基于MATLAB，对2019年高教社杯数学建模E题：薄利营销的第3问做出模型排错（模型篇）

已于 2024-01-03 21:43:29 修改
阅读量1.2k 收藏 12
点赞数 2
文章标签： 数学建模 matlab 神经网络
于 2023-07-27 09:23:59 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/A1160519/article/details/131951825
版权
本文通过皮尔逊相关系数分析发现打折力度与销售额线性相关性弱，与利润率正相关。在销售额建模中，尝试了指数函数、幂函数、多项式、决策树和随机森林模型，发现神经网络模型效果最佳。对于利润率，神经网络模型同样表现出较好的预测准确性。因此，针对附件1的数据，神经网络模型是理想的工具。
摘要由CSDN通过智能技术生成

注意：本文的数据处理是有选取的，仅选取了附件1，附件2的数据并没有计算在内，所以建立的模型会与整体（附加1+附件2）有偏差！！！！！！！！

利润率基本不可以用回归模型，销售额更是与常见的许多模型无法兼容。本文就是针对不同的模型进行检验，所以针对附件1的数据，整体只能使用神经网络模型进行作答。（自身看法，欢迎指正）

本文的主要是做模型排错，分析哪一个模型更适合基于附件1的第三问的模型。模型主要有：逐步回归模型，指数函数模型，幂函数模型，多项式回归，决策树、支持向量机（SVR）、随机森林。但是在末尾处会以神经网络模型对三者关系进行建模。

本文的代码中关于打折力度（discount）数据的输入是省略了%的，对比数据请注意。

问题：分析打折力度与商品销售额以及利润率的关系

一，前期数据处理工作（仅对附件1的数据，附件2没有）

年

月份

销售额

利润

成本

利润率

打折力度

2016

11

6123.60

861.60

5262.00

0.16

28.51%

2016

12

654357.36

132267.76

522089.60

0.25

35.90%

2017

1

358531.36

54351.76

304179.60

0.18

28.05%

2017

2

356127.92

52690.32

303437.60

0.17

26.20%

2017

3

461516.80

69214.00

392302.80

0.18

26.77%

2017

4

603741.16

90391.88

513349.28

0.18

26.81%

2017

5

853279.68

130276.80

723002.88

0.18

26.45%

2017

6

844003.40

119882.00

724121.40

0.17

26.39%

2017

7

1120121.56

169056.28

951065.28

0.18

27.09%

2017

8

1191047.84

172036.96

1019010.88

0.17

26.88%

2017

9

1164564.84

166109.64

998455.20

0.17

27.67%

2017

10

1126388.16

166748.56

959639.60

0.17

27.91%

2017

11

1097795.44

171089.76

926705.68

0.18

27.46%

2017

12

1272362.68

168474.28

1103888.40

0.15

26.54%

2018

1

1510296.24

195741.12

1314555.12

0.15

27.17%

2018

2

1182952.12

169648.88

1013303.24

0.17

27.38%

2018

3

1454328.12

197717.60

1256610.52

0.16

27.88%

2018

4

1955898.76

255978.48

1699920.28

0.15

29.01%

2018

5

1993362.00

342418.24

1650943.76

0.21

28.50%

2018

6

2230717.88

366686.12

1864031.76

0.20

28.38%

2018

7

2643487.68

394404.08

2249083.60

0.18

28.69%

2018

8

3415037.56

480986.24

2934051.32

0.16

28.36%

2018

9

3046809.04

423980.16

2622828.88

0.16

28.24%

2018

10

3158534.8

426166.44

2732368.36

0.16

27.97%

2018

11

3429991.48

494197.36

2935794.12

0.17

28.46%

2018

12

2208572.84

286709.20

1921863.64

0.15

27.81%

二，用MATLAB在以上数据的基础上进行皮尔逊相关系数分析，以量化每月商品打折力度、销售额和利润率之间的相关性程度。

 然后得到：打折力度与销售额的皮尔逊相关系数: 0.0917

                   打折力度与利润率的皮尔逊相关系数: 0.6649

皮尔逊系数的值介于-1到1之间，接近1表示强正相关，接近-1表示强负相关，接近0表示无相关性。

打折力度与销售额的皮尔逊相关系数为0.0917，接近于0，说明它们之间的线性相关性较弱。这意味着打折力度与销售额之间的变化没有明显的线性关系。这个结果表明，在给定的数据集中，打折力度对销售额的影响较小。

另一方面，打折力度与利润率的皮尔逊相关系数为0.6649，接近于1。这意味着打折力度与利润率之间存在一个正相关关系。也就是说，当打折力度增加时，利润率通常也会增加。这个结果可能表明，在该数据集中，打折力度的增加导致了更高的利润率。

