未来智库 > 神经网络论文 > 【基于人工神经网络的PPI预测模型】

【基于人工神经网络的PPI预测模型】

发布时间:2017-12-06 16:46:00 来源: 未来智库

    关键词:BP算法;神经网络;工业品出厂价格指数
    中图分类号:TP183 文献标识码:A文章编号:1006-4311(2012)08-0112-02
    0引言
    工业品出厂价格指数(PPI)是衡量工业企业产品出厂价格变动趋势和变动程度的指数,是反映某一时期生产领域价格变动情况的重要经济指标,也是制定有关经济政策和国民经济核算的重要依据。
    工业品出厂价格指数的调查范围是工业企业出售给本企业以外所有单位的各种生产资料和直接出售给居民用于生活消费的各种生活资料。其中,生产资料包括原材料工业、采掘工业和加工工业3类;生活资料包括一般日用品、食品、衣着和耐用消费品4类。在PPI的结构中,生产资料所占的权重较大,超过了70%;生活资料所占的权重只有不到30%。因此PPI在很大程度上反映的是工业企业生产成本的高低。目前我国PPI覆盖了全部39个工业行业大类,涉及186个种类,4000多种产品。
    我国现行的工业品价格指数是采用算术平均法编制的。其中除包括工业企业售给商业、外贸、物资部门的产品外,还包括售给工业和其他部门的生产资料以及直接售给居民的生活消费品。通过工业生产价格指数能观察出厂价格变动对工业总产值的影响。工业品出厂价格指数的计算公式为:工业品出厂价格指数=工业总产值总指数/工业总产量总指数×100%。我国目前编制的工业品出厂价格指数的4种分组:①轻、重工业分组;②生产资料和生活资料分组;③工业部门分组;④工业行业分组。权数计算资料来源于工业经济普查数据。工业品出厂价格指数的权数确定,采用分摊权数。
    在市场经济活动中,资源配置是通过价格涨跌引导市场主体的经济活动来完成的。因此,价格的波动对经济运行会有很大的影响,价格总水平的波动也是一个重要的宏观经济现象。通常认为PPI反映的是工业品进入流通领域的最初价格,是制定工业品批发价格和零售价格的基础,而CPI反映的是居民购买消费品的价格。
    为抑制通货膨胀,中央银行需要准确把握通货膨胀的先行指标,从而正确把握经济和物价的未来走势并进行前瞻性调控。根据价格传导规律,PPI对CPI有一定的影响。研究表明PPI引导了CPI变动,其原因是生产资料价格指数、生活资料价格指数和原材料、燃料和动力价格指数都引导了CPI变动,PPI可以作为我国通货膨胀的先行指标,政府和学者可以利用PPI预测通货膨胀[1-2]。PPI是一个非常复杂的、受诸多因素影响的非线性系统。如果采用传统的计量经济模型无法很好地提高预测精度。
    目前对PPI预测的研究较少,鉴于PPI的时间序列是是非线性的,为了准确和客观地预测PPI,采用人工神经网络预测方法。人工神经网络是目前一种有效的预测方法,大量的仿真实验和理论研究已经证明BP算法是一种有效的神经网络学习算法,它具有很强的处理非线性问题的能力,近年来已经广泛应用到经济领域中。但在实际应用中,BP算法也暴露出一些自身的缺点,如算法容易陷入局部极值点,收敛速度慢等,这使得BP算法只能解决小规模的问题,求得全局最优的可能性较小,这样限制了BP算法在实际中的应用。因此应用改进BP算法的人工神经网络模型预测PPI。
    1PPI预测模型的建立
    人工神经网络是理论化的人脑神经网络的数学模型,是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。其信息的处理是通过学习动态修改各神经元之间的连接权值阈值来实现的。根据某一学习规则,通过修改神经元之间的连接权值和阈值,存储到神经网络模型中,建立输入层神经元与输出层神经元之间的高度非线性映射关系,并通过学习后的神经网络来识别新的模式或回忆过去的记忆。在各种神经网络模型中,80%-90%的模型采用误差反向传播神经网络(简称BP神经网络)或它的变化形式。BP神经网络是前馈网络的核心部分,体现了人工神经网络最精华的部分。1989年Robert Hecht-Nielson证明了对于任何的连续函数映射关系都可以用含有一个隐含层的BP神经网络来逼近。
    BP神经网络具有非局域性、非线性、非定常性和非凸性,在信息处理方面具有如下显著特点:BP神经网络具有自适应和自组织能力,通过与外界环境的相互作用,从外界环境中获取知识,把环境的统计规律反映到自身结构上来,并能有机地融合多种信息。当外界环境发生变化时,只需输入新的资料让模型再学习即可很快跟踪环境的变化,可操作性强。BP神经网络模型的建立不需要有关体系的先验知识,主要依赖于资料,只需给网络若干训练实例,BP神经网络就可以通过自学习来完成,完全能够发现其隐含的信息,并有所创新。BP神经网络作为一个高度的非线性动态处理系统,具有很强的容错功能。由于神经元之间的高维、高密度的并行计算结构,神经网络具有很强的集体计算能力,完全可以进行高维数据的实时处理,同时也可以进行分布式联想存储。
