徐 華 ,趙 軍
(1.寧夏大學(xué) 數(shù)學(xué)與計算機學(xué)院,寧夏 銀川 750000;2.寧夏大學(xué) 經(jīng)濟與管理學(xué)院,寧夏 銀川 750000)
?
基于遺傳BP神經(jīng)網(wǎng)絡(luò)的工業(yè)經(jīng)濟運行指標(biāo)預(yù)測
徐 華1,趙 軍2
(1.寧夏大學(xué) 數(shù)學(xué)與計算機學(xué)院,寧夏 銀川 750000;2.寧夏大學(xué) 經(jīng)濟與管理學(xué)院,寧夏 銀川 750000)
提出了一種基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)工業(yè)經(jīng)濟運行指標(biāo)的預(yù)測方法,用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)各連接層的權(quán)值和閾值,用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型來預(yù)測工業(yè)經(jīng)濟運行指標(biāo)以求得最優(yōu)解。以工業(yè)經(jīng)濟運行指標(biāo)工業(yè)總產(chǎn)值為例,將該遺傳BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到工業(yè)總產(chǎn)值和工業(yè)用電量的預(yù)測中,并與BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行了對比。由結(jié)果可知,該模型對工業(yè)經(jīng)濟運行指標(biāo)趨勢的判斷和預(yù)測更加準(zhǔn)確,可為宏觀決策提供可靠的依據(jù),促進工業(yè)經(jīng)濟能夠健康可持續(xù)發(fā)展。
工業(yè)經(jīng)濟;運行指標(biāo);遺傳算法;BP神經(jīng)網(wǎng)絡(luò)
近年來,寧夏工業(yè)經(jīng)濟運行情況不斷下滑,同時節(jié)能減排的任務(wù)壓力增加。為保持工業(yè)經(jīng)濟能夠平穩(wěn)增長,同時把控工業(yè)經(jīng)濟運行的情況,就需要分析和預(yù)測全區(qū)工業(yè)經(jīng)濟運行趨勢,為此需要對核心經(jīng)濟指標(biāo)做出科學(xué)、準(zhǔn)確的預(yù)測,從而可以反映出經(jīng)濟發(fā)展的走勢,為分析判斷、制定計劃提供參考。目前,對工業(yè)經(jīng)濟指標(biāo)的預(yù)測主要有定性分析、數(shù)量經(jīng)濟學(xué)和神經(jīng)網(wǎng)絡(luò)等研究方法[1-2]。在這些預(yù)測模型中,定性分析主要依靠經(jīng)濟研究者的經(jīng)驗積累;數(shù)量經(jīng)濟學(xué)研究方法主要是建立數(shù)學(xué)預(yù)測模型,有諸多的限制和假設(shè)。目前,BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型是預(yù)測效果相對較好的一種。但該模型有兩個明顯的不足:一是容易陷入局部極小值;二是收斂速度慢[3]。為避免上述問題,本文利用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)(遺傳BP神經(jīng)網(wǎng)絡(luò))預(yù)測模型對工業(yè)經(jīng)濟運行指標(biāo)做出預(yù)測。
遺傳算法(Genetic Algorithm,GA)由美國Michigan大學(xué)的J.Holland教授首先提出。遺傳算法通過模擬自然界中的繁殖、交叉和突變現(xiàn)象,按照某一適應(yīng)度函數(shù)從每一代種群中選擇一組候選染色體,讓其進行交叉和變異以產(chǎn)生新一代種群,反復(fù)迭代,在此過程中個體的適應(yīng)度不斷提高,直到滿足一定的條件[4],是一種針對生物進化過程提出的算法,此算法不僅適應(yīng)性強而且魯棒性高。其特點主要表現(xiàn)在:(1)演化是概率性的,因此,搜索過程很難達到局部最優(yōu);(2)采用自然進化機制,充分利用適用度函數(shù)提供的信息;(3)易于和局部搜索算法相結(jié)合,進而構(gòu)造更加高效的混合策略搜索算法;(4)演化計算具有并行性[5]。另外,演化計算具有自適應(yīng)性,能夠自發(fā)學(xué)習(xí)環(huán)境特性與規(guī)律?;谶z傳算法的特點和BP神經(jīng)網(wǎng)絡(luò)的不足,本文提出了遺傳BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型對工業(yè)經(jīng)濟運行指標(biāo)進行預(yù)測。該模型首先根據(jù)工業(yè)經(jīng)濟運行指標(biāo)預(yù)測時輸入輸出的參數(shù)個數(shù)來確定BP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu),然后用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)各層連接的權(quán)值和閾值進行優(yōu)化,將利用遺傳算法得到的最優(yōu)個體的值作為BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的初始值,用此初始值初始化BP神經(jīng)網(wǎng)絡(luò)模型,之后訓(xùn)練,以得到最優(yōu)解。用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型能有效地解決BP 神經(jīng)網(wǎng)絡(luò)易陷入局部極小值、收斂速度慢的問題。