根据皮尔逊相关系数的分析，对销售额与打折力度来说，以下是一些可能适用于的模型（标红的是本文会用到的一部分模型）：

  1. 非线性回归模型：考虑使用非线性回归模型，可包括多项式回归、高斯过程回归等。这些模型可以捕捉到非线性关系，并更准确地描述打折力度与销售额之间的关系。

  2. 决策树模型：决策树是一种机器学习模型，可以处理非线性关系。它可以根据打折力度的不同阈值将数据集划分为不同的子集，并预测每个子集的平均销售额。

  3. 集成模型：集成模型如随机森林和梯度提升树可以结合多个弱模型来建立复杂的关系。它们可以通过综合多个模型的预测结果来提高预测精度，从而更好地捕捉打折力度与销售额之间的关系。

  4. 深度学习模型：深度学习模型如神经网络可以学习复杂的非线性关系。可以使用具有多个隐藏层的神经网络来建模打折力度和销售额之间的关系。

对于利润率与打折力度来说，有以下模型可以参考：

  1. 线性回归：线性回归是一种常见的回归分析方法，它假设自变量和因变量之间存在线性关系。可以使用线性回归来建立打折力度与利润率之间的线性关系。

  2. 多项式回归：如果假设打折力度与利润率之间的关系不是简单的线性关系，可以尝试使用多项式回归。多项式回归可以拟合出二次、三次或更高次的曲线关系。

  3. 非线性回归：如果认为打折力度与利润率之间的关系是复杂的非线性关系，可以尝试使用其他非线性回归模型，如支持向量机回归、决策树回归或神经网络回归。（因为大部分模型在销售额部分已经建立，所以利润率部分就不做多的模型排除了）

三，基于以上分析，进行建模。会验证这部分建模是不符合情况的。

（一）对利润率：不做多的排错，主要在销售额版块

建立逐步回归分析模型，运用回归分析中的逐步回归分析法对数据进行拟合

% 输入数据
discount = [28.51, 35.90, 28.05, 26.20, 26.77, 26.81, 26.45, 26.39,...
    27.09, 26.88, 27.67, 27.91, 27.46, 26.54, 27.17, 27.38, 27.88, ...
    29.01, 28.50, 28.38, 28.69, 28.36, 28.24, 27.97, 28.46, 27.81];
profit_margin = [0.16, 0.25, 0.18, 0.17, 0.18, 0.18, 0.18, 0.17,... 
    0.18, 0.17, 0.17, 0.17, 0.18, 0.15, 0.15, 0.17, 0.16, 0.15, 0.21,...
    0.20, 0.18, 0.16, 0.16, 0.16, 0.17, 0.15];

% 构建表格数据
data = table(discount', profit_margin', 'VariableNames', {'Discount', 'ProfitMargin'});

% 进行逐步回归分析
mdl = stepwiselm(data, 'ProfitMargin ~ Discount');

% 打印回归模型的系数和统计信息
disp(mdl);

% 获取模型的系数
coefficients = mdl.Coefficients;

% 输出估计的系数
A = coefficients.Estimate(1);
B = coefficients.Estimate(2);
C = 0;

% 输出估计的系数
disp(['A = ', num2str(A)]);
disp(['B = ', num2str(B)]);
disp(['C = ', num2str(C)]);

 对输出结果整理一下：

估计值

标准误差

统计值

p值

截距项

-0.045762

0.050375

-0.90844

0.37268

折扣力度项

0.0078458

0.0017992

4.3606

0.00021112

均方根误差

R 方

调整 R 方

F 统计量(常量模型)

0.0163

0.442

0.419

19

总体而言，拟合模型的参数估计结果显示销售折扣系数 B 是显著的，而截距项 A 可能不显著。因为截距项 A 的 pValue 值较大。拟合模型的 RMSE 较小，表明模型对数据的拟合较准确。然而，R 方和调整 R 方值较低，说明模型仅能解释因变量变异中的一部分，可能还存在其他因素未被考虑进去

所以初步得到模型方程：Y=-0.045762+0.0078458x  (y为打折力度， x为利润率)

然后检验一下，选取10组样本，代入方程中：

 发现打折力度不符合，此模型确认无效。

（二）对销售额：

1.因为没有线性关系，所以先试着建立指数函数模型：c1*\exp ^{c2*x}

% 输入数据
discount = [28.51, 28.05, 26.20, 26.77, 26.81, 26.45, 26.39, 27.09, 26.88, 27.67,...
    27.91, 27.46, 26.54, 27.17, 27.38, 27.88, 29.01, 28.50, 28.38, 28.69, 28.36, ...
    28.24, 27.97, 28.46, 27.81];
sales = [6123.60, 358531.36, 356127.92, 461516.80, 603741.16, 853279.68,...
    844003.40, 1120121.56, 1191047.84, 1164564.84, 1126388.16, 1097795.44, ...
    1272362.68, 1510296.24, 1182952.12, 1454328.12, 1955898.76, 1993362.00, ...
    2230717.88, 2643487.68, 3415037.56, 3046809.04, 3158534.8, 3429991.48, 2208572.84];

