基于改進BP神經算法的農產品價格預測模型的構建與實現

魏明樺，鄭金貴

（1. 福州職業技術學院 計算機系，福建 福州 350007；2. 福建農林大學 品質所，福建 福州 350007）

基于改進BP神經算法的農產品價格預測模型的構建與實現

魏明樺1,2，鄭金貴2

（1. 福州職業技術學院 計算機系，福建 福州 350007；2. 福建農林大學 品質所，福建 福州 350007）

為了提高農產品價格預測精度，提出一種改進的BP神經網絡模型。先通過定性分析得到影響農產品價格波動的因子，然后采用MIV方法選擇強影響力的因子作為神經網絡輸入節點。并采用改進的算法進行學習，尋找最優的BP網絡結構。利用改進后的模型，實現了農產品價格的高精度仿真。

農產品價格；BP神經網絡；MIV；變學習率；附加動量

目前，有關農產品價格波動的研究主要集中在對其特征和原因的分析兩方面。這些研究認為，農產品價格波動特征復雜，并且未來仍存在很大的不確定性，農產品價格波動的原因，包括能源成本的提高、國際市場的沖擊、自然災害、消費結構升級和生物質能源的發展等[1-5]。并且，實物投資、貨幣供應數量、自然災害、國際市場等因素的短期作用，也能對農產品價格帶來影響[6-7]。但是，農產品價格與這些因素之間存在復雜的線性、非線性與互動關系，自變量與因變量之間是離散數據，無法用數學公式來表示。因此，必須構建一個能夠適應這種特性、反映它們之間關系的模型，從而能夠較為準確地預測農產品價格。目前，國內學者對于農產品價格的定量分析有幾種方式。比如，劉峰等[8]以白菜月價格數據為例，構建非平穩時間序列ARIMA(p d, q)模型并預測白菜未來的月價格；李艷等[9]通過使用RBF神經網絡探究農產品價格與畜牧業、林業與漁業等相關因素的交互關系，都取得了較好的成果。本研究構建農產品價格相關因素數據庫，并結合改進的Back Propagation（BP）神經網絡建模對農產品價格進行預測。

1 改進的BP神經網絡模型

1.1 BP神經網絡

Back Propagation（BP）神經網絡由輸入層、隱含層和輸出層組成，其中隱含層可以有多層。各層神經元之間沒有任何連接，僅相鄰層神經元之間有單項連接[10]。

BP算法優點較為突出，但是，它也存在一些不足：BP神經網絡在處理大量多維數據時，存在網絡結構不容易設計，收斂時間長，需要比較多的訓練次數等不足；BP神經網絡使用的最速下降法來源于非線性規劃，它的學習效率不高，收斂速度較慢，主要導致的原因是它使用誤差函數的負梯度方向來修改權值；算法容易收斂到局部極小。

針對這些不足，本研究結合了以下幾種改進方法來提高基本BP算法的效率。

1. 2 MIV（Mean Impact Value）

BP神經網絡中所包含的輸入數據是研究者們根據專業知識和經驗預先選擇好的，數據收集時不可避免的存在一些與輸出值相關度較低的干擾變量。本研究使用MIV（Mean Impact Value）方法來對大量的數據變量進行預處理，以去除相關度較低的變量。它的計算過程如下：

（1）在網絡訓練終止后，將訓練樣本P中的每一自變量特征在原值的基礎上加/減10%構成新的兩個訓練樣本P1和P2；

（2）將P1和P2分別作為仿真樣本利用已訓練好的網絡進行仿真，得到兩個仿真結果A1和A2；

（3）求出A1和A2的差值，即為該自變量對輸出產生的影響變化值（Impact Value）；

（4）最后將IV按照觀測例數平均得出該自變量對于因變量—網絡輸出的MIV。

按照上述步驟依次算出各個自變量的MIV值，MIV值的絕對值大小代表了自變量網絡結果的影響程度。通過保留絕對值大的自變量，去掉絕對值小的自變量，就實現了變量的篩選。

1.3 可變學習率算法

BP神經網絡有一個重要參數學習率η，其取值范圍在0-1。值越大，學習過程的權值修改越大。學習率取值如果太大，會導致權值學習過程的震蕩，如果太小，權值學習不容易穩定，直接導致神經網絡收斂過慢。可以使用變學習率學習算法來解決取值的問題。它指的是學習率在網絡構建初期較大，這時網絡收斂速度快，權值趨于穩定；隨著學習過程的進行，學習率不斷減小，網絡震蕩變小，趨于穩定。變學習率計算公式為：

式中，ηmax為最大學習率；ηmin為最小學習率；tmax為最大迭代次數；t為當前迭代次數。

結果表明，可變學習率算法對于減少訓練次數很有效。

1.4 附加動量方法

傳統BP網絡容易收斂到局部最小值，收斂速度慢。為避免這種缺陷，可以使用附加動量法修正權值，公式為：

式中：mc稱動量因子（MC），取值為0.95左右；wij為第i層到第j層的連接權值。

2 農產品價格預測設計

本研究把BP神經網絡同以上改進結合起來，首先使用MIV方法把輸入數據降維處理，然后在網絡設計訓練時結合使用變學習率學習算法和附加動量法，充分發揮它們各自的優點。并通過使用MATLAB編程實現，完成農產品價格的預測研究。

