基于BP神经网络的CCI预测模型.docVIP

基于BP神经网络的CCI预测模型 　　Prediction Model of CCI Based on BP Neural Network 　　Guo Qingchun；Kou Liqun；Kong Lingjun；Zhang Xiaoyong；Cui Wenjuan；Shi Yongbo 　　摘要： 将BP神经网络模型应用到消费者信心指数预测中，并建立了消费者信心指数的神经网络预测模型。将计算结果与真实值进行了验证，结果表明：CCI的计算值与真实值之间的相对误差为2.6%，且具有较好的相关性。 　　Abstract: BP neural network model has been applied to forecast the consumer confidence index, a neural network prediction model of consumer confidence index is set up, and the calculating results are verified with real value. The research results show that the relative errors between CCI and the real value is 2.6%, and the correlation between them is very wel1. 　　关键词：消费者信心指数 BP神经网络 预测模型 　　Key words: consumer confidence index；BP neural network；prediction model 　　中图分类号：TP183 文献标识码：A文章编号：1006-4311（2011）19-0303-01 　　0引言 　　消费者信心指数（Consumer Confidence Index，CCI）是反映消费者信心强弱的指标，是综合反映并量化消费者对当前经济形势评价和对经济前景、收入水平、收入预期以及消费心理状态的主观感受，是预测经济走势和消费趋向的一个先行指标，是监测经济周期变化不可缺少的依据。消费者信心指数由消费者满意指数和消费者预期指数构成。消费者的满意指数和消费者预期指数分别由一些二级指标构成：对收入、生活质量、宏观经济、消费支出、就业状况、购买耐用消费品和储蓄的满意程度与未来一年的预期及未来两年在购买住房及装修、购买汽车和未来6个月股市变化的预期。消费者信心指数数据系列取值范围为0-200，100为临界值，100以上为信心较足，100以下为信心不足。 　　神经网络的自适应学习非线性映射强的特点非常适合应用于经济领域的信息处理以及分析时间序列。它依据数据本身的内在联系建模，提炼出一般性原理、规律，具有良好的自学习能力和很强的非线性函数拟合特性。为及时预测CCI运行趋势，运用改进的BP人工神经网络对我国2006-2010年每月CCI同比指数进行了学习拟合，据此对CCI运行的趋势进行了预测和分析，为各级政府、工商界和国内外投资者综合判断经济运行的状态提供参照系，为各经济主体制定和采取的决策提供辅助信息。 　　1设计CCI预测模型 　　从20世纪40年代人类对人工神经网络的研究开始，就不断有新的网络诞生，BP算法的产生是为了解决多层神经网络中权值调整问题。利用此算法训练的神经网络，称之为BP神经网络。三层BP网络是至今为止应用最广泛的神经网络，在实际操作中，三层的网络在逼近目标函数时有时会出现难以满足实际性能和精度需要的情况，而增加隐层数可以降低网络的误差，因此也有用到四层或四层以上的网络。但是四层的神经网络有可能使得网络过于复杂，训练时可能出现训练结果与训练数据过度相似的情况，同时四层的神经网络意味着有两层隐层神经元数目需要确定，而目前理论上还没有一种确定隐层神经元数目的普遍、可靠的方法，让四层的神经网络逼近目标函数的实际可能虽有却不大。相对而言，三层的网络可以通过增加隐层的节点数来获得较低的误差，训练起来也要比多个隐层更容易实现，所以这里采用典型的三层网络。我国CCI数据来源于国家统计局，时间为2006年1月-2010年12月，由于神经网络输入层神经元一般为Sigmoid形，整个网络的输入就会给压缩在一个较小的范围以内，为了提高训练速度、灵敏度以及有效避开Sigmoid形函数的饱和区，这样就需要对数据进行归一化处理。 　　隐层节点数不仅与输入输出层的节点数有关，更与需解决的问题的复杂程度和转换函数的型式以及样本数据的特性等因素有关。为尽可能避免训练时出现过度相似的现象，保证足够高的网络性能和泛化能力，确定隐层节点数的最基本原则是：在满足精度要求的前提下取尽可能少的隐层节点数。经过训练模型效果