% 将输入数据转换为矩阵形式
y = discount';
x = sales';

% 定义拟合函数
fun = @(c, x) c(1) * exp(c(2) * x);

% 初始参数猜测
initialGuess = [500, -0.1];

% 进行曲线拟合
fitResult = lsqcurvefit(fun, initialGuess, X, y);

% 计算拟合后的预测值
yFit = fun(fitResult, X);

% 绘制散点图和拟合曲线
scatter(X, y, 'filled');
hold on;
plot(X, yFit, 'r', 'LineWidth', 2);
hold off;

% 添加图形标题和坐标轴标签
title('Nonlinear Relationship between Discount and Sales');
xlabel('打折力度');
ylabel('销售额');
% 输入数据
discount = [28.51, 35.90, 28.05, 26.20, 26.77, 26.81, 26.45, 26.39, 27.09,...
    26.88, 27.67, 27.91, 27.46, 26.54, 27.17, 27.38, 27.88, 29.01, 28.50,...
    28.38, 28.69, 28.36, 28.24, 27.97, 28.46, 27.81];
sales = [6123.60, 654357.36, 358531.36, 356127.92, 461516.80, 603741.16, ...
    853279.68, 844003.40, 1120121.56, 1191047.84, 1164564.84, 1126388.16, ...
    1097795.44, 1272362.68, 1510296.24, 1182952.12, 1454328.12, 1955898.76, ...
    1993362.00, 2230717.88, 2643487.68, 3415037.56, 3046809.04, 3158534.8, 3429991.48, 2208572.84];

% 定义指数函数模型
fun = @(c, x) c(1) * exp(c(2) * x);

% 初始参数猜测
initialGuess = [500, -0.1];

% 进行非线性拟合
fitResult = lsqcurvefit(fun, initialGuess, sales,discount);

% 提取拟合得到的参数值
c1 = fitResult(1);
c2 = fitResult(2);

% 打印参数值
fprintf('c1 = %.2f\n', c1);
fprintf('c2 = %.2f\n', c2);

得到 拟合图与系数：

一看拟合曲线都没靠近真实数据点，都不用代入样本检测了，此模型无效。 

 2.幂函数模型：

% 输入数据
discount = [28.51, 35.90, 28.05, 26.20, 26.77, 26.81, 26.45, 26.39, 27.09,...
    26.88, 27.67, 27.91, 27.46, 26.54, 27.17, 27.38, 27.88, 29.01, 28.50,...
    28.38, 28.69, 28.36, 28.24, 27.97, 28.46, 27.81];
sales = [6123.60, 654357.36, 358531.36, 356127.92, 461516.80, 603741.16, ...
    853279.68, 844003.40, 1120121.56, 1191047.84, 1164564.84, 1126388.16, ...
    1097795.44, 1272362.68, 1510296.24, 1182952.12, 1454328.12, 1955898.76, ...
    1993362.00, 2230717.88, 2643487.68, 3415037.56, 3046809.04, 3158534.8, 3429991.48, 2208572.84];

% 定义幂函数模型
fun = @(c, x) c(1) * x.^c(2);

% 初始参数猜测
initialGuess = [1000, -0.5];

% 设置 options 参数
options = optimset('MaxFunEvals', 1000, 'MaxIter', 1000);

% 进行非线性拟合
fitResult = lsqcurvefit(fun, initialGuess, sales, discount, [], [], options);

% 提取拟合得到的参数值
c1 = fitResult(1);
c2 = fitResult(2);

% 打印参数值
fprintf('c1 = %.2f\n', c1);
fprintf('c2 = %.2f\n', c2);

% 计算拟合后的预测值
yFit = fun(fitResult, sales);

% 绘制散点图和拟合曲线
scatter(sales, discount, 'filled');
hold on;
plot(sales, yFit, 'r', 'LineWidth', 2);
hold off;

% 添加图形标题和坐标轴标签
title('Nonlinear Relationship between Discount and Sales');
xlabel('Sales');
ylabel('Discount');

 观察图像，拟合曲线与数据点之间存在一些偏差，但整体趋势保持一致，拟合效果尚可。但回到系数，c2（x的次方）为0，这显然不合理。

3.多项式回归模型：y = c0 + c1 * x + c2 * x^2 + ...

