一种基于宽度集成学习的废旧手机智能定价方法

1.本发明在手机回收企业真实交易数据的基础上，建立基于宽度集成学习的废旧手机智能定价模型。通过建立一组基于模糊宽度学习网络的基学习器，提取不同手机机型数据中的知识，并建立基于宽度学习网络的元学习器，利用基学习器提取的信息，融合多机型知识进行定价，实现废旧手机多机型融合定价。这种基于宽度集成学习的废旧手机智能定价方法在实际回收交易过程中，能够使用同一模型对不同机型手机进行定价，具有较高精度，并使定价结果趋于稳定，同时该方法保留了宽度学习的结构特征，极大地降低了模型训练时间，能够为手机回收行业提供技术支持。


背景技术：

2.废旧手机作为重要的通信娱乐工具，在人们日常生活中占据着重要地位。同时随着通信技术的发展，智能手机的迅速普及，中国已经称为世界上大的智能手机消费市场。然而，随着智能手机的更新换代，中国每年会产生数量巨大的废旧手机，如何合理地处理这些废旧手机，引起了越来越多的关注。一方面，废旧手机中蕴含大量有害物质，处理不当会对人体和环境带来巨大的危害；另一方面，手机中也含有大量的稀有金属，同时对废旧手机进行维修翻新，进行二次售卖，也可以带来巨大的经济价值，避免资源浪费。废旧手机价值作为影响手机回收的重要因素，严重影响手机回收产业的发展。因此，如何实现废旧手机的快速、精准定价，是当前研究的重点。
3.基于数学模型的定价方法在解决小样本问题上具有很大的优势，但由于废旧手机回收影响因素众多且数据量大，采用该类方法会大幅降低模型的泛化性能，无法实现对废旧手机的快速、精准定价。为解决复杂性问题，基于数据驱动的定价方法在废旧手机回收过程得到了应用，然而，传统基于深度学习的废旧手机定价模型虽然能够获得较为准确的定价结果，但由于网络结构较为复杂且参数较多，当训练数据量较大且维度较大时，会极大地增加模型的复杂度。无法满足对废旧手机进行快速、精准定价的需求。近年来，基于宽度学习的方法引起了广发的关注，该类方法通过增加模型的宽度而非深度来构建模型，能够极大地降低模型的复杂度。但该类方法不能充分学习数据中的知识，导致模型的定价精度较差，同时，该类方法难以实现废旧手机的多机型融合定价。因此，如何线性废旧手机的多机型融合定价，已成为电子产品回收领域研究的重要课题，具有重要的现实意义。
4.本发明设计了一种基于宽度集成学习的废旧手机智能定价方法，实现废旧手机的多机型融合定价。首先，该方法建立一组基于模糊宽度学习网络的基学习器，利用自助法提取数据中的知识。其次建立基于宽度学习网络的元学习器，将基学习器输出组合起来作为基学习器输入，实现废旧手机多机型融合定价，并进一步提高模型的泛化性能，使得定价结果趋于稳定和准确，为废旧手机回收定价提供了一种有效的方法。


技术实现要素：

5.本发明获得了一种基于宽度集成学习的废旧手机智能定价方法，该方法通过建立
一组基于模糊宽度学习网络的基学习器，提取不同手机机型数据中的知识，并建立基于宽度学习网络的元学习器，利用基学习器提取的信息，融合多机型知识进行定价，提高废旧手机多机型融合定价精度，该方法解决了使用同一模型对多机型手机进行精准定价问题，同时使得定价结果趋于稳定。
6.本发明采用了如下的技术方案及实现步骤：
7.一种基于宽度集成学习的废旧手机智能定价方法，其特征在于，包括以下步骤：
8.(1)数据采集
9.以废旧手机为对象，采集废旧手机为的交易数据，包括：品牌、机型、存储容量、购买渠道、颜色、边框背板、屏幕状态、照相功能、无线网络功能、蓝牙功能、开机功能、通话功能、屏幕性能、使用时间、密码锁是否注销、拆修情况、以及国内保修情况，共17 个变量；
10.(2)数据预处理
11.选取与废旧手机定价相关的变量作为定价模型的输入：品牌、机型、存储容量、密码锁是否注销、屏幕性能、拆修情况、以及国内保修情况，共7个特征变量，剔除缺失数据，并将获取的特征变量归一化至[0,1]；将所有样本数据分为两组，第一组包含d个训练样本，第二组包含l个测试样本,要求d》l；
