楚旭
摘 要:對居民消費價格指數(shù)(CPI)做出準確的預測,能夠為國家或地區(qū)相關(guān)部門在制定合理的發(fā)展規(guī)劃以及對資源進行優(yōu)化配置時提供重要依據(jù)。早期研究者主要采用計量經(jīng)濟模型、時間序列模型對CPI進行預測。
本文分析了回聲狀態(tài)網(wǎng)絡預測模型和小世界網(wǎng)絡結(jié)構(gòu)。包括ESN的訓練過程、儲備池的關(guān)鍵參數(shù)和小世界網(wǎng)絡的數(shù)學模型。然后,構(gòu)建具有小世界特性的小波回聲狀態(tài)網(wǎng)絡預測模型(SW-W-ESN)。同時,儲備池是ESN的核心部分,改進回聲狀態(tài)網(wǎng)絡對CPI的預測更為準確,在宏觀經(jīng)濟調(diào)控方面更具有科學性和可行性。
關(guān)鍵詞:回聲狀態(tài)網(wǎng)絡;居民消費價格指數(shù);小世界網(wǎng)絡;小波函數(shù)
一、具有小世界特性的小波回聲狀態(tài)網(wǎng)絡預測模型
傳統(tǒng)的回聲狀態(tài)網(wǎng)絡儲備池是隨機生成的,神經(jīng)元之間耦合很強,預測能力受限。使用小世界網(wǎng)絡結(jié)構(gòu)取代傳統(tǒng)的隨機結(jié)構(gòu),避免了模塊化結(jié)構(gòu)。不同的群集包含不同數(shù)量的神經(jīng)元,不同類型的神經(jīng)元,豐富了儲備池神經(jīng)元,增強了儲備池信息處理能力。因此,使用小世界網(wǎng)絡代替儲備池傳統(tǒng)的隨機結(jié)構(gòu)。小波函數(shù)具有良好的局部特性和變換特性,在儲備池達到一定規(guī)模時,可擴展儲備池的狀態(tài)空間,有助改善儲備池的非線性逼近能力。
1.具有小世界特性的回聲狀態(tài)網(wǎng)絡儲備池設計
本文提出了一種簡單的小世界網(wǎng)絡構(gòu)造方法,可以直接生成儲備池連接矩陣。生成過程分為以下幾步:
新方法可以簡單、直接、快速生成連接矩陣作為ESN儲備池結(jié)構(gòu),在實際應用中,在保證預測精度的前提下,降低預測工具的使用復雜度是很有意義的。
2.小波神經(jīng)元分析
儲備池神經(jīng)元通常使用Sigmoid函數(shù)作為激勵函數(shù)限制了傳統(tǒng)ESN儲備池激勵函數(shù)的類型,減弱了ESN處理復雜特征的能力。小波神經(jīng)元的激活函數(shù)是由一個小波母函數(shù)經(jīng)過伸縮和平移變換后得到的,用其替換部分Sigmoid函數(shù)。因此,每個小波神經(jīng)元具有不同的激活函數(shù),從而豐富了儲備池的存儲和轉(zhuǎn)換功能,并提高了儲備池的記憶功能。本文選用Symlets小波作為母小波,其數(shù)學形式表示為:
對每一個小波神經(jīng)元使用不同的伸縮和平移因子,Symlets 小波產(chǎn)生的小波函數(shù)系為:
最后,ESN的儲備池狀態(tài)的更新方程定義如下:
這樣,儲備池神經(jīng)元類型就在S型神經(jīng)元的基礎(chǔ)上增加了小波神經(jīng)元,而且不同的小波神經(jīng)元可以通過小波基函數(shù)拓展為不同的函數(shù)形式,極大地豐富了神經(jīng)元類型。
3.SW-W-ESN組合預測模型
SW-W-ESN預測模型通過使用小世界網(wǎng)絡結(jié)構(gòu)代替?zhèn)鹘y(tǒng)ESN儲備池隨機結(jié)構(gòu)并同時使用Sigmoid函數(shù)和小波函數(shù)作為激勵函數(shù)的改進回聲狀態(tài)網(wǎng)絡預測模型。首先,確定儲備池規(guī)模N以及小世界群集數(shù)Q。本研究中,選取Sigmoid函數(shù)或Symlets函數(shù),至此,具有小世界網(wǎng)絡特征和小波激勵函數(shù)的儲備池構(gòu)建完成,然后使用訓練數(shù)據(jù)集對SW-W-ESN預測模型進行訓練,訓練獲得對應的輸出權(quán)值矩陣,對測試集數(shù)據(jù)進行預測,對每組數(shù)據(jù)集進行50次試驗,最后將50次試驗獲得的MAPE和MSE的平均值作為模型最后的輸出。
SW-W-ESN組合預測模型流程如下所示:
(1)讀取數(shù)據(jù),對數(shù)據(jù)進行預處理,將標準化后的數(shù)據(jù)分別劃分為訓練集和測試集,訓練集和測試集的數(shù)量比一般設為7:3。
(2)構(gòu)建具有小世界特性的ESN儲備池。
(3)確定各群集的神經(jīng)元類型。
(4)使用測試集對SW-W-ESN預測模型進行測試,確定最優(yōu)的輸出權(quán)值矩陣。
(5)使用經(jīng)過訓練的SW-W-ESN模型預測驗證集數(shù)據(jù)。記錄預測值與期望值的MAPE和MSE。
(6)50次重復試驗,輸出MAPE和MSE的平均值。
二、居民消費價格指數(shù)預測
在第1章中,得到了改進的回聲狀態(tài)網(wǎng)絡預測模型——SW-W-ESN預測模型,并從理論上分析了改進的科學性和可行性。在本章中,將SW-W-ESN模型應用到實際問題中,對CPI進行預測。