% 输入数据
discount = [28.51, 35.90, 28.05, 26.20, 26.77, 26.81, 26.45, 26.39, 27.09, ...
    26.88, 27.67, 27.91, 27.46, 26.54, 27.17, 27.38, 27.88, 29.01, 28.50, ...
    28.38, 28.69, 28.36, 28.24, 27.97, 28.46, 27.81];
sales = [6123.60, 654357.36, 358531.36, 356127.92, 461516.80, 603741.16, ...
    853279.68, 844003.40, 1120121.56, 1191047.84, 1164564.84, 1126388.16, ...
    1097795.44, 1272362.68, 1510296.24, 1182952.12, 1454328.12, 1955898.76, ...
    1993362.00, 2230717.88, 2643487.68, 3415037.56, 3046809.04, 3158534.8, 3429991.48, 2208572.84];

% 设置多项式阶数
order = 2;

% 进行多项式回归拟合
fitResult = polyfit(sales, discount, order);

% 提取拟合得到的参数值
c = flip(fitResult);  % 翻转系数以便与方程的次数对应

% 打印参数值
fprintf('拟合得到的多项式方程为: \n');
for i = 1:length(c)
    fprintf('c%d = %.2f\n', i-1, c(i));
end

% 代入新的销售额数据进行预测
newSales = XLSX(:,1);  % 新的销售额数据
predictedDiscount = polyval(fitResult, newSales);  % 计算预测的折扣率

% 打印预测结果
fprintf('预测的折扣率为: \n');
for i = 1:length(predictedDiscount)
    fprintf('销售额 %.2f 的折扣率预测为 %.2f\n', newSales(i), predictedDiscount(i));
end

% 绘制散点图和拟合曲线
scatter(sales, discount, 'filled');
hold on;
plot(sales, polyval(fitResult, sales), 'r', 'LineWidth', 2);

% 绘制预测结果
plot(newSales, predictedDiscount, 'bo', 'MarkerSize', 10);

hold off;

% 添加标题和坐标轴标签
title('Polynomial Relationship between Discount and Sales');
xlabel('Sales');
ylabel('Discount');

单看拟合图，效果是还可以的，问题还是在系数上 

得到的结果代入就是   y = 28.11 + (-0.00)x + 0.00x^2

所以，模型无效。

4.决策树回归模型：具有非线性拟合能力

% 输入数据
discount = [28.51, 35.90, 28.05, 26.20, 26.77, 26.81, 26.45, 26.39, 27.09, ...
    26.88, 27.67, 27.91, 27.46, 26.54, 27.17, 27.38, 27.88, 29.01, 28.50, ...
    28.38, 28.69, 28.36, 28.24, 27.97, 28.46, 27.81];
sales = [6123.60, 654357.36, 358531.36, 356127.92, 461516.80, 603741.16, ...
    853279.68, 844003.40, 1120121.56, 1191047.84, 1164564.84, 1126388.16, ...
    1097795.44, 1272362.68, 1510296.24, 1182952.12, 1454328.12, 1955898.76, ...
    1993362.00, 2230717.88, 2643487.68, 3415037.56, 3046809.04, 3158534.8, 3429991.48, 2208572.84];

% 转换数据形式
X = sales.';
y = discount.';

% 拟合决策树回归模型
treeModel = fitrtree(X, y);

% 代入新的销售额数据进行预测
newSales = XLSX(:,1);  % 新的销售额数据
predictedDiscount = predict(treeModel, newSales);  % 计算预测的折扣率

% 打印预测结果
fprintf('预测的折扣率为: \n');
for i = 1:length(predictedDiscount)
    fprintf('销售额 %.2f 的折扣率预测为 %.2f\n', newSales(i), predictedDiscount(i));
end

% 绘制散点图和决策树拟合曲线
scatter(sales, discount, 'filled');
hold on;
x = linspace(min(X), max(X), 100);
yFit = predict(treeModel, x.');
plot(x, yFit, 'r', 'LineWidth', 2);
hold off;

% 添加标题和坐标轴标签
title('Decision Tree Regression');
xlabel('Sales');
ylabel('Discount');

一样，拟合图效果是可以的，因为决策树没有系数可以判断，此次我们就抽取10组样本代入检验（样本数据与神经网络模型代入的样本数据一致），发现结果竟然都一样，显然不可能。

所以，此模型无效。 

 5.支持向量回归（Support Vector Regression，SVR），简称SVR模型

 SVR模型可以通过使用核函数（如线性核函数、高斯核函数等）来处理非线性关系，具有较强的拟合能力

% 输入数据
discount = [28.51, 35.90, 28.05, 26.20, 26.77, 26.81, 26.45, 26.39, 27.09, ...
    26.88, 27.67, 27.91, 27.46, 26.54, 27.17, 27.38, 27.88, 29.01, 28.50, ...
    28.38, 28.69, 28.36, 28.24, 27.97, 28.46, 27.81];
sales = [6123.60, 654357.36, 358531.36, 356127.92, 461516.80, 603741.16, ...
    853279.68, 844003.40, 1120121.56, 1191047.84, 1164564.84, 1126388.16, ...
    1097795.44, 1272362.68, 1510296.24, 1182952.12, 1454328.12, 1955898.76, ...
    1993362.00, 2230717.88, 2643487.68, 3415037.56, 3046809.04, 3158534.8, 3429991.48, 2208572.84];

