基于RBF神經(jīng)網(wǎng)絡模型的我國農(nóng)產(chǎn)品市場風險預警機制研究

◇周金城 李 毅

RBF神經(jīng)網(wǎng)絡是以生理學為基礎演變出來的一種功能網(wǎng)絡，其不僅結構簡單，而且性能優(yōu)良、學習速度較快，適用于任意連續(xù)函數(shù)，這些特點使其在農(nóng)產(chǎn)品價格預測中得到了廣泛應用。孫素芬等人通過RBF神經(jīng)網(wǎng)絡來對農(nóng)產(chǎn)品市場中的香菇價格數(shù)據(jù)進行了預測。羅長壽等人利用RBF神經(jīng)網(wǎng)絡針對北京農(nóng)產(chǎn)品市場中的蔬菜批發(fā)價格構建了RBF神經(jīng)網(wǎng)絡預報模型。通過以上研究，我們發(fā)現(xiàn)RBF神經(jīng)網(wǎng)絡模型在我國農(nóng)產(chǎn)品市場風險預警機制中有著極大的應用價值與發(fā)展空間。

一、RBF神經(jīng)網(wǎng)絡模型的風險預警分析

目前，大多數(shù)系統(tǒng)都是以持續(xù)漸進的方式發(fā)展出來的，這也使研究對象的數(shù)值難以發(fā)生大幅降低或增長。因此，在模型輸入中不僅要對影響因素進行考慮，同時還要對研究對象所具備的歷史信息進行考慮，并將研究對象所具有的時間序列當作RBF模型的輸入項。在RBF神經(jīng)網(wǎng)絡模型的輸入項中主要由兩個部分組成，分別是研究對象的影響因素及歷史時間序列，由此可以對RBF神經(jīng)網(wǎng)絡模型進行表示，即t=g（Zt-1，Zt-2，……Zt-m，Xt）+et，在該公式中，RBF神經(jīng)網(wǎng)絡模型的預期輸出變量由進行表示，在時刻中觀測到的噪聲由et進行表示，待估函數(shù)則為g（Zt-1，Zt-2，……Zt-m，Xt），然后利用RBF神經(jīng)網(wǎng)絡來逼近。在RBF神經(jīng)網(wǎng)絡模型中的輸入項分別是（Zt-1，i=1，2，3…，m）與 Xt=（xt1，xt2，xt3，…，xtn），在第一個輸入項中代表農(nóng)產(chǎn)品價格歷史數(shù)據(jù)，延遲階數(shù)是m，第二個輸入項代表影響農(nóng)產(chǎn)品價值的相關因素，影響因素所具備的維度由n表示，則該模型的初始輸入層中的節(jié)點數(shù)則為m+n?；瘮?shù)由φ（r）=exp（-‖X-D‖2/（2δ2）），基函數(shù)中心由D表示，擴展常數(shù)是δ，模型中隱含層節(jié)點為q個，輸出層節(jié)點為l個，隱含層和輸出層之間的連接權值則為l：w。要想將RBF神經(jīng)網(wǎng)絡模型能夠用于農(nóng)產(chǎn)品市場風險預測，還需要對其結構與參數(shù)進行確定，結構為m，n，q，參數(shù)為D，δ，w，由于難以利用定量法來對研究對象和延遲階數(shù)間的關系進行確定，因此需要采用經(jīng)驗法則。對隱含層中節(jié)點數(shù)量的確定是極為繁瑣的，如果節(jié)點數(shù)量較少，會使模型的風險預測精度降低，而較多則又會使模型變得更加復雜，計算時間也就越長，進而影響模型的泛化能力。一般來說，對隱含層中節(jié)點數(shù)量的確定的常用方法包括聚類法、經(jīng)驗公式法等，而本文則是利用經(jīng)驗公式法來進行確定，并借助于遺傳算法來確定與優(yōu)化n，D，δ，w等參數(shù)。