經(jīng)濟分析預(yù)測是一門藝術(shù),要準(zhǔn)確地判斷經(jīng)濟運行中的各種指標(biāo)未來的發(fā)展趨勢,才能有效地預(yù)測經(jīng)濟的發(fā)展。許多學(xué)者對預(yù)測模型進行了研究,在目前諸多預(yù)測模型中,BP神經(jīng)網(wǎng)絡(luò)模型是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[6]。它根據(jù)實際的輸入與輸出數(shù)據(jù)來計算模型的參數(shù),通過誤差反傳算法[7]來持續(xù)調(diào)整BP網(wǎng)絡(luò)各層的權(quán)值和閾值,使模型的誤差平方和達到最小。3層BP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)如圖1所示,由輸入層、隱含層和輸出層組成,每個層中包含多個神經(jīng)元。
圖1 3層BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)
(1)
BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值wki、vjk和閾值θj、γ可由BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練求得,式(1)即為BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型。BP神經(jīng)網(wǎng)絡(luò)先將各層的權(quán)值和閾值隨機賦值為[0,1]之間的任意值,然后進行訓(xùn)練。這樣會使BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中出現(xiàn)收斂速度慢、很難達到最優(yōu)解的問題。由遺傳算法的特點可知,若采用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)模型的初始權(quán)值以及閾值分布進行優(yōu)化,可提高BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度。
工業(yè)經(jīng)濟運行指標(biāo)BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型通過神經(jīng)元之間的信息傳遞和誤差逆?zhèn)鞑韺崿F(xiàn)經(jīng)濟指標(biāo)的預(yù)測。BP神經(jīng)網(wǎng)絡(luò)采用誤差反傳算法,這種算法實質(zhì)上是一個無約束、非線性和最優(yōu)化的計算過程。當(dāng)有較大的網(wǎng)絡(luò)結(jié)構(gòu)時,這種算法計算時間長,很容易收斂于局部極小值點,從而無法達到最優(yōu)解,影響了BP神經(jīng)網(wǎng)絡(luò)解決問題的能力。遺傳算法具有全局搜索能力,能有效地解決局部極小值的問題。于是提出遺傳BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型,它以歷史數(shù)據(jù)為網(wǎng)絡(luò)訓(xùn)練樣本,最終得到的輸出為綜合預(yù)測狀態(tài)值。用遺傳BP神經(jīng)網(wǎng)絡(luò)建立寧夏工業(yè)經(jīng)濟運行指標(biāo)預(yù)測模型,可提高在工業(yè)經(jīng)濟運行中經(jīng)濟指標(biāo)的預(yù)測精度,根據(jù)預(yù)測的走勢更好地制定相應(yīng)的法規(guī)和政策以對經(jīng)濟實體進行宏觀調(diào)控。
遺傳算法不依賴于問題的具體領(lǐng)域,直接在解空間進行搜索以求得最優(yōu)解,具有很強的魯棒性。通過遺傳算法能使BP神經(jīng)網(wǎng)絡(luò)各連接層的權(quán)值、閾值在預(yù)定的進化次數(shù)內(nèi)得到最優(yōu)解,從而提高BP神經(jīng)網(wǎng)絡(luò)處理問題的能力。遺傳BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的流程圖如圖2所示,其主要步驟有:
圖2 GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測流程
(1)選擇編碼方式。在這里編碼的對象是權(quán)值和閾值。因權(quán)值和閾值都是實數(shù),為避免編碼過長和解碼頻繁,故選擇實數(shù)編碼[8]。編碼的長度由圖1中的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)決定,編碼串的順序也按照圖1中從輸入到輸出的順序排列。
(3)交叉操作。由于用實數(shù)編碼方法對對象編碼,所以這里交叉操作的方法也應(yīng)用實數(shù)交叉法。第m個基因φm和第n個基因φn在k位的交叉操作為:
