(19)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 202210826374.3 (22)申请日 2022.07.13 (71)申请人 浙江科技学院 地址 310023 浙江省杭州市西湖区留和路 318号 (72)发明人 张震宇　徐孟飞　丰海港　施天策　 张浩波　郑玉珍　何致远　宣皓滢　 (74)专利代理 机构 浙江永鼎律师事务所 3 3233 专利代理师 周希良 (51)Int.Cl. G06Q 30/02(2012.01) G06N 3/08(2006.01) G06N 3/12(2006.01) (54)发明名称 一种基于GA-BP神经网络的饮水机投放预测 方法及系统 (57)摘要 本发明公开了一种基于GA ‑BP神经网络的饮 水机投放预测方法， 包括： S1.获取与高校饮水机 投放相关的数据信息， 并对获取的数据信息进行 归一化处理， 得到处理后的数据信息； S2.构建基 于GA‑BP的神经网络模型， 并将处理后的数据信 息输入至GA ‑BP神经网络模型中进行训练， 得到 训练好的预测模型； S3.将测试的数据信息输入 至训练好的预测模型中， 训练模 型输出与饮水机 相对应的收益结果。 权利要求书3页 说明书17页 附图8页 CN 115187302 A 2022.10.14 CN 115187302 A 1.一种基于GA ‑BP神经网络的饮水机投放预测方法， 其特 征在于， 包括： S1.获取与高校饮水机投放相关的数据信 息， 并对获取的数据信息进行归一化处理， 得 到处理后的数据信息； S2.构建基于GA ‑BP的神经网络模型， 并将处理后的数据信息输入至GA ‑BP神经网络模 型中进行训练， 得到训练好的预测模型； S3.将测试的数据信息输入至训练好的预测模型中， 训练模型输出与饮水机相对应的 收益结果。 2.根据权利要求1所述的一种基于GA ‑BP神经网络的饮水机投放预测方法， 其特征在 于， 所述步骤S1 中与高校饮水机投放相关的数据信息包括在校人数、 饮水机数量、 所 处地区 的年均最高温度与相对湿度。 3.根据权利要求1所述的一种基于GA ‑BP神经网络的饮水机投放预测方法， 其特征在 于， 所述步骤S1 中对获取的数据信息进 行归一化处理是基于mapminmax函数进行 处理的， 其 中mapminmax函数表示 为： 其中， y表示归一化后数据信息， ymax、 ymin分别表示归一化后 的数据中的最大值、 最小 值； x表示原 始数据集， xmax、 xmin分别表示原 始数据集中的最大值、 最小值。 4.根据权利要求3所述的一种基于GA ‑BP神经网络的饮水机投放预测方法， 其特征在 于， 所述步骤S2具体包括： S21.确定BP神经网络的结构； 其中神经网络的隐含层节点数， 表示 为： 其中， l、 m、 n分别表示输入层、 隐含层、 输出层节点数； a表示调节常数； S22.随机产生一个种群， 并初始化种群中每个个体； 其中每个个体包含BP神经网络中 所有连接的权值和阈值， 且每 个个体的长度表示 为： L＝lm+mn+m+n 其中， L表示单个 个体的长度； S23.将初始化的每个个体相对应的网络权值和阈值输入BP神经网络中， 并将预测值与 实际值之间的误差绝对值之和作为个 体的适应度， 得到适应度函数， 表示 为： 其中， F表示个 体的适应度值； N表示预测的数量； yi表示预测值； oi表示实际值； S24.采用轮 盘赌法选择适应度较优的个 体； 其中个 体选择的概 率， 表示为： 其中， Pi表示第i个个体被选择的概率， Fi、 Fj分别表示第i个、 第j个个体 的适应度值， m 表示种群数量；权　利　要　求　书 1/3 页 2 CN 115187302 A 2S25.对种群中的个 体进行交叉变异处 理， 得到处 理后的个 体； S26.判断是否达到设定的最大迭代次数， 若否， 则重复执行步骤S24 ‑S25； 若是， 则停止 运动， 得到得较优的权值和阈值； S27.根据较优的权值和阈值改进BP神经网络， 输出最终预测模型。 5.根据权利要求4所述的一种基于GA ‑BP神经网络的饮水机投放预测方法， 其特征在 于， 所述步骤S25中对种群中的个 体进行交叉处 理， 表示为： 其中， ak表示第k个 个体； ai表示第i个 个体； b表示随机数。 6.根据权利要求5所述的一种基于GA ‑BP神经网络的饮水机投放预测方法， 其特征在 于， 所述步骤S25中对种群中的个 体进行变异处 理， 表示为： 其中， amax、 amin表示aij的最大值与最小值， Gmax表示最大迭代次数， g是当前迭代次数， r 表示随机数； aij表示第i个 个体的第j个 基因。 7.根据权利要求1所述的一种基于GA ‑BP神经网络的饮水机投放预测方法， 其特征在 于， 所述步骤S1 中的饮水机包括饮水机主体结构、 滑动结构； 所述饮水机主体结构包括顶 座 模块、 支撑顶座模块的支撑模块、 与 支撑模块底部连接的底 座， 滑动结构设置于顶座模块底 部； 滑动结构包括滑轨、 滑台； 滑轨设置于支撑模块的一侧， 滑台一侧开设有与滑轨相适配 的滑槽， 滑台通过滑槽在滑轨上滑动以调节 滑台与卡盘之间的距离； 卡盘包括夹紧模块， 夹紧模块用于 夹紧水杯。 8.根据权利要求7所述的一种基于GA ‑BP神经网络的饮水机投放预测方法， 其特征在 于， 所述滑台另一侧设有出水模块、 感应模块； 出水模块用于调节出水口的大小； 感应模块 用于检测水杯的容 量。 9.根据权利要求8所述的一种基于GA ‑BP神经网络的饮水机投放预测方法， 其特征在 于， 所述滑块为L型结构， 出水模块包括出水口、 第一调节单元、 第二调节单元， 出水口设置 于L型滑块底部的一端位置， 第一调节单元设置于出水口下方， 第二调节单元设置于第一调 节单元下方， 出水 口的直径大于第一调节单元出水 的直径， 第一调节单元出水 的直径大于 第二调节单 元出水的直径。 10.一种基于权利要求1 ‑9所述的一种基于GA ‑BP神经网络的饮水机投放预测方法的预 测系统， 其特 征在于， 包括： 获取模块， 用于获取与高校饮水机投放相关的数据信息， 并对获取的数据信息进行归 一化处理， 得到处 理后的数据信息； 训练模块， 用于构建基于GA ‑BP的神经网络模型， 并将处理后的数据信息输入至GA ‑BP 神经网络模型中进行训练， 得到训练好的预测模型；权　利　要　求　书 2/3 页 3 CN 115187302 A 3