一种基于群体智能的深度学习模型对物资需求的预测方法

本发明公开了一种基于群体智能的深度学习模型对物资需求的预测方法，旨在解决传统超参数优化方法效率低、易陷入局部最优的问题。该方法首先构建包含层数、隐藏节点数、学习率及正则化参数的深度学习模型，并定义各超参数的优化区间；其次，设计改进麻雀搜索算法（ISSA），通过柯西变异扰动增强全局搜索能力、折射反向学习策略平衡探索与开发，以及自适应预警值调整提升收敛稳定性，以优化超参数组合；进一步以验证集RMSE为适应度目标，结合并行化计算加速模型性能评估，筛选最优超参数配置；最终利用优化后的模型对物资需求数据进行预测，并与LSTM、ARIMA、GRU、GCN等模型进行横向对比，通过RMSE、MAPE、R²等多指标验证模型有效性。实验表明，本发明提出的ISSA优化方法显著降低了预测误差，且优化后的模型在复杂物资需求场景中具有更高的准确性和鲁棒性，同时通过统计显著性检验确认了性能提升的可靠性。