式中,θ是[0,1]間的隨機數(shù)。
(4)變異操作。選取第i個個體的第l個基因進行變異,則:
式中,φmax為基因φil取值的上界,φmin為基因φil取值的下界;r為[0,1]間的隨機數(shù);r2為一個隨機數(shù);g為當(dāng)前迭代次數(shù);Gmax為最大進化代數(shù)。
(6)利用遺傳算法優(yōu)化的權(quán)值和閾值對BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行訓(xùn)練,得到所求預(yù)測問題的最優(yōu)解。
根據(jù)經(jīng)濟指標(biāo)的選取原則即經(jīng)濟指標(biāo)應(yīng)具有重要性、靈敏性、及時性和可操作性等[10],以及寧夏自治區(qū)經(jīng)信委提供的寧夏工業(yè)經(jīng)濟運行情況,以工業(yè)經(jīng)濟指標(biāo)工業(yè)總產(chǎn)值和工業(yè)用電量為例,應(yīng)用遺傳BP神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型對其預(yù)測。通過提供基于數(shù)據(jù)的預(yù)測模型來輔助決策,可以提高寧夏地方政府工業(yè)經(jīng)濟運行分析能力,為寧夏地方政府工業(yè)經(jīng)濟運行的科學(xué)預(yù)測提供輔助決策。表1是寧夏2001~2014年的工業(yè)總產(chǎn)值。
選取2001~2010年工業(yè)總產(chǎn)值的發(fā)展?fàn)顩r作為訓(xùn)練樣本,2011~2014年工業(yè)總產(chǎn)值的發(fā)展?fàn)顩r作為檢驗樣本。分別用BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型與遺傳BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型對工業(yè)經(jīng)濟運行指標(biāo)工業(yè)總產(chǎn)值進行預(yù)測,結(jié)果如表2所示。BP和遺傳BP(GA-BP)神經(jīng)網(wǎng)絡(luò)模型的工業(yè)總產(chǎn)值預(yù)測如圖3所示。從表2和圖3可以看到,遺傳BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果更接近于實際值。
表1 寧夏區(qū)2001~2014年工業(yè)總產(chǎn)值 (單位:萬元)
表2 BP及GA-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果分析
圖3 BP與GA-BP神經(jīng)網(wǎng)絡(luò)模型的工業(yè)總產(chǎn)值預(yù)測
表3為寧夏2005~2014年的工業(yè)用電量。選取2005~2011年工業(yè)用電量的發(fā)展?fàn)顩r作為訓(xùn)練樣本,2012~2014年工業(yè)用電量的發(fā)展?fàn)顩r作為檢驗樣本。分別用BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型與遺傳BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型對工業(yè)經(jīng)濟運行指標(biāo)工業(yè)用電量進行預(yù)測,結(jié)果如表4所示。BP和遺傳BP(GA-BP)神經(jīng)網(wǎng)絡(luò)模型的工業(yè)用電量預(yù)測如圖4所示。從圖中可以直觀地看到,遺傳BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果更接近于實際值。
表3 寧夏區(qū)2005~2014年工業(yè)用電量 (單位:億千瓦時)
表4 BP及GA-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果分析
圖4 BP與GA-BP神經(jīng)網(wǎng)絡(luò)模型的工業(yè)用電量預(yù)測
本文針對在工業(yè)經(jīng)濟運行指標(biāo)預(yù)測中BP神經(jīng)網(wǎng)絡(luò)模型存在易陷入局部極小值、收斂速度慢等問題,提出了遺傳BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型,并與BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行了比較。實驗結(jié)果表明,遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果更接近于實際值,提高了預(yù)測的準(zhǔn)確度。實際上工業(yè)經(jīng)濟運行指標(biāo)是一個非常復(fù)雜的問題,很難對其進行準(zhǔn)確預(yù)測。在寧夏工業(yè)運行數(shù)據(jù)基礎(chǔ)上運用遺傳BP神經(jīng)網(wǎng)絡(luò)建立模型,通過持續(xù)學(xué)習(xí),提高了寧夏工業(yè)經(jīng)濟運行的預(yù)測準(zhǔn)確度,有一定的適用性,但仍需根據(jù)實際運行狀況來進行驗證。
[1] 趙春標(biāo). 工業(yè)經(jīng)濟監(jiān)測預(yù)測模型的研究與應(yīng)用[D]. 合肥:合肥工業(yè)大學(xué),2012.