二、RBF神經(jīng)網(wǎng)絡模型中遺傳算法的優(yōu)化與改進

（一）編碼

由于模型中的參數(shù)數(shù)量較多，且參數(shù)之間的差異性比較大，因此在利用遺傳算法進行優(yōu)化改進時，編碼方式為混合編碼，模型輸入項中的影響因素為二進制編碼，由0代表不屬于RBF神經(jīng)網(wǎng)絡輸入的影響因素，由1代表屬于RBF神經(jīng)網(wǎng)絡輸入的影響因素。由于RBF神經(jīng)網(wǎng)絡對連接權值、擴展常數(shù)及隱含層有很高的精度要求，因此可以利用浮點編碼方式對其進行編碼，以此縮短編碼串的長度，降低解碼難度，提高模型運算速度。

（二）確定適應度函數(shù)

在確定適應度函數(shù)中，RBF神經(jīng)網(wǎng)絡模型的訓練目標是為了找出與真實值誤差最小的期望輸出參數(shù)，以此將該參數(shù)的均方差倒數(shù)進行確定，并作為模型的適應度函數(shù)，由此可以對第i個個體中的適應度函數(shù)進行表示，即在該公式中，風險預測對象的真實值為Zk，RBF神經(jīng)網(wǎng)絡模型的預測值為。

（三）選擇

在選擇操作中，主要分為兩個步驟，其一是利用隨機遍歷抽樣算法，該算法具備最小個體擴展與零偏差的應用特點；其二是利用精英策略，將上一代中的最佳個體進行直接復制，使其轉移至下一代，進而使RBF神經(jīng)網(wǎng)絡模型的應用程度收斂速度更快，運行效率更高。

（四）交叉

由于模型中的遺傳算法在編碼方式上采用了混合編碼，因此在交叉中主要包括兩個部分，即浮點編碼部分與二進制編碼部分，而交叉則是將這兩個部分進行分開運算。在進行交叉前，需要將染色體按照上述兩個編碼部分進行劃分，在二進制編碼部分中利用單點交叉算子來實施操作，而在浮點編碼部分則利用算術交叉算子來實施操作。則其算子可表示為在該算子中，個體與實施線性交叉，由此可生成全新的個體，即與，在交叉完畢后將這兩部分染色體進行拼接，使其成為一個交叉后的染色體。

（五）變異

遺傳算法的變異階段與交叉階段在操作流程上相同，都需要對二進制編碼部分與浮點編碼部分進行操作，由基本位變異算子對二進制編碼部分進行操作，由育種器變異算子對浮點編碼部分進行操作。

三、基于RBF神經(jīng)網(wǎng)絡模型的我國農(nóng)產(chǎn)品市場風險預警機制研究

本文以大豆價格數(shù)據(jù)為例基于RBF神經(jīng)網(wǎng)絡模型對我國農(nóng)產(chǎn)品市場風險預警機制進行深入的研究，將我國大豆市場中的批發(fā)價格作為RBF神經(jīng)網(wǎng)絡模型的因變量，大豆價格的八個初始影響因素包括國民消費指數(shù)、國內(nèi)大豆需求量、國內(nèi)大豆供給量、世界大豆總產(chǎn)量、國民消費信息指數(shù)、大豆港分銷價格及我國貨幣的供應量。該模型的輸入項包括上述八個影響大豆價格的相關因素及m階大豆價格的歷史數(shù)據(jù)，將下個月的我國大豆市場價格作為RBF神經(jīng)網(wǎng)絡模型的輸出項。

（一）數(shù)據(jù)的預處理

本文在對數(shù)據(jù)進行預處理時利用極差歸一法，以此消除數(shù)據(jù)數(shù)量級與量綱間的差距，并避免模型在計算過程中發(fā)生溢出，進而提高模型訓練時的收斂速度。數(shù)據(jù)預處理公式可表示為，在該公式中第i個變量的最大值與最小值分別由max（yi）與min（yi）表示，經(jīng)預處理后得出的結果為 yi∈[0，1]。