2.1 輸入層和輸出層設計

（1）數據庫建立

根據影響農產品價格的因素，選取相關26項指數作為樣本數據。查閱中國統計年鑒，選取1994-2011年共18組數據構建數據庫。

（2）使用MIV方法選取強影響因子作為輸入項

使用歸一化函數mapminmax對數據進行歸一化處理，使所有數據都轉化為[-1,1]之間的數，消除了數據之間的數量級差別，避免因為輸入輸出數據之間數量級的差別導致網絡預測誤差較大。

編程實現MIV神經網絡變量篩選。計算出26項指數的MIV值后，最終根據各個指數的MIV值高低，選取值較高的10個指數作為網絡的輸入項。它們分別是：人均國內生產總值，貨幣和準貨幣M2，居民消費水平指數，國內生產資料價格指數，主要農產品人均占有量，燃料和動力類購進價格指數，鄉村人口占總人口比例，農作物播種面積（糧食），農產品單位面積產量（糧食），國際農產品價格。

（3）輸出項的選擇

選取商品零售價格指數（糧食）作為網絡的輸出項。

2.2 隱含層設計

本研究使用三層BP神經網絡，也就是只使用一層隱含層。最佳隱含節點的確定可以根據以下經驗公式預估：

式中： m為輸入層節點數，n為輸出層節點數，a為0-10之間的常數。使用公式確定隱含節點取值范圍后，使用試湊法確定最佳的節點數。在本研究中，節點數目選6時，網絡預測值的誤差最小。

2.3 樣本

2.3.1 訓練樣本

數據庫中有1994-2011年共18組數據，我們使用除了1998年和2002年之外的16組數據作為訓練樣本，來訓練改進后的BP神經網絡。數據如表1所示。表1中Xi是之前所述的歸一化后的10個MIV值較高的指數。Y0是網絡輸出項商品零售價格指數（糧食）。

2.3.2 預測樣本

1994-2011年18組數據，選取1998年和2002年的數據作為驗證樣本。數據如表2所示。表2中Ti是之前所述的歸一化后的10個MIV值較高的指數。Y1是預測項商品零售價格指數（糧食）。

2.4 使用的神經網絡函數與結果分析

隱含層決定函數使用函數“tansig”，輸出層決定函數使用函數“purelin”，訓練函數使用函數“traingdm”。編程實現BP神經網絡的搭建、訓練與預測。網絡預測輸出結果如表3所示。

表1 訓練樣本

表2 預測樣本

表3 預測輸出結果

3 結論

通過定性分析，得到了影響農產品價格波動的影響因子，進而建立了影響因子數據庫。使用MIV方法對數據庫中的數據進行變量篩選，最終選中10個變量作為BP神經網絡的輸入項，使用商品零售價格指數（糧食）作為網絡的輸出項，訓練后的網絡預測誤差均小于10%。改進后的BP神經網絡模型為農產品價格預測提供了一種有效的預測工具。

[1] 程國強,徐雪高.改革開放以來我國農產品價格波動的回顧[J].重慶工學院學報:社會科學版,2009,23(4):1-3.

[2] 劉勇,王偉,易法海.我國通貨膨脹與農產品價格經濟增長動態關系分析[J].生態經濟,2009(2):61-65.

[3] 李敬輝,范志勇.利率調整和通貨膨脹預期對大宗商品價格波動的影響基于中國市場糧價和通貨膨脹關系的經驗研究[J].經濟研究,2005(6):61-68.

[4] 姜長云,張曉敏.近年來我國農產品成本變化的特點原因及趨勢分析[J].經濟研究參考,2009(58):9-28.

[5] 黃季煜,仇煥廣,Michielk,等.發展生物燃料乙醇對我國區域農業發展的影響分析[J].經濟學,2009,8(2):727-742.

[6] 張文軍,投資對農產品價格波動的傳導機制探究[J].廈門理工學院學報,2011,19(3):90-94.

[7] 王超,鮑鋒,新一輪農產品價格波動的成因及對策[M].經濟縱橫,2011(4):38-41.

[8] 劉峰,王儒敬,李傳席.ARIMA模型在農產品價格預測中的應用[J].計算機工程與應用,2009(25):238－239,248.

[9] 李艷,劉軍,農產品價格預測系統設計與實現[M].湖北農業科學,2011,50(14):2976-2978.

[10] 羅曉曙.人工神經網絡理論[M].桂林:廣西師范大學出版社,2005:31-32.

（責任編輯、校對：田敬軍）

The Construction and Implementation of the Prediction Model of Agricultural Product’s Price Based on the Improved BP Neural Network

WEI Ming-hua1,2, ZHENG Jin-gui2
(1. Computer Department, Fuzhou Polytechnic, Fuzhou 350007, China; 2. Agricultural Product Quality Institute, Fujian Agriculture and Forestry University, Fuzhou 350007, China)

An improved BP neural network model is proposed to improve the precision of the prediction of agricultural products. Firstly, the factors of price fluctuation of agricultural products are gotten through the qualitative analysis and then use the MIV method to choose the strong influent factors as the input nodes of a neural network. Find the optimal structure of BP network through the improved learning algorithm, and then use the improved model to realize the agricultural high precision simulation of the product price.

price of agricultural products; BP neural network; MIV; variable learning rate; momentum back propagation

TP389.1

A

1009-9115(2014)02-0066-03

10.3969/j.issn.1009-9115.2014.02.019

農業部948項目（2012-z30）

2013-09-29

魏明樺（1980-），男，福建福州人，博士研究生，講師，研究方向為網絡技術、神經網絡。