[0012]
(3)基于宽度集成学习的废旧手机智能定价模型设计
[0013]
利用集成学习机制建立废旧手机智能定价模型，包括基于模糊宽度学习的基学习器和基于宽度学习的元学习器两部分，基于模糊宽度学习的基学习器个数为10，基于宽度学习的元学习器个数为1；
[0014]
1)基于模糊宽度学习的基学习器：
[0015]
基学习器的拓扑结构共四层：输入层、模糊子系统层、增强层和输出层，采取7-n-m-1 的连接方式，即输入层神经元个数为7，模糊子系统层子系统个数为n，n取[1,10]之间的任意正整数，增强层神经元个数为m，m取[10,20]之间的任意正整数，输出层神经元个数为1；使用训练样本训练基学习器，归一化后第t次迭代时第d个样本可以表示为xd(t)＝[x
d1
(t), x
d2
(t),x
d3
(t),x
d4
(t),x
d5
(t),x
d6
(t),x
d7
(t)]，d＝1,2,3,
…
,d，x
d1
(t)为第t次迭代时第d个样本的品牌，x
d2
(t)为第t次迭代时第d个样本的机型，x
d3
(t)为第t次迭代时第d个样本的存储容量， x
d4
(t)为第t次迭代时第d个样本的屏幕性能，x
d5
(t)为第t次迭代时第d个样本的密码锁是否注销，x
d6
(t)为第t次迭代时第d个样本的拆修情况，x
d7
(t)为第t次迭代时第d个样本的国内保修情况；
[0016]
①
基学习器输入层：该层由7个神经元组成，输入层每个神经元的输出如下所示：
[0017]us
(t)＝xs(t)
ꢀꢀ
(1)
[0018]
其中，us(t)为第t次迭代时输入层第s个神经元的输出值，s＝1,2,
…
,7；
[0019]
②
基学习器模糊子系统层：模糊子系统层由n个模糊子系统组成，每个模糊子系统的拓扑结构包括输入层、隶属度函数层、模糊规则层、后件层和输出层，采取7-q-k
i-k
i-1的连接方式，模糊子系统的输入层神经元个数为7，隶属度函数层神经元个数为q，且q＝7ki， ki是[1,10]中的整数，代表第i个模糊子系统的聚类中心数，i＝1,2,
…
,n，模糊规则层神经元个数为ki，后件层神经元个数为ki，输出层神经元个数为1；第i个模糊子系统的各层表示如下：
[0020]
第i个模糊子系统输入层：该层由7个神经元组成，输入层的计算公式如下：
[0021][0022]
其中，r
is
(t)为第t次迭代时第i个模糊子系统第s个神经元的输出值；
[0023]
第i个模糊子系统隶属度函数层：该层由q个神经元组成，该层输出可表示为：
[0024][0025]
其中，μ
iks
(t)为第k个聚类中心关于第s个输入神经元的隶属度函数，k＝1,2,
…
,ki，e 为自然常数，e＝2.7183，r
is
(t)为第s个输入神经元的输出；c
iks
(t)为隶属度函数μ
iks
(t)的中心，取值为第k个聚类中心的第s个变量；σ
iks
(t)为隶属度函数μ
iks
(t)的宽度，是(0,1]之间的任意值；
[0026]
第i个模糊子系统模糊规则层：由ki个神经元组成，模糊规则层输出可表示为：
[0027][0028]
其中，v
ik
(t)为模糊规则层中第k个神经元输出值；
[0029]
第i个模糊子系统后件层：该层由ki个神经元组成，后件层中第k个神经元代表的模糊规则z
ik
(t)表示为：
[0030][0031]
其中，α
iks
(t)为随机初始化参数，是[-1,1]中任意值；zi(t)为后件层的输出值，
[0032][0033]
其中，v
i1
(t)为模糊规则层中第1个神经元输出值，z
i1
(t)为后件层中第1个神经元代表的模糊规则，v
iki
(t)为模糊规则层中第ki个神经元输出值，z
iki
(t)为后件层中第ki个神经元代表的模糊规则；