1.預測精度衡量指標
常見的誤差評判方法有:平均誤差(ME)、平均百分誤差(MPE),平均絕對百分誤差(MAPE)和均方誤差(MSE);然而,ME和MPE不能有效地反映預測效果,因為正負誤差會抵消,使平均值總是接近于零。MAPE雖未能考慮到誤差方向,但確實能夠很好地反映預測效果。如果實際值達到0或接近0,誤差會被放大,本研究選擇MSE作為精度評判標準更合適。MSE本質(zhì)上是預測誤差的樣本標準偏差(沒有任何自由度調(diào)整),假設較大的預測誤差比較小的預測誤差更重要,所以算例選取MAPE和MSE來評價模型的預測性能。
2.基于SW-W-ESN的居民消費價格指數(shù)預測
(1)數(shù)據(jù)來源
2000年1月-2019年4月全國CPI指數(shù)具體數(shù)據(jù)。數(shù)據(jù)來源:http://data.eastmoney.com/cjsj/consumerpriceindex.aspx?p=1。
(2)對比預測模型和數(shù)據(jù)集劃分
SW-W-ESN模型的預測效果與儲備池規(guī)模N、群集個數(shù)Q、小波神經(jīng)元所占比例P有關(guān),在第1章中提到,參數(shù)的設置方法可以通過實際應用中的經(jīng)驗給出或者通過尋優(yōu)得到。針對這些參數(shù)設置對比實驗,儲備池規(guī)模N取值為{100,150,200}群集個數(shù)Q取值為{2,3,4,5},小波神經(jīng)元P取值為{25%,50%,75%},確定具有較優(yōu)參數(shù)的SW-W-ESN預測模型;然后將SW-W-ESN模型與傳統(tǒng)ESN模型的預測效果進行對比;最后,與只進行單一改進的模型進行對比。
對比驗證選取的數(shù)據(jù)為2000年1月至2018年9月全國各月CPI數(shù)據(jù),共有220個數(shù)據(jù)點,數(shù)據(jù)分為兩個部分:訓練集(156個數(shù)據(jù)點)和測試集(52個數(shù)據(jù)點),訓練集用來對生成的網(wǎng)絡進行訓練得到輸出權(quán)值,最后用測試集數(shù)據(jù)來檢測模型的預測效果。本文采用單步預測策略,前12個數(shù)據(jù)預測第13個數(shù)據(jù),則訓練集中共有156組訓練樣本,測試集中共有52組測試樣本。
(3)參數(shù)設置及結(jié)果分析
對于本文提出的SW-W-ESN模型,最重要的三個參數(shù)是儲備池規(guī)模N、小世界網(wǎng)絡群集個數(shù)Q、小波神經(jīng)元所占比例P。
(4)預測模型驗證分析
通過對比實驗,發(fā)現(xiàn)當儲備池規(guī)模為150,群集個數(shù)為3,小波神經(jīng)元所占比例為1/3時,預測效果最好。
為了驗證SW-W-ESN預測模型的改進能夠提高原始模型的預測精度,分別用ESN、SW-ESN和W-ESN三種不同的模型作為對比。儲備池規(guī)模相同的情況下,SW-ESN模型的群集個數(shù)為3,W-ESN模型中小波神經(jīng)元所占比例為1/3。
從表3和圖2可以得到以下幾點結(jié)論:
(1)本實驗選取了一組變化規(guī)律十分復雜的時間序列,四種模型都實現(xiàn)了高精度預測,說明傳統(tǒng)ESN模型和改進后的ESN都能對游客到達人數(shù)進行精準的預測;
(2)對傳統(tǒng)ESN模型進行單一的改進均能提升預測效果,但提升幅度有限;相對于傳統(tǒng)ESN模型,W-ESN模型的MAPE和MSE分別降低3.34%、3.18%,SW-ESN模型的MAPE和MSE分別降低4.61%、4.28%;
(3)預測精度提升明顯,使用SW-W-ESN模型進行預測,取得的MAPE和MSE分別降低22.44%、33.84%;說明同時改進具有意義且優(yōu)于單一改進。
(4)看出傳統(tǒng)ESN模型和SW-W-ESN模型預測能力的異同。在一次預測多個數(shù)據(jù)點的時候,大多數(shù)模型的預測精度會越來越低,但這兩個模型在對50個月度數(shù)據(jù)進行預測時,預測精度并沒有明顯的降低,只是后期的預測值趨于平穩(wěn),不具備對峰值數(shù)據(jù)的精準預測能力,這說明兩種模型具有很強的預測穩(wěn)定性,可以進行長期預測;SW-W-ESN模型的預測值全面優(yōu)于傳統(tǒng)ESN模型。
三、結(jié)論
在ESN儲備池中引入具有小世界特性的網(wǎng)絡結(jié)構(gòu)代替?zhèn)鹘y(tǒng)的隨機網(wǎng)絡結(jié)構(gòu),避免了隨機網(wǎng)絡節(jié)點之間耦合性強、計算能力有限的缺點。同時使用小波神經(jīng)元和S型神經(jīng)元,使得儲備池神經(jīng)元具有良好的局部特性和變換特性。構(gòu)建SW-W-ESN模型,設置對比試驗,得到預測效果較好時的儲備池規(guī)模和群集個數(shù)。選取了一組變化規(guī)律十分復雜的時間序列,使用ESN模型、W-ESN模型、SW-ESN模型和SW-W-ESN模型進行預測,結(jié)果顯示,SW-W-ESN模型的預測精度明顯高于其他三種模型,同時對兩者進行改進時,預測精度有了明顯的提升,說明這兩種改進的組合是有意義的,有互相促進的作用,其預測精度的提升幅度明顯高于兩種單一改進模型的提升幅度之和,而且SW-W-ESN模型很強的預測穩(wěn)定性,可以進行長期預測。
