基于BP人工神经网络的湖南省汽车保有量预测

●应用技术

基于BP人工神经网络的湖南省汽车保有量预测

黄志刚1　汤　洪2　丁胜春3

(长沙理工大学交通运输学院)

摘　要:文章在具体分析影响湖南省汽车保有量的各相关因素及主导因素的基础上,应用BP

神经网络预测湖南省2005年的汽车保有量。预测结果表明,与传统的预测方法相比,BP神经网络的精确度更高,这表明BP神经网络具有很强的学习与泛化能力。

关键词:汽车保有量;BP神经网络;预测中图分类号:TP183　　　　文献标识码:A文章编号:1004-6429(2005)02-0106-03

　　当今社会的一个最显著的特征是由于经济的高速发展而引起的社会各方面的快速变化。因此我们的一系列行为都应该具有一定的前瞻性,比如我们所做的各种各样的预测就是出于这样的一种考虑。

对汽车保有量的预测决不是一个简单的问题,如经济的发展、人口的增长以及居民可支配收入的增加等都将影响汽车保有量的增长。政策走向因素也不可忽视。另外,自然条件、公路的可通达性、公路网的密度以及其他一些与汽车相关的产业的变化,如石油价格的升降,也将对汽车的购买欲产生一定的影响,而这又间接地影响了汽车保有量的增长速度。所有这一切构成了一个相当复杂的预测问题。也正是由于其复杂性,传统的预测方法如回归方法等预测结果精度不高,对实际的指导意义不大。由于BP神经网络能用于多因素非线性系统的分析,且其精度也较为理想,在此拟采用人工神经网络中的BP网络来预测湖南省的汽车保有量。1　BP神经网络概述

人工神经网络(ArtificialNeuralNetwork,简记为ANN)是一种包含许多简单的非线性计算单元或连接点的非线性动力系统,而BP网络是其中应用得最广泛的一种。1.1　网络的结构

BP神经网络是一种误差后向传播网络,一般采用三层网络型式,即由输入层、隐含层和输出层3层神经元组成,各层神经元的作用都是不同的。

BP网络的学习过程由正向信号传播和反向误差传播两阶段组成,即输入信息从输入层经隐含层(1层或多层)传向输出层,如果在输出层得到的实际输出与所期望得到的输出不一致,则转入反向传播,将误差信号(实际输出与期望输出之差)沿原来通路返回,通过学习来修改各层神经元之间的连接权值,从而最后使误差达到最小。1.2　算法描述1.2.1　算法基本思想

(1)状态向前传播(前向计算)输入模式由输入单元传到隐层单元,隐层单元处理后到输出单元,输出单元处理后产生输

出模式。(2)误差反向传播:网络实际输出与期望输出产生误差信号,误差信号沿连接通道反向传播,逐层修改各层神经元之间的连接权值。

(3)反复训练网络:对于给定的一组训练模式重复上述过程,直到误差满足预先给定的要求。1.2.2　算法描述

(1)权值初始化　Wij(0)=Random(　)

(k)

(2)顺序输入学习样本　(X,Yk)k=1,2,3,4……置k=1

1(3)正向计算　netjk=∑Wij・(y-Oik,Oik=f(netjk),Ek=

2k

yk)

2

)))

(4)反向计算　δf(netjk)　　　j为输出单元jk=-(yk-yk)・

1δδj为隐层单元jk=f(netjk)∑mkWmj　　　

δWij(t+1)=Wji(t)-πjkOIK

(5)判别k+l=N?若k+1若k+1=N,则置6。

(6)若|yk-yk|<ε解j和k成立,则终止计算,否则返回2。2　样本的获取

从湖南省统计年鉴(2001)中查得1990年至2000年历年湖南人口总数、国内生产总值、城镇居民平均每年可支配收入、公路客运量、公路货运量及汽车保有量的相关数据如表1所示。

表1　原始数据资料

城镇居民

公路货运

人口总数国内生产平均每人公路客运汽车保有

年　份量

/万人总值/亿元每年可支量/万人量/万辆

/万t

配收入/元1990199119921993199419951996199719981999200020056110.896166.336207.786245.586302.586392.006428.006465.006502.006532.006562.05744.44833.30986.981259.551666.642151.432584.982918.833118.093326.753691.881591.501783.202166.502816.503887.604705.205052.105209.705434.305815.406218.7049112495664736650252590286597171087732337368181675810052967933224337883758239912412724219141340416104329642868186238200599227163263118319168350798369336378650411273424691458636作者简介:1)黄志刚,男,1979年出生,长沙理工大学交通运输规划与管理专业在读研究生,410076,湖南省长沙市

收稿日期:2004-12-21

・106・

黄志刚等:基于BP人工神经网络的湖南省汽车保有量预测

3　汽车保有量预测的BP网络建模3.1　影响因素分析

一般而言,影响汽车保有量的因素是相当多的,并可以将它们分为可量化因素和不可量化因素。比如说经济因素中的人口、国内生产总值等的增长是可以量化计算的,而湖南省的外部经济情况的变化则不好量化;政治因素一般情况下都是不好量化的;还有如环境因素、科技因素、服务因素等等也是不好量化计算的。但是根据系统学的原理影响事物发展的因素可能很多,如以上分析的那样,然而真正起主导作用或者说贡献最大的只有一个或少数几个因素或变量。因此,我们这里主要选取人口、国内生产总值、城镇居民平均每年可支配收入、公路客运量、公路货运量作为影响因素网络输入部分,因为这些经济因素是影响汽车保有量的最显著、最直接的因素;网络的输出部分则由相应年份的汽车保有量组成。这样输入、输出之间就形成一种对应关系,构成了5组训练样本,每组样本中有5个值为输入量,即该预测网络输入层有5个神经元;1个值为输出量,即输出神经元为1个。3.2　数据的处理

由于BP神经网络本身的特性及其对输入数据的要求,对输入数据进行预测处理,以提高神经网络的泛化能力(即对未学习数据的正确应答能力),一般可将各输入量归一化到[0,1]区间,但Sigmoid函数(这里选取Sigmoid函数为BP神经网络作用函数)在[0,0.1]和[0.9,1]区间内变化极为缓慢,不利于特

2005年第2期　3月5日出版

国内生产总值、城镇居民平均每年可支配收入、公路客运量、公

路货运量,输出层有1个神经元,即汽车保有量。应当注意的是在预测中产生的输出数据是归一化后的指标,因此还必须按反向规则进行变换以求出具体的数据。即:

实际预测值=(Oi-0.1)/0.83(Xmax-Xmin)+Xmin式中:Oi———神经网络训练后的输出值。

在具体的训练中取1990年至1997年八年的数据作为训练样本,而取1996年至2000年的样本作为预测效果检验样本。

另外,用回归的方法预测2005年湖南省人口总数、国民生产总、城镇居民平均每人每年可支配收入、公路客运量、公路货运量这五项相关因素的预测值及其相对系数如下表3。

表3　预测值及其相对系数

城镇居民平均人口总数国民生产总值公路客运量公路货运量每人每年可支/万人/亿元/万人/万t

配收入/元预测值7075.21相对系数1.309639421.081.49642

11564.4861.39186

121752.4196322.991.73769

2.27957

3.4　结果预测及误差分析

从上面的数据可以得到用BP网络进行预测,其检验样本的误差比率(如表4所示)。从表中我们可以看到其误差比率是较合理的:最小的才1.08%,而最大的也才7.78%。

表4　检验样本误差比率

19960.0108

19970.0317

19980.0778

19990.0305

20000.0306

征提取,可将各输入量归一化至[0.1,0.9]之间,具体方法如

下:

令maxx=Xmax,则Xmax为第i个样本第j个指标中的最大值;minx=Xmin,Xmin为第i个样本第j个指标中的最小值。则指标j的所有xi转化为无量纲的x′i为:

3

x′i=0.1+0.8(xi-Xmin)/(Xmax-Xmin)

i=1,2,……,n

运用上面介绍的关于对实际数据进行归一化处理的方法,对表1中的数据的预处理如表2所示:

表2　原始数据归一化处理

年　份1990199219931994199619971998199920002005

人口总数/万人0.10.2718060.33883320.4399060.66230160.72791030.79351890.84671510.9国民生产总值/亿元0.10.16583070.23981220.35030530.4818880.5995630.69017720.74426080.80089570.9城镇居民平均每人每年可支配收入/元

0.10.13314320.19941220.31179110.49697440.63832990.69830570.72555330.76438450.83027320.9公路客运量/万人0.10.11115380.05710470.1280072

公路货运量/万t0.10.3082690.3492380.564302

汽车保有量/万辆0.10.14217650.22019180.3257873

19910.1983065870.1241186

0.34361390.70118970.49039930.51418790.78108980.58329280.63987650.83508110.63773670.6925990.90.88353960.78508480.66509080.90.8748550.80030760.90.70360530.80094730.7609006

19950.598466176

3.3　网络结构设计及其训练

本预测利用BP网络的函数逼近功能,采用三层BP网络,即输入层、隐层和输出层。并且根据以上对影响因素的具体分析,本网络输入层为5个神经元,即经过归一化处理后的人口、

在2005年的五项相关数据的基础上,用训练后的BP网络预测2005年湖南省的汽车保有量,预测输出数据b=1.3908;则:

(Oi-0.1)/0.83(Xmax-Xmin)+Xmin

按反向规则进行变换以求出具体的数据为625752.173万辆,预测结果比较合理。4　结语

由于BP神经网络具有很强的非线性映射能力、自学习能力、容错能力等特性,可以较好地解决非线性系统的预测问题,这使得它在模式识别、智能控制、图形处理、预测和非线性优化、生物医学工程等领域取得了成功的应用,已成为一种强大的非线性信息处理工具。我们最后得出的在2005年湖南省的汽车保有量将达到625752.173万辆,误差较小,故其结果也是比较合理的。

参考文献

[1]　湖南省统计局.湖南省统计年鉴2001[M].北京:中国统

计出版社,2001.[2]　杨荣英,苗张木,沈成武.BP神经网络主成分分析法在交

通需求预测中的应用[J].理工大学学报,2002,26(3).[3]　徐杏,史喜军.深圳港基于BP神经网络的集装箱预测模

型[J].河海大学学报(自然科学版),2002.30(4).[4]　闻新,等.MATLAB神经网络应用设计[M].北京:科学出

版社,2000.

(校对:刘　芳)

(英文摘要下转第124页)

・107・

山西科技　SHANXISCIENCEANDTECHNOLOGY

向,沿着逆方向倾斜;②内部仍然为细小的等轴晶。在电压45V时,只在试样边缘一、两处出现小的柱状晶,其余的全部变成细小的等轴晶。电压达到60V时,整个试样全部变成细小的等轴晶。

出现以上现象主要是由交变旋转磁场作用机理所决定的。在交变磁场作用下旋转流是定时快速地改变方向的。当纯Al浇入处在交旋磁场中的铸型时,交旋磁场的作用使金属液先形成某一旋转方向的旋转流,电压较小时,电磁力不够大,旋转流较弱,只能冲击一部分型壁激冷晶,大部分长大相连成柱状晶,且顺着旋转流方向生长。在交变磁场作用下,将产生一个方向瞬时改变的巨大的冲击力,它远大于单旋磁场在相同的激磁电压所产生的磁场力的搅拌作用。这也就是为什么交变旋转磁场作用效果比单旋磁场作用效果好。当电压达到45V、60V时,同搅拌电压为15V、30V作用一样,搅拌电压越大,交变磁场引起旋转流造成的冲击力变得更强,完全阻止了稳定凝固壳的形

(b)与(b)、成,获得全部等轴晶。对比图5、图6中的(a)与(a)、(c)与(c)、(d)与(d),可以看出,在同等条件(相同搅拌电压)下,交旋作用下晶粒明显比单旋作用下更加细小、均匀,等轴晶2005年第2期　3月5日出版

区比单旋作用更大。

3　结论

电磁搅拌对纯Al晶粒的影响规律是:①电磁搅拌能明显地细化晶粒,促进等轴晶的形成;②随搅拌电压的增大,晶粒越来越细,等轴晶区逐渐扩大,当电压达到足够大时,试样能全部变为等轴晶;③对比交旋搅拌与单旋搅拌作用,交旋比单旋细化晶粒效果更好,分布也更加均匀。

参考文献

[1]　安阁英.铸件成型理论[M].北京:机械工业出版社,1989.[2]　曹志强,任仲呜,等.电磁搅拌对Pb—Sn共晶组织的影响

[J].铸造技术,1992(6).[3]　大野　美(日).金属凝固学[M].北京:机械工业出版社,

1983.[4]　胡汉起.金属凝固[M].北京:冶金工业出版社,1985.[5]　吴丙尧.旋转磁场作用下铝硅合金凝固过程的实验研究[J].铸造,1987.(校对:刘　芳)

TheEffectofElectromagneticAgitationonPureAlSolidifyingCrystals

TianJunjie,WangHongxia

　　ABSTRACT:ThearticlehasprobedintotheeffectofelectromagneticagitationonpureAlsolidifyingcrystalsofcasting.Theresultisthat

electromagneticagitationcanimprovethestructureofpureAlbychangingbigcolumnarcrystalsintosmallisometricones;andwiththeincreaseofagitationvoltage,thecolumnarcrystalareawillbecomelargerandtheisometriccrystalareawillbecomesmaller,thussmallercrystalgrains;alter2nate-turnagitationismoreeffectivethansingle-turnagitation.

KEYWORDS:electromagneticagitation;pureAl;structure

(上接第107页)

AForecastoftheAutomobile-ownedofHunanProvince

BasedonBPneuralnetwork

HuangZhigang,TangHong,DingShengchun

　　ABSTRACT:Onthebasisofanalysisontheeveryelementsandthedominantelementstotheautomobile-ownedofHunanProvince,thisarticleusedBPneuralnetworkforecaststheautomobile-ownedin2005.Andtheresultshavehigheraccuracywhencompareditwiththeresultswhichareforecastedbytraditianalmeans,itisindicatedthatBPneuralnetworkhasstrongabilitytostudyandgeneralize.

KEYWORDS:automobile-owned;BPneuralnetwork;forecast

・124・