[2] 朱蓉華. 工業(yè)經(jīng)濟運行監(jiān)測系統(tǒng)的建設(shè)研究[J]. 電子政務(wù),2011(4):21-25.
[3] 賀國光,李宇,馬壽峰. 基于數(shù)學(xué)模型的短時交通流預(yù)測方法探討[J]. 系統(tǒng)工程理論與實踐,2000,20(12):110-112.
[4] 唐明. 短時交通流特性及其預(yù)測方法研究[D]. 長沙:長沙理工大學(xué),2004.
[5] TANG H,WU E X. MRI brain image segmentation by multi-resolution edge detection and region selection[J]. Computerized Medical Imaging and Graphics,2000,24(9):349-357.
[6] CHEN H,GRANT MULLER S. Use of sequential learning for short-term traffic flow forecasting[J].Transportation Research,
2001,9(5):319-336.
[7] 李松,羅勇,張銘銳. 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的混沌時間序列預(yù)測[J]. 計算機工程與應(yīng)用,2011,47(29):52-55.
[8] MONTANA D J, DAVIS L. Training feed forward neural networks using neural networks and genetic algorithm[C]. Proc. of International Conference on Computing, Communications and Control Technologies, Austin, USA, 1989: 762-767.
[9] 張良均,曹晶,蔣世忠. 神經(jīng)網(wǎng)絡(luò)實用教程[M]. 北京:機械工業(yè)出版社,2008.
[10] 王敏,周博,李陽. 北京工業(yè)經(jīng)濟運行監(jiān)測預(yù)警指標(biāo)體系的構(gòu)建[C]. 北京市統(tǒng)計學(xué)會:北京市第十五次統(tǒng)計科學(xué)討論會獲獎?wù)撐募?009:189-190.
Prediction of industrial economic operation index based on genetic BP neural network
Xu Hua1, Zhao Jun2
(1.College of Mathematics & Computer Science, Ningxia University, Yinchuan 750000, China;2. College of Economics & Management,Ningxia University,Yinchuan 750000,China )
This paper proposes a neural network algorithm based on genetic algorithm optimization to forecast the industrial economic operation index.The genetic algorithm is used to optimize weights and thresholds of BP neural network, and the trained BP neural network model is used to predict the industrial economic operation index to obtain the optimal solution.In this paper, the genetic BP neural network model is applied to the prediction of gross industrial output value, and the model is compared with the BP neural network model.The results show that the proposed model can be more accurate to judge and predict the trend of Ningxia industrial economic operation index and it can provide a more reliable basis for macro decision making and serve for the sustainable development of industrial economy.
industrial economy ;performance indicators ;genetic algorithms;propagation (BP) neural network
TP183
A
1674-7720(2016)07-0090-04
徐華,趙軍. 基于遺傳BP神經(jīng)網(wǎng)絡(luò)的工業(yè)經(jīng)濟運行指標(biāo)預(yù)測[J].微型機與應(yīng)用,2016,35(7):90-93.
2015-11-06)
徐華(1987-),女,碩士研究生,主要研究方向:信息系統(tǒng)工程。
趙軍(1971-),男,博士,教授,主要研究方向:管理科學(xué)與工程。