基于PSO-BP算法的投资者年龄预测研究.pdfVIP

第30卷第9期现代计算机

2024年5月10日ModernComputer·61·

文章编号:1007‑1423（2024）09‑0061‑05DOI:10.3969/j.issn.1007‑1423.2024.09.011

基于PSO⁃BP算法的投资者年龄预测研究

邱麒添*

（广东技术师范大学数学与系统科学学院，广州510665）

摘要：标准的BP神经网络算法在训练过程中没有具体和明确的理论指导，容易陷入局部极小值以及泛化能力与训

练的矛盾等问题，因此提出粒子群（PSO）算法改进BP神经网络模型，选择资产、收入、债务、经济需求、时间观念五

个输入变量预测普通投资者的年龄，并与标准的BP算法比较分析。实验结果表明：PSO⁃BP算法比标准的BP算法在评

价指标上具有更低的平均绝对误差MSE、均方误差MAE、均方根误差RMSE以及平均绝对百分比误差MAPE，PSO⁃BP

算法能够更精确地预测到普通投资者的年龄值，具有更小的误差值，这对投资者的投资导向研究具有一定的参考价值。

关键词：BP算法；PSO⁃BP算法；预测分析

0引言数决定的适应度值，粒子的速度决定了粒子移

动的方向与距离，速度随自身及其他粒子的移

［1］

目前人工神经网络算法广泛运用了数据

动经验进行动态调整，实现个体在可解空间中

回归预测分析、数据分类分析、时间序列分析

的寻优方法。粒子群优化BP算法（PSO‑BP算

预测等，均取得了很好的效果，BP神经网络算

［4］

法）是有粒子群理论支持标准的BP算法，具

［2］

法（简称BP算法）在解决实际问题时具有较强

有更强的非线性函数极值寻优解决问题的能力，

的非线性映射能力、自适应和自学习能力、较［5］

可以找到最佳的初始权值和阈值，优化了BP

好的泛化和容错能力，但没有具体和明确的理

神经网络结构参数，提高了预测的精确度。下

论指导，容易陷入局部极值以及泛化能力与训

面通过PSO‑BP算法预测普通投资者的年龄情

练的矛盾等问题，因此提出几种改进的算法：［6］

况，并与标准的BP算法对比，分析两种情形

①增加动量项，修正权值增量；②学习率的动

下的四个评价指标以及真实值与预测值的误差

态调整（权值的变化对误差的影响）；③变梯度［7］

情况，选择最为合适的预测模型方法。

算法、拟牛顿法、弹性梯度算法、L‑M算法。

在实际问题的运用过程中，以上几种BP改1投资者数据来源以及数据预处理

进算法都是比较成熟和有效的处理方法，但仍本文部分数据来源于某银行的贷款收入数

不够完善