% 转换数据形式
X = sales.';
y = discount.';

% 创建SVR模型
svr = fitrsvm(X, y, 'KernelFunction', 'rbf');

% 代入新的销售额数据进行预测
newSales = XLSX(:,1);  % 新的销售额数据
predictedDiscount = predict(svr, newSales);  % 计算预测的折扣率

% 打印预测结果
fprintf('预测的折扣率为: \n');
for i = 1:length(predictedDiscount)
    fprintf('销售额 %.2f 的折扣率预测为 %.2f\n', newSales(i), predictedDiscount(i));
end

% 绘制散点图和SVR拟合曲线
scatter(sales, discount, 'filled');
hold on;
x = linspace(min(X), max(X), 100)';
yFit = predict(svr, x);
plot(x, yFit, 'r', 'LineWidth', 2);
hold off;

% 添加标题和坐标轴标签
title('SVR Regression');
xlabel('Sales');
ylabel('Discount');

与决策树一样的分析。此模型无效。 

6.随机森林回归模型

随机森林模型是一种集成学习方法，结合了多棵决策树的预测结果，能够更好地应对非线性关系和噪声

% 导入数据
discount = [28.51, 35.90, 28.05, 26.20, 26.77, 26.81, 26.45, 26.39, 27.09, ...
    26.88, 27.67, 27.91, 27.46, 26.54, 27.17, 27.38, 27.88, 29.01, 28.50, ...
    28.38, 28.69, 28.36, 28.24, 27.97, 28.46, 27.81];
sales = [6123.60, 654357.36, 358531.36, 356127.92, 461516.80, 603741.16, ...
    853279.68, 844003.40, 1120121.56, 1191047.84, 1164564.84, 1126388.16, ...
    1097795.44, 1272362.68, 1510296.24, 1182952.12, 1454328.12, 1955898.76, ...
    1993362.00, 2230717.88, 2643487.68, 3415037.56, 3046809.04, 3158534.8, 3429991.48, 2208572.84];

% 转换数据形式
X = sales.';
y = discount.';

% 创建随机森林回归模型
ntrees = 100; % 决策树的数量
model = TreeBagger(ntrees, X, y, 'Method', 'regression');

% 代入新的销售额数据进行预测
newSales = XLSX(:,1);  % 新的销售额数据
predictedDiscount = predict(model, newSales);  % 计算预测的折扣率

% 打印预测结果
fprintf('预测的折扣率为: \n');
for i = 1:length(predictedDiscount)
    fprintf('销售额 %.2f 的折扣率预测为 %.2f\n', newSales(i), predictedDiscount(i));
end

% 绘制散点图和随机森林回归拟合曲线
scatter(sales, discount, 'filled');
hold on;
x = linspace(min(X), max(X), 100)';
yFit = predict(model, x);
plot(x, yFit, 'r', 'LineWidth', 2);
hold off;

% 添加标题和坐标轴标签
title('Random Forest Regression');
xlabel('Sales');
ylabel('Discount');

一样。此模型无效。 

四，运用神经网络模型建模

 （一）对利润率

以利润率作为自变量，打折力度作为因变量，建立线性回归模型。初始化两个权重，接着优化算法与均方差编译模型，将模型配置好后即可对模型进行数据训练。将每天打折信息表代入模型训练，训练次数为1000。随机代入一条数据进行检测，得出神经网络模型对商品打折力度的预测值。

% 每天的商品信息表作为输入数据
discount = [28.51, 35.90, 28.05, 26.20, 26.77, 26.81, 26.45, 26.39,...
    27.09, 26.88, 27.67, 27.91, 27.46, 26.54, 27.17, 27.38, 27.88, ...
    29.01, 28.50, 28.38, 28.69, 28.36, 28.24, 27.97, 28.46, 27.81];
profit_margin = [0.16, 0.25, 0.18, 0.17, 0.18, 0.18, 0.18, 0.17,... 
    0.18, 0.17, 0.17, 0.17, 0.18, 0.15, 0.15, 0.17, 0.16, 0.15, 0.21,...
    0.20, 0.18, 0.16, 0.16, 0.16, 0.17, 0.15];

% 建立神经网络模型
net = fitnet(2); % 2个隐层节点的网络
net = configure(net, profit_margin, discount);
net.layers{2}.transferFcn = 'purelin'; % 将第二层的激活函数设置为线性函数

