达到所述蝙蝠种群的最优解条件或最大迭代次数时，确定全局最优解；所述全局最优解为所述蝙蝠种群的末代最优解；

参数获取模块604，用于根据全局最优解获得基于BP神经网络的交易量预测模型的最佳连接权重参数；

模型优化模块605，用于根据所述最佳连接权重参数优化所述交易量预测模型。

本发明实施例所述的一种基于BP神经网络的交易量预测模型的优化装置，较佳的，所述装置还包括：

第一判断模块，用于判断蝙蝠i的当代脉冲是否大于第二随机数；

第一生成模块，用于若是，则生成蝙蝠i的下一代候选解，且蝙蝠i的下一代候选解与蝙蝠j的当代解具有关联性；其中，蝙蝠j位于所述蝙蝠种群中，且i≠j；

第二生成模块，用于若否，则根据当代蝙蝠种群的最优解生成蝙蝠i的下一代候选解。

本发明实施例所述的一种基于BP神经网络的交易量预测模型的优化装置，较佳的，确定下一代蝙蝠种群的最优解前，所述装置还包括：

第一选择模块，用于从所述蝙蝠种群中选择一只蝙蝠；

第一调整模块，用于依次调整该只蝙蝠的每一个组元以获得该只蝙蝠的下一代候选新解；

第三确定模块，用于根据所述下一代候选新解确定蝙蝠种群的下一代最优解。

本发明实施例所述的一种基于BP神经网络的交易量预测模型的优化装置，较佳的，所述第一选择模块还包括：

第一计算单元，用于根据蝙蝠的数量、每只蝙蝠的目标函数值以及飞行速度的控制力从所述蝙蝠种群中选择一只蝙蝠。

本发明实施例所述的一种基于BP神经网络的交易量预测模型的优化装置，较佳的，所述第一调整模块还包括：

随机单元，用于根据该只蝙蝠生成一个随机解，所述随机解中包含多个组元；

变化引入单元，用于逐一改变所述组元的大小化；其中，当一个组元变化时，其他组元保持不变；

第二计算单元，用于根据每个所述组元变化后的局部适应度值与变化前的局部适应度值确定该组元的局部适应度差；

选择单元，用于获取所述局部适应度差最低的所述组元，并将该组元的变化引入所述随机解中以获得随机新解；

修改单元，用于当所述随机新解的适应度值大于所述随机解的适应度值时，则令所述随机新解作为该只蝙蝠的下一代候选新解。

本发明实施例一种计算机设备，包括存储器、处理器及存储在存储器上并可在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上实任一实施例所述的一种基于BP神经网络的交易量预测模型的优化方法。

本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行计算机程序，所述计算机程序被处理器执行时实现如上任一实施例所述的一种基于BP神经网络的交易量预测模型的优化方法。

本发明实施例所述的方法结合生物启发式算法中的蝙蝠算法与BP神经网络，充分利用BP神经网络优越的逼近性能，同时利用创新的改进蝙蝠算法优化模型的连接权重，改进了BP神经网络陷入局部最优的缺点，提升预测性能。

如图7所示为本文实施例节点的结构示意图，计算设备702可以包括一个或多个处理设备704，诸如一个或多个中央处理单元(CPU)，每个处理单元可以实现一个或多个硬件线程。计算设备702还可以包括任何存储资源706，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储资源706可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储资源都可以使用任何技术来存储信息。进一步地，任何存储资源可以提供信息的易失性或非易失性保留。进一步地，任何存储资源可以表示计算设备702的固定或可移除部件。在一种情况下，当处理设备704执行被存储在任何存储资源或存储资源的组合中的相关联的指令时，计算设备702可以执行相关联指令的任一操作。计算设备702还包括用于与任何存储资源交互的一个或多个驱动机构708，诸如硬盘驱动机构、光盘驱动机构等。

计算设备702还可以包括输入/输出模块710(I/O)，其用于接收各种输入(经由输入设备712)和用于提供各种输出(经由输出设备714))。一个具体输出设备可以包括呈现设备716和相关联的图形用户接口(GUI)718。在其他实施例中，还可以不包括输入/输出模块710(I/O)、输入设备712以及输出设备714，仅作为网络中的一台计算设备。计算设备702还可以包括一个或多个网络接口720，其用于经由一个或多个通信链路722与其他设备交换数据。一个或多个通信总线724将上文所描述的部件耦合在一起。

通信链路722可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路722可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。

应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

还应理解，在本发明实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。