參考文獻:
[1]Akin M. A novel approach to model selection in tourism demand modeling[J].Tourism Management,2015,48:64-72.
[2]Bao G,Zeng Z G.Global asymptotical stability analysis for a kind of discrete-time recurrent neural network with discontinuous activation functions[J].Neurocomputing,2016,193(1):242-249.
[3]Boccato L,Diogo C,Attux R,F(xiàn)ernando J.Performance analysis of nonlinear echo state network readouts in singal processing tasks[C].Proceeding of WCCI 2012 IEEE World Congress on Computational Intelligence,2012:1-8.
[4]Cang S.A non-linear tourism demand forecast combination model [J].Tourism Economics,2011,17(1):5-20.
[5]Jaeger H. The “Echo State” Approach to Analysing and Training Recurrent Neural Networks - with an Erratum note[R].German National Research Center for Information Technology,2010:148-156.
[6]Jan A,Hiu F C. A wavelet neural network conjunction model for groundwater level forecasting[J].Journal of Hydrology,2011,407:28-40.
[7]Kim C I,Yu I K,Song Y H. Kohonen neural network and wavelet transform based approach to short-term load forecasting[J].Electric Power Systems Research 2002,63:169-176.
[8]Li D C,Han M. Chaotic time series prediction based on a novel robust echo state network[J].IEEE Transactions Neural Networks Learning Systems,2012,23:787-799.
[9]Li G,Niu P,Zhang W,Zhang Y.Control of discrete chaotic systems based on echo state network modeling with an adaptive noise canceler[J].Knowledge-Based Systems,2012,35: 35-40.
[10]Wang S,Yang X J,Wei C J.Harnessing nonlinearity by sigmoid-wavelet hybrid echo state networks[C].The 6th World Congress on Intelligent Control and Automation,2006,WCICA 2006.Piscataway,NJ 08855-1331,2006,1:3041-3018.
[11]Zheng P S,Tang W S,Zhang J X. A simple method for designing efficient small-world neural networks[J].Neural Networks,2010,23(2):155-159.
[12]薄迎春,喬俊飛,張昭昭.一種具有small world特性的ESN結(jié)構(gòu)分析與設計[J].控制與決策,2012,27(3):383-388.
[13]黎倩.回聲狀態(tài)網(wǎng)絡的神經(jīng)元模型和拓撲結(jié)構(gòu)優(yōu)化研究[D].重慶:重慶大學圖書館,2017.
[14]羅熊,黎江,孫增圻.回聲狀態(tài)網(wǎng)絡的研究進展[J].北京科技大學學報,2012,34(2):217-222.
[15]楊飛,方濱興,王春露,左興權(quán),李麗香,平源.基于小波和回聲狀態(tài)網(wǎng)絡的交通流多步預測模型[J].吉林大學學報(工學版),2013,43(3):646-653.