% 设置优化算法和训练参数
net.trainFcn = 'trainlm'; % 使用Levenberg-Marquardt算法
net.divideFcn = 'dividerand'; % 随机划分训练集、验证集和测试集
net.trainParam.epochs = 1000; % 迭代次数
net.trainParam.goal = 0; % 训练目标为最小化均方差

% 对模型进行训练
[net, tr] = train(net, profit_margin, discount);

% 随机选取一条数据进行模型预测
input = profit_margin(1); % 随机选择一条数据
output = net(input); % 进行模型预测

% 输出模型预测结果
disp(['神经网络模型对商品打折力度的预测值为: ' num2str(output)]);

再随机挑选10组数据（以天为单位）进行模型预测：

% 利润率和打折力度数据
discount = [28.51, 35.90, 28.05, 26.20, 26.77, 26.81, 26.45, 26.39,...
    27.09, 26.88, 27.67, 27.91, 27.46, 26.54, 27.17, 27.38, 27.88, ...
    29.01, 28.50, 28.38, 28.69, 28.36, 28.24, 27.97, 28.46, 27.81];
profit_margin = [0.16, 0.25, 0.18, 0.17, 0.18, 0.18, 0.18, 0.17,... 
    0.18, 0.17, 0.17, 0.17, 0.18, 0.15, 0.15, 0.17, 0.16, 0.15, 0.21,...
    0.20, 0.18, 0.16, 0.16, 0.16, 0.17, 0.15];

% 建立神经网络模型
net = fitnet(2);
net = configure(net, profit_margin, discount);
net.layers{2}.transferFcn = 'purelin';

% 设置优化算法和训练参数
net.trainFcn = 'trainlm';
net.divideFcn = 'dividerand';
net.trainParam.epochs = 1000;
net.trainParam.goal = 0;

% 训练模型
[net, tr] = train(net, profit_margin, discount);

% 利润率为0.22时的打折力度预测
profit_margin_pred = 0.22;
discount_pred = net(profit_margin_pred);

% 输出预测结果
fprintf('利润率为%.2f时的打折力度预测值为: %.2f\n', profit_margin_pred, discount_pred);

 再进行数据对比：

销售额

利润率

打折力度

打折力度（预测值）

55632.48

0.19

28.13%

27.29%

81695.6

0.12

27.60%

28.37%

161466.68

0.19

26.76%

27.29%

79846.88

0.17

28.57%

27.81%

48421.12

0.19

27.47%

27.29%

15122.64

0.16

25.34%

28.13%

115908.12

0.16

29.19%

28.13%

56241.72

0.15

27.39%

27.85%

6123.6

0.16

28.51%

28.13%

发现预测值与真实值十分接近，所以该模型预测结果是基本准确的。

（二）对销售额

以销售额作为自变量，打折力度作为因变量，建立指数函数模型。初始化两个权重，接着优化算法与均方差编译模型，将模型配置好后即可对模型进行数据训练。将每天打折信息表代入模型训练，训练次数为1000。随机代入一条数据进行检测，得出神经网络模型对商品打折力度的预测值。

% 每天的商品信息表作为输入数据
discount = [28.51, 35.90, 28.05, 26.20, 26.77, 26.81, 26.45, 26.39, 27.09, 26.88, 27.67, 27.91, 27.46, 26.54, 27.17, 27.38, 27.88, 29.01, 28.50, 28.38, 28.69, 28.36, 28.24, 27.97, 28.46, 27.81];
sales = [6123.60, 654357.36, 358531.36, 356127.92, 461516.80, 603741.16, 853279.68, 844003.40, 1120121.56, 1191047.84, 1164564.84, 1126388.16, 1097795.44, 1272362.68, 1510296.24, 1182952.12, 1454328.12, 1955898.76, 1993362.00, 2230717.88, 2643487.68, 3415037.56, 3046809.04, 3158534.8, 3429991.48, 2208572.84];

% 建立神经网络模型
net = fitnet(2); % 2个隐层节点的网络
net = configure(net, sales, discount);
net.layers{2}.transferFcn = 'purelin'; % 将第二层的激活函数设置为线性函数

% 设置优化算法和训练参数
net.trainFcn = 'trainlm'; % 使用Levenberg-Marquardt算法
net.divideFcn = 'dividerand'; % 随机划分训练集、验证集和测试集
net.trainParam.epochs = 1000; % 迭代次数
net.trainParam.goal = 0; % 训练目标为最小化均方差

% 对模型进行训练
[net, tr] = train(net, sales, discount);

% 随机选取一条数据进行模型预测
input = sales(1); % 随机选择一条数据
output = net(input); % 进行模型预测

% 输出模型预测结果
disp(['神经网络模型对商品打折力度的预测值为: ' num2str(output)]);

