基于BP神经网络广东省第三产业就业人口数量预测研究.docVIP

基于BP神经网络广东省第三产业就业人口数量预测研究 　　摘 要：宏观经济政策的制定必然要参照各次产业发展水平，故研究产业发展规模变化趋势就显得十分必要。文章通过BP神经网络，对广东省第三产业就业人口数量进行分析，并以2016年的《广东省统计年鉴》提供的数据为依据建立预测模型，结果表明：该模型最大误差为5.26%，满足预期要求，实际值和预测值的拟合关系较为理想，证实了所述方法的有效性。 　　关键词：BP神经网络；广东省第三产业；就业人口数量；预测 　　近年来，随着我国经济实力的发展和产业结构的迅速升级，第三产业从业者数量在我国就业人口数量中所占比重逐渐增大，第三产业的兴旺已成为现代经济发展的重要特征。鉴于第三产业在国民经济中的重要地位，本文以广东省第三产业就业人口数量作为研究对象，使用反向传播（Back Propagation，BP）神经网络方法，研究了广东省第三产业就业人口数量的预测模型。 　　目前国内关于就业人口数量的建模方法较多，应用较为广泛的有灰色理论及神经网络建立的就业预测模型[1]，以及利用BP神经网络预测大学生就业模型[2]。关于第三产业的相关建模方法也较为多见，但都集中在对第三产业GDP的建模研究，如采用时间序列法[3]、回归分析法[4]对GDP进行建模，甚少涉及就业人口的建模研究。因此，本文利用BP神经网络方法，结合广东省近12年来第三产业就业人口数量，建立预测模型，以期为广东省第三产业的未来发展趋势提供理论依据。 　　1 BP神经网络模型原理 　　1.1 BP神经网络的结构 　　BP神经网络是一种单向传播的多层前馈网络，在当前人工神经网络算法中得到广泛应用。它包括输入层、隐含层和输出层，同层节点之间互不相连，而层与层之间全互联。输入层和输出层的节点个数由输入、输出向量的维数决定，隐含层节点个数没有确定的标准，需通过反复试验确定。理论表明，三层BP神经网络能以任意精度逼近任何连续函数，其拓扑结构如图1所示。因此，本文采用三层BP神经网络对广东省第三产业就业人口数量进行预测分析。 　　1.2 BP神经网络的算法 　　BP算法也称误差反向传播算法，它通过对各层之间神经元连接权值的反复学习，减小误差，得到最终的神经网络模型。对于如图1所示的三层神经网络，其算法计算步骤[5]如下： 　　（1）采用最小随机数方法初始化所有的加权系数； 　　（2）提供输入向量[x1，x2，…，xn]和输出向量[y1，y2，…，ym]作为网络训练样本； 　　（3）计算各神经元的实际输出，如式（1） 　　（1） 　　（4）计算实际输出值与期望值的误差，如式（2） 　　（2） 　　（5）修正输出层的权值Wim及隐含层的权值Wni； 　　（6）判断是否满足误差要求（J≤ε），若满足则结束，不满足则返至第3步，直到满足误差要求。 　　图1 BP神经网络拓扑结构 　　2 BP神经网络在广东省第三产业就业人口预测中的应用2.1 样本选取与预处理 　　本文以广东省2004―2015年的就业人员年末人数为建模样本，进行预测研究，样本数据如表1所示。 　　为了提高样本数据对网络的正确应答能力，需要将构造样本中原始数据作归一化预处理，采用线性归一处理方法，即： 　　（3） 　　式中：i=1，2，…，，n；xi代表第i个样本的取值大小；min（x）为所有样本数据中的最小值；max（x）为所有样本数据中的最大值。xi的取值范围为0～1。人口预测完毕后，再将归一化后的数据按照反归一化处理。 　　数据来源：《广东省统计年鉴》，2016年版，广东省统计局编，中国统计出版社出版。 　　2.2 预测广东省第三产业就业人口的神经网络结构设计 　　本文利用SPSS软件对构建的BP神经网络进行训练，从2004年开始进行样本输入，每4年样本作为一组，样本数据共分为9组，每组中：前3年的数据作为输入，第4年作为输出。9组样本数据中，前6组用于训练神经网络，后3组用于检验预测结果，训练数据和检验数据如表2―3所示。 　　模型选用常见的3层结构，分别为输入层、隐含层和输出层。输入层有3个神经元，输出层有1个神经元，隐含层神经元经试算为20个。通过对BP神经网络模型相关参数的不断试验和调整，最终确定了隐藏层采用logsig传递函数，输出层采用purelin传递函数，网络训练算法采用traingd，选择5 000作为最大训练次数，0.001作?槟勘晡蟛钪担?0.05作为初始学习率。在构建BP神经网络预测模型前，需要按照公式（3）对所有输入数据进行归一化处理，输出数据后再进行反归一化处理。实际值与预测值对比如表4所示。 　　由表4可知，所建立的BP神经网络在预测2007―2012年广东省第三产业就业人口数量时，最大误差不超过5.26%，