[0034]
第i个模糊子系统输出层：该层由1个神经元组成，输出值fi(t)可表示为：
[0035][0036]
其中，δi(t)＝[δ
i1
(t),
…
,δ
iki
(t)]
t
为输出层的权值向量，δ
i1
(t)为第一个权值变量，δ
iki
(t)为第ki个权值变量，权值变量均是(0,1]之间的任意值；
[0037]
③
基学习器增强层：由m个增强节点组成，增强层输出值h(t)可表示为：
[0038]
h(t)＝ξ(z(t)wh(t)+βh(t))
ꢀꢀ
(8)
[0039]
其中，ξ()为非线性变换双曲正弦函数，z(t)＝[z1(t),
…
,z
nb
(t)]为模糊子系统层的中间输出矩阵，z1(t)为第1个模糊子系统后件层的输出值，z
nb
(t)为第n个模糊子系统后件层的输出值；wh(t)为连接模糊子系统中间输出矩阵与增强层的权值矩阵；βh(t)为连接模糊子系统中间输出矩阵与增强层的偏置矩阵；
[0040]
④
基学习器输出层：n个模糊子系统去模糊化输出f(t)为：
[0041]
[0042]
将模糊子系统层去模糊化输出f(t)与增强层输出h(t)共同送入输出层，则基学习器的输出c(t)如下：
[0043]
c(t)＝[f(t)|h(t)]wf(t)
ꢀꢀ
(10)
[0044]
其中，wf(t)为连接模糊子系统层、增强层与输出层之间的权值矩阵；
[0045]
将10个基学习器的输出聚合在一起，作为元学习器的输入，元学习器输入i(t)可表示为：
[0046]
i(t)＝[c1(t)，c2(t)，...，c
10
(t)]
ꢀꢀ
(11)
[0047]
其中，c1(t)为第1个基学习器的输出，c2(t)为第2个基学习器的输出，c
10
(t)为第10 个基学习器的输出；
[0048]
2)基于宽度学习的元学习器
[0049]
宽度学习网络由输入层、特征层、增强层，和输出层四部分组成，其结构为10-p-q-1；输入层为10个基学习器的输出；特征层节点个数为p，p是[10,20]中的整数；增强层神经元个数为q，q为[2,10]中的整数；输出层神经元个数为1；
[0050]
①
宽度学习网络输入层:由10个神经元组成，输入层计算公式如下：
[0051]
r(t)＝i(t)
ꢀꢀ
(12)
[0052]
其中，r(t)为第t次迭代时输入层的输出值；
[0053]
②
宽度学习网络特征层：由p个神经元组成，特征层输出值o(t)可表示为：
[0054][0055]
其中，为非线性变换双曲正弦函数，wo(t)为连接输入层和特征层的权值矩阵，βo(t) 为连接输入层和特征层的偏置矩阵；
[0056]
③
宽度学习网络增强层：该层由q个神经元组成，增强层输出值g(t)可表示为：
[0057]
g(t)＝ξ(o(t)wg(t)+βg(t))
ꢀꢀ
(14)
[0058]
其中，ξ()为非线性变换双曲正弦函数，wg(t)为连接特征层和增强层的权值矩阵，βg(t) 为连接特征层与增强层的偏置矩阵；
[0059]
④
宽度学习网络输出层：该层由1个神经元组成，输出层计算公式如下：
[0060]
y(t)＝[o(t)|g(t)]w(t)
ꢀꢀ
(15)
[0061]
其中，y(t)为网络输出值；w(t)为连接特征层、增强层与输出层之间的权值矩阵；
[0062]
3)基于宽度集成学习的废旧手机智能定价模型参数调整
[0063]
最大迭代次数定义为t
max
，t
max
取值为700，设当前迭代次数t＝1；设计基学习器参数调整的目标函数为：
[0064][0065]
其中，c
′
(t)为废旧手机实际交易价格；基学习器参数wf(t)的更新规则如下：
[0066][0067]
其中,η为学习率，η取值为0.01；若t《t
max
时，迭代次数t增加1，重复公式(17)，更新参数；若t＝t
max