再代入10组数据预测：

discount = [28.51, 35.90, 28.05, 26.20, 26.77, 26.81, 26.45,...
    26.39, 27.09, 26.88, 27.67, 27.91, 27.46, 26.54, 27.17,...
    27.38, 27.88, 29.01, 28.50, 28.38, 28.69, 28.36, 28.24, 27.97, 28.46, 27.81];
sales = [6123.60, 654357.36, 358531.36, 356127.92, 461516.80,...
    603741.16, 853279.68, 844003.40, 1120121.56, 1191047.84,...
    1164564.84, 1126388.16, 1097795.44, 1272362.68, 1510296.24, ...
    1182952.12, 1454328.12, 1955898.76, 1993362.00, 2230717.88, ...
    2643487.68, 3415037.56, 3046809.04, 3158534.8, 3429991.48, 2208572.84];

% 建立神经网络模型
net = fitnet(2);
net = configure(net, sales, discount);
net.layers{2}.transferFcn = 'purelin';

% 设置优化算法和训练参数
net.trainFcn = 'trainlm';
net.divideFcn = 'dividerand';
net.trainParam.epochs = 1000;
net.trainParam.goal = 0;

% 训练模型
[net, tr] = train(net, sales, discount);

% 销售额为6123.6时的打折力度预测
sales_pred = 6123.6;
discount_pred = net(sales_pred);

% 输出预测结果
fprintf('销售额为%.2f时的打折力度预测值为: %.2f\n', sales_pred, discount_pred);

 进行数据对比：

销售额

打折力度

打折力度（预测值）

55632.48

28.13%

27.79%

81695.6

27.60%

28.41%

161466.68

26.76%

27.66%

79846.88

28.57%

27.80%

48421.12

27.47%

28.23%

15122.64

25.34%

26.22%

115908.12

29.19%

28.05%

56241.72

27.39%

27.22%

6123.6

28.51%

28.41%

发现预测值与真实值一样非常接近，所以神经网络模型适用于本题（仅附件1数据情况下）。

最后，做了这么多模型排错，结论是：数据读取要完整。阅读附件内容要仔细，不要遗漏。本人就是遗漏了附件2的数据，建模路上才踩了这么多趟雷。完整数据很好建模的。可以看看本人的完整第3问分析博客。