    工业品出厂价格指数(PPI)数据来源于《中国统计年鉴(2009年)》,PPI数据时间范围为1990年-2008年。在实际应用中,由于所采集的数据跨度较大,为提高训练速度和灵敏性以及有效避开Sigmoid函数的饱和区,一般要求输入数据的值在0-l之间。再有,为保证建立的模型具有一定的外推能力,最好使数据预处理后的值在0.2-0.8之间,把0-0.2和0.8-1.0的空间预留。下面是数据预处理和反预处理算法:①数据预处理法:y=(0.8-0.2)*(x-min(x))/ (max(x)-min(x))+0.2。②反预处理算法:x=(y-0.2)*(max(x)-min(x))/(0.8-0.2)+min(x)。其中:x是工业品出厂价格指数原始数据;y是预处理后的工业品出厂价格指数数据;max(x)和min(x)分别是工业品出厂价格指数原始数据取值范围的最大值与最小值。
    我国历年PPI数据按顺序构成一组时间序列,利用时间序列分析方法对我国历年PPI数据时序进行检验识别,可知PPI数据服从4阶自回归模型AR(4),由此模型输入层单元数为4个,输出层单元数为1个。
    适当的隐层数目及节点数决定于多种因素。如训练样本的多少、样本噪音的大小以及所面对问题的复杂程度。隐层在BP神经网络中起着很重要的作用,它具有高度的抽象功能,并可从输入单元中提取特征。隐层层数的选择与问题的复杂性有关,为了确保训练后人工神经网络模型的泛化能力和预测能力,应在满足精度要求的前提下取尽可能紧凑的网络结构。一个三层人工神经网络模型就可解决一般函数的拟合、逼近问题。因此三层人工神经网络能满足预报要求。由于BP网络在确定隐层单元数的问题上还没有成熟的理论可依,大都根据经验来定。目前比较有效的方法就是试错法。本文分别组建了隐层节点数从1-35的BP网络,为了防止出现过拟合现象,经过大量试算,最后根据试报效果,确定了较为理想的隐层单元数是6。
    传统BP网络的学习算法实质上是一种简单的最速下降静态寻优算法,通常具有收敛速度慢、易陷入局部极小值和网络推广能力不强等方面的缺陷。本文采用MATI AB神经网络工具箱提供的改进快速学习算法,有效克服了传统BP网络学习算法的缺陷。Trainlm训练函数采用Levenberg-Marquardt优化方法,该训练函数的效率优于最速下降静态寻优算法。
    2结果
    利用1990年-2003年的我国PPI数据作为训练样本,采用改进BP算法的Trainlm训练函数进行训练构建的神经网络,然后采用2004年-2008年的PPI数据作为检验样本,利用训练好的BP网络对2004年-2008年的PPI进行预测,结果见表1。仿真实验表明我国PPI训练样本模拟值和实际值的平均相对误差为0.82%,模拟值和实际值的相关系数为0.994778;我国PPI检验样本预测值和实际值的平均相对误差为0.80%,预测值和实际值的相关系数为0.915313;2007年PPI预测值为102.6,PPI实际值为103.1,预测值和实际值的相对误差为-0.48%;2008年PPI的预测值为107.4,PPI实际值为106.9,预测值和实际值的相对误差仅为0.47%,这都与实际情况相近,结果较为满意。并对2011年和2012年的我国PPI做了预测,PPI预测值分别为107.3和107.6。
    3结论
    人工神经网络模型能够很好地捕捉我国PPI内在的规律性,无需设计任何数学模型,通过神经元之间的相互作用来完成整个人工神经网络的信息处理,并能得到很好的预测精度。
    将人工神经网络模型应用于我国PPI预测,PPI预测值和实际值的平均相对误差为0.80%,预测误差小,PPI检验样本预测值与实际值的线性相关系数为0.915313,预测精度高,模型预测值和实际值能较好的吻合。
    参考文献:
    [1]孙红英,刘向荣,解玲丽.基于传导模型的2010年价格指数预测[J].辽宁工程技术大学学报(自然科学版),2010,5:941-944.
    [2]孙红英,谢仁寿.基于G(1,1)模型的2010年中国价格指数预测分析[J].价值工程,2010,8:12-13.
    [3]罗世凯,海涛.智能控制与人工神经网络[J].中小企业管理与科技(上旬刊),2010,(01).

转载请注明来源。原文地址:https://www.7428.cn/vipzj5387/
 与本篇相关的热门内容: