基于灰色关联和BP神经网络的汽车保有量预测.docVIP

基于灰色关联和BP神经网络的汽车保有量预测 　　摘 要：为提高汽车保有量的预测准确性，运用灰色关联分析法，计算分析与汽车保有量相关的主要社会指标，确定汽车保有量的影响因子分别为国民总收入、人均GDP、进出口总额、城镇居民人均可支配收入、钢材产量、公路客运量和社会消费品零售总额。将所确定的因子作为汽车保有量的预测指标，建立基于BP神经网络的汽车保有量预测模型，并对模型进行应用测试。结果表明：BP神经网络模型具有较高的精度，最大相对误差为2.2%，平均相对误差为1.5%。，可为我国汽车保有量的预测研究提供方法支撑。 　　关键词：汽车保有量；预测；灰色关联分析；BP神经网络 　　中图分类号：U491.14 文献标识码：A 　　Abstract：In order to improve the forecast ability of car ownership，by using gray correlation method，this paper analyzed the main factors related to car ownership，which are gross national income， per capita GDP， gross import and export， urban resident disposable income， steel output， highway passenger transport volume， total retail sales of consumer goods. The prediction model of car ownership was established based on BP neural network， and then verified with tests. The results show that car ownership can be predicted accurately by the model based on BP neural network. The maximum relative error is 2.2% and the average relative error is 1.5%.In addition， this predictive model provided a method for car ownership. 　　Key words：car ownership； prediction；grey relational analysis； BP neural network 　　1 引 言 　　汽车产业是我国的支柱产业，它能够推进很多产业的发展。我国25%的钢铁、58%的橡胶、50%的玻璃和47%的石油等均用于汽车产业。随着汽车相关技术的发展，汽车制造成本的逐渐降低，2013年底我国汽车保有量已达1.37亿辆。近20年来，我国汽车的产销量增长了近15倍，汽车保有量急剧增长。但是汽车保有量的增长必然会带来交通、环境污染、能源等问题。科学预测是制定科学决策和科学计划的前提[1-2]，合理、准确地预测我国汽车的保有量，对道路交通的发展、汽车工业的发展、以及其他相关联产业都具有很好的实际意义[3-4]。 　　Dargay等利用多个国家的历史数据资料，建立了汽车保有量预测模型[5]；曹晓飞等运用弹性系数法对北京的机动车保有量进行了预测[6]；周开勇等运用灰色预测法进行了私家车保有量的建模[7]；仲伟周等运用因子分析法分析得出了影响民用汽车保有量的影响因子[8]；朱灿等用ARIMA和Logistic回归方法构建了汽车保有量的预测模型[9]；朱海清等在路网广义计算模型的基础上，建立了路网服务水平影响下的路网容量计算模型，对路网容量下各类机动车保有量进行了预测[10]；王琦等用多种方法对城市汽车保有量进行了预测，通过熵值法确定各预测模型的加权系数，建立组合预测模型；Godfrey等运用指数平滑方法进行公路客运量预测[11]；Suryani等运用系统动力学预测方法建立了客运量预测模型[12]；杨艳妮等基于支持向量机理论建立了私人汽车汽车保有量滚动预测模型。 　　目前常用的方法有时间序列法、回归分析法、支持向量机、弹性系数法、灰色预测法、灰色马尔科夫预测法以及其他一些组合方法。时间序列法、弹性系数法以及一些基于灰色理论的组合预测法是根据汽车保有量的历史数据，来建立模型，这些方法虽然简单，但不能反映各因子之间的内在联系，在进行多个控制变量因子时，不能很好地应对。回归分析法在进行建模时往往会存在一定的假设，预测精度会偏低。本文通过定性分析汽车保有量的相关社会指标，运用灰色关联分析法定量的计算了汽车保有与各