A1160519
关注
2019年中国研究生数学建模竞赛E题.rar
09-19
2019年中国研究生数学建模竞赛E题
2019高教社杯全国大学生数学建模竞赛评阅要点 E题.pdf
08-04
2019高教社杯全国大学生数学建模竞赛E题评阅要点：“薄利多销”分析 “薄利多销”是通过降低单位商品的利润来增加销售数量，从而使商家获得更多盈利的一种扩大销售的策略。对于需求富有弹性的商品来说，当该商品的价格下降时，如果需求量（从而销售量）增加的幅度大于价格下降的幅度，将导致总收益增加。在实际经营管理中，“薄利多销”原则被广泛应用。
2019年国赛高教杯数学建模E题薄利多销分析解题全过程文档及程序
weixin_43292788的博客
03-17 8757
2019年国赛高教杯数学建模E题薄利多销分析解题全过程文档及程序
2019年全国大学生数学建模E题
热门推荐
weixin_45453305的博客
01-23 3万+
2019年全国大学生数学建模E题2019年全国大学生数学建模E题 基于数据挖掘的薄利多销 摘要 “薄利多销”的规则广泛应用于商家的销售规则中，通过打折来实现商品销量的增加，从而获取利益，本篇论文将对这个“薄利多销”这个问题进行研究，利用python、Excel、IBM SPSS22等工具对问题进行分析，从而算出营业额、利润率、打折力度并用回归分析建立打折力度与商品销售额和利润率的统计模型。 问题1计算该商场从2016年11月30日到2019年1月2日每天的营业额和利润率（注意：由于未知原因，数据中非打折商品
2019年高教社杯全国大学生数学建模竞赛题目 E题 “薄利多销”分析
alian
09-13 3万+
E题“薄利多销”分析 “薄利多销”是通过降低单位商品的利润来增加销售数量，从而使商家获得更多盈利的一种扩大销售的策略。对于需求富有弹性的商品来说，当该商品的价格下降时，如果需求量（从而销售量）增加的幅度大于价格下降的幅度，将导致总收益增加。在实际经营管理中，“薄利多销”原则被广泛应用。(https://baike.baidu.com/item/薄利多销) 附件1和附件2是某商场自20...
基于模型设计的嵌入式应用.pdf
08-21
基于模型设计（Model-Based Design, MBD）是一种先进的软件开发理念，它将算法建模和设计作为软件开发的主要方式，特别适用于嵌入式软件的开发。MBD能够通过图形化的模型设计，便于理解和减少歧义，同时自动生成代码...
基于排错等待延迟的广义动态集成神经网络模型.pdf
09-25
【基于排错等待延迟的广义动态集成神经网络模型】是一种用于软件可靠性评估与保障的创新方法。在软件开发过程中，故障检测和排错等待延迟是两个关键环节，它们直接影响到软件的可靠性增长。传统的软件可靠性增长模型...
开源软件可靠性模型研究：考虑排错与故障影响
"这篇论文研究了考虑排错过程引进故障的开源软件可靠性模型，强调了在评估开源软件的可靠性时需要考虑故障引入和排错延迟时间的影响。论文中提出了一个结合排错过程和不完美调试的开源软件可靠性模型，并通过两个...
软件测试：V模型问题分析[3]
03-23
软件测试：V模型问题分析[3]软件测试到底选择哪一种方法，这需要一种折衷和权衡。设计桩模块和驱动模块要付出多少代价?这些模块如何进行维护?子系统是否会由此而掩盖了一些故障?在整个子系统范围内进行排错的困难...
2019年中国研究生数学建模竞赛E题.zip
09-01
A题 无线智能传播模型 ，B题 天文导航中的星图识别，C题 视觉情报信息分析，D题 汽车行驶工况构建，E题 全球变暖，F题 多约束条件下智能飞行器航迹快速规划
2019年全国数学建模评审详细要点（A-E题）
12-16
2019年全国数学建模评审详细要点（A-E题），准备数模比，赛必看，具有参考意义， 如有问题可以私信
2019年数学建模美赛题目中文版
03-23
2019年数学建模MCM_ICM美赛题目中文版，题目翻译经过人工校验，没有问题。
薄利多销数学建模论文.docx
04-26
薄利多销数学建模论文
2019年高教社杯 数模国赛国家二等奖 论文和代码
08-02
这是我们队伍参加2019年高教社杯全国大学生数学建模竞赛的论文《高压油管压力控制问题的研究与分析》，论文后面有代码，获得了国家级二等奖。 数模国赛一般要求严谨正确，论文需要附加代码；美赛要求创新，美赛论文也不用附加代码。美赛论文在：https://download.csdn.net/download/qq_41356903/13157425 供参见数模的同学参考学习~
2019年美国大学生数学建模竞赛(MCM/ICM) E题解题思路
weixin_34417200的博客
02-11 1888
这也许是我大学生涯最后一次参加数学建模比赛了吧，这次我们选择的问题是E题，以下是我们解题时候的一些思路。很多不易体现的项目产生对环境造成影响的指标可以由一些等同类型的指标来代替，如土地、森林植被被破环，可以根据生产率变动方法和置换成本法进行核算，大气污染可以用疾病成本法等来体现。 题目(谷歌翻译版本) 经济理论经常忽视其决策对生物圈的影响,或者为其需求承担无限的资源或能力。这种观点存在缺陷,现...
基于MATLAB，对2019年高教社杯E题：薄利多销第3问进行详细分析（含神经网络模型）
最新发布
A1160519的博客
07-27 1372
本文已对进行分析，整合，进而得出模型。（与上一篇文章不同）但本文中的代码方面与上一篇文章有所不同，本文用的是，上一篇用的是百分数，只是在代码输入方面省略了%同样的，与之前思路一样，根据考虑分析打折力度与商品销售额以及利润率的关系，我们采用了以下方法和步骤：方法:- 通过计算皮尔逊系数，我们评估了每月商品打折力度、销售额和利润率之间的相关性，并判断它们是否存在线性关系。- 利用线性回归拟合这些变量，进一步探究它们之间的关系。
数学建模 | 2019E题翻译
⊳ideal world⊲~ヽ(ﾟ︺ﾟ)Hi
01-29 1881
问题E：环境退化成本是多少？ 经济理论经常忽视其决策对生物圈的影响，或者为其需求承担无限的资源或能力。这种观点存在缺陷，现在环境面临着后果。生物圈提供了许多自然过程来维持健康和可持续的人类生活环境，这被称为生态系统服务。例子包括将废物变成食物，水过滤，种植食物，授粉植物，以及将二氧化碳转化为氧气。然而，每当人类改变生态系统时，我们可能会限制或消除生态系统服务。当地小规模土地利用变化的影响，例如建设...
2019年研究生数学建模E题加拿大站点数据批量下载
fff2zrx的博客
09-25 4782
题里给的下载链接是这个，打开是下图 可以看到一共8772个站点的数据，每个下载需要点击两次，一个上面的Go，一个下图的download 全点下来，这不是要累死，于是我想到了亲爱的python 点击download后，可以看到真正的下载链接 而且经过尝试，Year和Month都不是关键参数，不同的年和月，下载下来的文件是一样的，所以关键就在stationID上，我们只要把8...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值