时停止计算，获得参数，完成基学习训练；将训练后的10个基学习器聚合，获得元学习器输入，利用公式(15)完成模型参数学习。
m-1 的连接方式，即输入层神经元个数为7，模糊子系统层子系统个数为n，n取[1,10]之间的任意正整数，增强层神经元个数为m，m取[10,20]之间的任意正整数，输出层神经元个数为1；使用训练样本训练基学习器，归一化后第t次迭代时第d个样本可以表示为xd(t)＝[x
d1
(t), xd2(t),x
d3
(t),x
d4
(t),x
d5
(t),x
d6
(t),x
d7
(t)]，d＝1,2,3,
…
,d，x
d1
(t)为第t次迭代时第d个样本的品牌，x
d2
(t)为第t次迭代时第d个样本的机型，x
d3
(t)为第t次迭代时第d个样本的存储容量， x
d4
(t)为第t次迭代时第d个样本的屏幕性能，x
d5
(t)为第t次迭代时第d个样本的密码锁是否注销，x
d6
(t)为第t次迭代时第d个样本的拆修情况，x
d7
(t)为第t次迭代时第d个样本的国内保修情况；
[0083]
①
基学习器输入层：该层由7个神经元组成，输入层每个神经元的输出如下所示：
[0084]us
(t)＝xs(t)
ꢀꢀ
(1)
[0085]
其中，us(t)为第t次迭代时输入层第s个神经元的输出值，s＝1,2,
…
,7；
[0086]
②
基学习器模糊子系统层：模糊子系统层由n个模糊子系统组成，每个模糊子系统的拓扑结构包括输入层、隶属度函数层、模糊规则层、后件层和输出层，采取7-q-k
i-k
i-1的连接方式，模糊子系统的输入层神经元个数为7，隶属度函数层神经元个数为q，且q＝7ki， ki是[1,10]中的整数，代表第i个模糊子系统的聚类中心数，i＝1,2,
…
,n，模糊规则层神经元个数为ki，后件层神经元个数为ki，输出层神经元个数为1；第i个模糊子系统的各层表示如下：
[0087]
第i个模糊子系统输入层：该层由7个神经元组成，输入层的计算公式如下：
[0088][0089]
其中，r
is
(t)为第t次迭代时第i个模糊子系统第s个神经元的输出值；
[0090]
第i个模糊子系统隶属度函数层：该层由q个神经元组成，该层输出可表示为：
[0091][0092]
其中，μ
iks
(t)为第k个聚类中心关于第s个输入神经元的隶属度函数，k＝1,2,
…
,ki，e 为自然常数，e＝2.7183，r
is
(t)为第s个输入神经元的输出；c
iks
(t)为隶属度函数μ
iks
(t)的中心，取值为第k个聚类中心的第s个变量；σ
iks
(t)为隶属度函数μ
iks
(t)的宽度，是(0,1]之间的任意值；
[0093]
第i个模糊子系统模糊规则层：由ki个神经元组成，模糊规则层输出可表示为：
[0094][0095]
其中，v
ik
(t)为模糊规则层中第k个神经元输出值；
[0096]
第i个模糊子系统后件层：该层由ki个神经元组成，后件层中第k个神经元代表的模糊规则z
ik
(t)表示为：
[0097][0098]
其中，α
iks
(t)为随机初始化参数，是[-1,1]中任意值；zi(t)为后件层的输出值，
[0099]
[0100]
其中，v
i1
(t)为模糊规则层中第1个神经元输出值，z
i1
(t)为后件层中第1个神经元代表的模糊规则，v
iki
(t)为模糊规则层中第ki个神经元输出值，z
iki
(t)为后件层中第ki个神经元代表的模糊规则；
[0101]
第i个模糊子系统输出层：该层由1个神经元组成，输出值fi(t)可表示为：
[0102][0103]
其中，δi(t)＝[δ
i1
(t),
…
,δ
iki
(t)]
t
为输出层的权值向量，δ
i1
(t)为第一个权值变量，δ
iki
(t)为第ki个权值变量，权值变量均是(0,1]之间的任意值；
[0104]
③
基学习器增强层：由m个增强节点组成，增强层输出值h(t)可表示为：