（二）參數(shù)設置與輸出結果

在大豆價格歷史數(shù)據(jù)中，將2015年3月至2016年12月的大豆市場價格作為訓練集，將2016年1月至12月的大豆市場價格作為測試集，然后對RBF模型中的相關參數(shù)進行設置，設定m的延遲階數(shù)為3，變異率與交叉率分別是0.05與0.9，迭代次數(shù)與種群規(guī)模分別設置為100與50，將擴展常數(shù)與函數(shù)中心的取值分別設定在（0，2]與（0，1]范圍內(nèi)，將模型輸出層和隱含層之間的連接權值范圍設定在[0，1]以內(nèi)，依據(jù)經(jīng)驗公式確定法，對模型隱含層中的節(jié)點數(shù)量設定為15個，然后對大豆市場價格的風險情況進行預測，通過對模型進行訓練可以得到不同迭代次數(shù)下的誤差變化曲線，由曲線可以發(fā)現(xiàn)，RBF神經(jīng)網(wǎng)絡模型在進行第35次迭代時便會縮減，其訓練后得出的風險預測結果與實際結果誤差值為0.0065，這說明RBF神經(jīng)網(wǎng)絡模型的訓練精度是比較高的。

（三）RBF神經(jīng)網(wǎng)絡模型的風險預測精度與穩(wěn)定性檢驗

在利用RBF神經(jīng)網(wǎng)絡模型對大豆市場價格風險進行預測以后，應通過相應的指標來檢驗模型的擬合程度，以此測試RBF神經(jīng)網(wǎng)絡模型在農(nóng)產(chǎn)品市場風險中的預測精度。將消者費信息指數(shù)、我國大豆進口總量及大豆港分銷市場價格作為模型的輸入項，利用平均相對誤差MAPE來對模型的預測精度進行衡量，該公式可表示為在該公式中，模型對大豆市場價格風險預測的值由進行表示，大豆實際市場價格風險值由Yi進行表示，如果得出的MAPE值越小，則表明RBF神經(jīng)網(wǎng)絡模型的風險預測精度就越高。檢驗結果表明，RBF神經(jīng)網(wǎng)絡模型能夠對大豆實際市場價格風險進行準確的預測，MAPE值僅為3.64%，這證明了該模型具備較高的預測精度，能夠對大豆市場價格在短期內(nèi)的變化規(guī)律進行捕捉。

由于模型中采用的遺傳算法所獲得的輸出結果只是在最優(yōu)值附近徘徊，因此需要對模型的穩(wěn)定性進行檢驗，以此測試遺傳算法給模型預測結果帶來的影響，如果RBF模型的穩(wěn)定性較高，則其預測結果所產(chǎn)生的波動性必然會小，反之亦然。對RBF神經(jīng)網(wǎng)絡模型進行100次迭代，由此可以獲得100次迭代過程中的各個均方差。經(jīng)過穩(wěn)定性檢驗以后，檢驗結果表明，最終獲得的訓練誤差均值是0.0114，其標準差是0.0021，每次迭代訓練后產(chǎn)生的誤差值全部處于[y-3δ，y+3δ]中，這證明了RBF神經(jīng)網(wǎng)絡模型具備較高的穩(wěn)定性。綜上所述，利用RBF神經(jīng)網(wǎng)絡模型來對我國農(nóng)產(chǎn)品市場風險進行預測是可行的。

四、結語

基于RBF神經(jīng)網(wǎng)絡模型的我國農(nóng)產(chǎn)品市場風險預測，能夠讓技術人員通過這種方法對農(nóng)產(chǎn)品市場短期內(nèi)的風險進行準確預測，進而提高農(nóng)產(chǎn)品市場風險預測水平，有效保障農(nóng)民的切身利益。當然，本文僅以大豆為例用RBF神經(jīng)網(wǎng)絡模型對大豆市場價格風險進行了深究，該模型同樣能夠用于玉米、水果、蔬菜等農(nóng)產(chǎn)品的市場風險預測，具有極高的應用價值。

基金項目：國家社科基金項目“我國農(nóng)產(chǎn)品價格的非線性動態(tài)調(diào)整及其預測研究”（14CJY056）；湖南省教育廳科學研究項目 “基于非線性動態(tài)特征的我國農(nóng)產(chǎn)品價格波動及其預警機制研究”（12C0722）、湖南省社科成果評審委員會項目“湖南省農(nóng)產(chǎn)品價格的非線性形成機制與動態(tài)風險預警研究”（XSP17YBZZ055）；湖南理工學院科學研究項目“近期我國物價波動趨勢的分析與預測”（2011Y07）。