ARIMA模型与BP神经网络模型的比较研究_基于供电企业电费现金流入预测.docx

ARIMA 模型与 BP 神经网络模型的比较研究——基于供电企业电费现金流入预测江苏省电力公司南通供电公司陈启忠【摘 要】文章基于供电企业对电费现金流入预测的现实需要，分别建立了基于时间序列的 ARIMA 模型和 BP 神经网 络预测模型，并对两种预测方法进行了对比分析，最终确定了以 ARIMA 模型为主、BP 神经网络为辅的综合预测手段，有效 地提高了电费现金流的预测精度，增强了供电企业的现金流管理水平。【关键词】现金流预测； 差分自回归移动平均模型； BP 神经网络模型中图分类号：F275文献标识码：A文章编号：1004-5937（2014）34-0025-04一、前言如果说利润相当于企业的“营养”，那么现金流则 相当于企业的“血液”，因现金流管理出现问题而使企 业处于困境的例子不胜枚举。因此，强化对现金流的预 测和管控是任何一家企业的必修课。而现金流中蕴含 的丰富信息又成为大数据时代企业必须挖掘的宝贵资 源和实现数据驱动智慧经营的重要基础。对资金密集 型的供电企业而言，在当前售电量及相应的销售收入 进入平稳增长期，而投资需求依旧旺盛的环境下，对现 金流进行精益管控就显得尤为重要，而其中的关键要 点便是现金流预测。现金流入的预测一直是所有企业在现金流管理 领域面对的难题，国内外各大企业和学术界对此作了 大量的研究，但是并没有取得很好的效果，其主要原 因在于现金流入的随机性较强、波动性大、影响因素 多，不同行业不同企业的现金流各具特征、差异很大， 难以找到一个统一的预测方法。但进一步就电网企业 来说，电费现金流入有着其特定的规律，如图 1，各年 间电费现金流呈现明显的季节性变化趋势。因此，若图 1电费现金流入的年度趋势能揭示并利用其中规律，便可在一定程度上进行较为 准确的预测。本文以占供电企业现金流入 90%以上的电费现金 流入为对象，尝试并比对不同的预测方法，为电网企业 提高现金流管理水平提供有效手段。二、方法介绍和已有研究成果综述按照目前的技术手段和常用方法， 一般采用：（1）解释性预测方法，典型的如线性模型和非线性模 型，通过找出预测的影响因素建立回归方程；（2）时间 序列模型，仅依赖被预测变量本身，通过揭示其规律进 行预测。在社会经济领域，由于某一个待预测事项的影 响因素众多，包括社会、经济、天气、地理、人类行为和 心理因素等，而这些因素彼此又存在相关关系，因此要 求穷举主要的影响因素进而建立模型也较为困难，而 且其间的影响关系往往是非线性的，因此非线性的复 杂模型便成为备选方法。进一步，由于“事物是发展变 化的”，待预测事项及其影响因素往往是非平稳时间序 列，存在前后的延续关系，因此，时间序列模型便较为合理。鉴于现金流数据的以 上特征，本文选择时间序列 的 ARIMA 模 型 方 法 和 BP 神经网络模型方法进行尝试 和比对。（一）ARIMA 模型 ARIMA 模 型 全 称 为 差分 自 回 归 移 动 平 均 模 型（Autoregressive Integrated Moving Average Model）， 其基本思想是将预测对象随 时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这 个序列。这个模型一旦被识别后就可以用时间序列的 过去值及现在值来预测未来值。ARIMA 是多个模型的混合，即自回归 AR、求和 I 及 移动平均 MA，它分为非季节性 ARIMA（p，d，q）模型和 季节性 ARIMA（p，d，q）（P，D，Q）模型，两者的区别在于 后者在进行预测时考虑了季节周期的因素，更加适用于 有季节性或周期性变动的数据。由于电费现金流入数据 具有明显的季节性和周期性波动，故采用后者。对于 ARIMA（p，d，q）模型，AR 是自回归，p 为自 回归项，MA 为移动平均，q 为移动平均项数，d 为时间 序列成为平稳时所做的差分次数。在使用 ARIMA 模型 进行预测时，最关键是的确定 p、q 和 d 等参数，其主 要步骤包括平稳性检验（确定 d）、模型识别（确定 p 和 q）、参数估计与诊断检验，最后利用模型进行预测。（二）BP 神经网络模型BP 神经网络是一种按误差逆传播算法训练的多 层前馈网络，是目前应用最广泛的神经网络模型之一。 它能学习和贮存大量的输入———输出模式映射关系， 而无需事前揭示描述这种映射的数学方程式。它的学 习规则是使用最速下降法，通过反向传播来不断调整 网络的权值跟阀值，使得网络的误差平方和最小。BP 神经网络拓扑结构包括输入层、隐含层和输出层。利用 BP 神经网络进行预测的主要步骤包括原始 数据的归一化、数据分类、神经网络的建立、模型训练、 实际预测、反归一化和预测结果的误差分析等。（三）应用此两种方法进行预测的已有研究成果 对未来的预测是人们在