[0105]
h(t)＝ξ(z(t)wh(t)+βh(t))
ꢀꢀ
(8)
[0106]
其中，ξ()为非线性变换双曲正弦函数，z(t)＝[z1(t),
…
,z
nb
(t)]为模糊子系统层的中间输出矩阵，z1(t)为第1个模糊子系统后件层的输出值，z
nb
(t)为第n个模糊子系统后件层的输出值；wh(t)为连接模糊子系统中间输出矩阵与增强层的权值矩阵；βh(t)为连接模糊子系统中间输出矩阵与增强层的偏置矩阵；
[0107]
④
基学习器输出层：n个模糊子系统去模糊化输出f(t)为：
[0108][0109]
将模糊子系统层去模糊化输出f(t)与增强层输出h(t)共同送入输出层，则基学习器的输出c(t)如下：
[0110]
c(t)＝[f(t)|h(t)]wf(t)
ꢀꢀ
(10)
[0111]
其中，wf(t)为连接模糊子系统层、增强层与输出层之间的权值矩阵；
[0112]
将10个基学习器的输出聚合在一起，作为元学习器的输入，元学习器输入i(t)可表示为：
[0113]
i(t)＝[c1(t)，c2(t)，...，c
10
(t)]
ꢀꢀ
(11)
[0114]
其中，c1(t)为第1个基学习器的输出，c2(t)为第2个基学习器的输出，c
10
(t)为第10 个基学习器的输出；
[0115]
2)基于宽度学习的元学习器
[0116]
宽度学习网络由输入层、特征层、增强层，和输出层四部分组成，其结构为10-p-q-1；输入层为10个基学习器的输出；特征层节点个数为p，p是[10,20]中的整数；增强层神经元个数为q，q为[2,10]中的整数；输出层神经元个数为1；
[0117]
①
宽度学习网络输入层:由10个神经元组成，输入层计算公式如下：
[0118]
r(t)＝i(t)
ꢀꢀ
(12)
[0119]
其中，r(t)为第t次迭代时输入层的输出值；
[0120]
②
宽度学习网络特征层：由p个神经元组成，特征层输出值o(t)可表示为：
[0121][0122]
其中，为非线性变换双曲正弦函数，wo(t)为连接输入层和特征层的权值矩阵，βo(t) 为连接输入层和特征层的偏置矩阵；
[0123]
③
宽度学习网络增强层：该层由q个神经元组成，增强层输出值g(t)可表示为：
[0124]
g(t)＝ξ(o(t)wg(t)+βg(t))
ꢀꢀ
(14)
[0125]
其中，ξ()为非线性变换双曲正弦函数，wg(t)为连接特征层和增强层的权值矩阵，βg(t) 为连接特征层与增强层的偏置矩阵；
[0126]
④
宽度学习网络输出层：该层由1个神经元组成，输出层计算公式如下：
[0127]
y(t)＝[o(t)|g(t)]w(t)
ꢀꢀ
(15)
[0128]
其中，y(t)为网络输出值；w(t)为连接特征层、增强层与输出层之间的权值矩阵；
[0129]
3)基于宽度集成学习的废旧手机智能定价模型参数调整
[0130]
最大迭代次数定义为t
max
，t
max
取值为700，设当前迭代次数t＝1；设计基学习器参数调整的目标函数为：
[0131][0132]
其中，c
′
(t)为废旧手机实际交易价格；基学习器参数wf(t)的更新规则如下：
[0133][0134]
其中,η为学习率，η取值为0.01；若t《t
max
时，迭代次数t增加1，重复公式(17)，更新参数；若t＝t
max
时停止计算，获得参数，完成基学习训练；将训练后的10个基学习器聚合，获得元学习器输入，利用公式(15)完成模型参数学习。
[0135]
(4)基于宽度集成学习的废旧手机智能定价
[0136]
利用训练好的宽度集成学习的废旧手机智能定价模型，使用l个测试样本的品牌、机型、存储容量、密码锁是否注销、屏幕性能、拆修情况、以及国内保修情况7个特征变量作为基学习器输入变量，得到模型的废旧手机智能定价输出值，再将其反归一化获得废旧手机价值。