基于灰色關聯(lián)和BP神經(jīng)網(wǎng)絡的汽車保有量預測

摘 要：為提高汽車保有量的預測準確性，運用灰色關聯(lián)分析法，計算分析與汽車保有量相關的主要社會指標，確定汽車保有量的影響因子分別為國民總收入、人均GDP、進出口總額、城鎮(zhèn)居民人均可支配收入、鋼材產(chǎn)量、公路客運量和社會消費品零售總額。將所確定的因子作為汽車保有量的預測指標，建立基于BP神經(jīng)網(wǎng)絡的汽車保有量預測模型，并對模型進行應用測試。結果表明：BP神經(jīng)網(wǎng)絡模型具有較高的精度，最大相對誤差為2.2%，平均相對誤差為1.5%。，可為我國汽車保有量的預測研究提供方法支撐。

關鍵詞：汽車保有量；預測；灰色關聯(lián)分析；BP神經(jīng)網(wǎng)絡

中圖分類號：U491.14 文獻標識碼：A

Abstract：In order to improve the forecast ability of car ownership，by using gray correlation method，this paper analyzed the main factors related to car ownership，which are gross national income， per capita GDP， gross import and export， urban resident disposable income， steel output， highway passenger transport volume， total retail sales of consumer goods. The prediction model of car ownership was established based on BP neural network， and then verified with tests. The results show that car ownership can be predicted accurately by the model based on BP neural network. The maximum relative error is 2.2% and the average relative error is 1.5%.In addition， this predictive model provided a method for car ownership.

Key words：car ownership； prediction；grey relational analysis； BP neural network

1 引 言

汽車產(chǎn)業(yè)是我國的支柱產(chǎn)業(yè)，它能夠推進很多產(chǎn)業(yè)的發(fā)展。我國25%的鋼鐵、58%的橡膠、50%的玻璃和47%的石油等均用于汽車產(chǎn)業(yè)。隨著汽車相關技術的發(fā)展，汽車制造成本的逐漸降低，2013年底我國汽車保有量已達1.37億輛。近20年來，我國汽車的產(chǎn)銷量增長了近15倍，汽車保有量急劇增長。但是汽車保有量的增長必然會帶來交通、環(huán)境污染、能源等問題。科學預測是制定科學決策和科學計劃的前提[1-2]，合理、準確地預測我國汽車的保有量，對道路交通的發(fā)展、汽車工業(yè)的發(fā)展、以及其他相關聯(lián)產(chǎn)業(yè)都具有很好的實際意義[3-4]。

Dargay等利用多個國家的歷史數(shù)據(jù)資料，建立了汽車保有量預測模型[5]；曹曉飛等運用彈性系數(shù)法對北京的機動車保有量進行了預測[6]；周開勇等運用灰色預測法進行了私家車保有量的建模[7]；仲偉周等運用因子分析法分析得出了影響民用汽車保有量的影響因子[8]；朱燦等用ARIMA和Logistic回歸方法構建了汽車保有量的預測模型[9]；朱海清等在路網(wǎng)廣義計算模型的基礎上，建立了路網(wǎng)服務水平影響下的路網(wǎng)容量計算模型，對路網(wǎng)容量下各類機動車保有量進行了預測[10]；王琦等用多種方法對城市汽車保有量進行了預測，通過熵值法確定各預測模型的加權系數(shù)，建立組合預測模型；Godfrey等運用指數(shù)平滑方法進行公路客運量預測[11]；Suryani等運用系統(tǒng)動力學預測方法建立了客運量預測模型[12]；楊艷妮等基于支持向量機理論建立了私人汽車汽車保有量滾動預測模型。

目前常用的方法有時間序列法、回歸分析法、支持向量機、彈性系數(shù)法、灰色預測法、灰色馬爾科夫預測法以及其他一些組合方法。時間序列法、彈性系數(shù)法以及一些基于灰色理論的組合預測法是根據(jù)汽車保有量的歷史數(shù)據(jù)，來建立模型，這些方法雖然簡單，但不能反映各因子之間的內在聯(lián)系，在進行多個控制變量因子時，不能很好地應對。回歸分析法在進行建模時往往會存在一定的假設，預測精度會偏低。本文通過定性分析汽車保有量的相關社會指標，運用灰色關聯(lián)分析法定量的計算了汽車保有與各相關社會指標間的關聯(lián)度，確定了汽車保有量的影響因子。運用BP神經(jīng)網(wǎng)絡的方法建立了汽車保有的預測模型，并對該模型的精度進行了測試，經(jīng)測試該方法預測精度較高，具有較好的應用前景。

2 基于灰色關聯(lián)法的汽車保有量影響因素

分析

汽車保有量與相關的社會指標有著緊密的聯(lián)系。從理論上講，模型輸入的影響因子越多，模型的預測精度會越好。但是，在實際操作中選取的指標過多，模型就會變得過于復雜，反而不能有效地解決實際問題，也會影響到模型后續(xù)的計算速度。同時，過多的預測指標可能會導致各影響因子之間有較強的相關性而使計算困難。因此，在選取模型的輸入因子時，要盡量較少一些，并且各影響因子之間要具有較強的獨立性。

結合相關文獻，遵循實際要求，選取與汽車保有量的相關因子分別為國民總收入、人均GDP、人口總量、城市化率、固定資產(chǎn)投資總額、進出口總額、城鎮(zhèn)居民人均可支配收入、鋼材產(chǎn)量、公路貨運量、公路客運量和社會消費品總額，共計11個影響因子。根據(jù)《中國統(tǒng)計年鑒》獲得1994年～2012年汽車保有量與選取的各相關因子的統(tǒng)計數(shù)據(jù)見表1。

從表2中可以看出，所選取的11個因子與汽車保有量關聯(lián)性較強的，即關聯(lián)度大于0.80的有國民總收入、人均GDP、進出口總額、城鎮(zhèn)居民人均可支配收入、鋼材產(chǎn)量、公路客運量和社會消費品零售總額。所以最終選取上述7個因子作為汽車保有量預測模型的輸入指標。

3 基于BP神經(jīng)網(wǎng)絡汽車保有量預測模型

建立

3.1 BP神經(jīng)網(wǎng)絡的原理

神經(jīng)網(wǎng)絡是基于模仿人類大腦神經(jīng)結構和功能而建立起來的一種多層前饋型信息處理系統(tǒng)，含有三層結構，即輸入層、隱含層和輸出層。BP神經(jīng)網(wǎng)絡（Back-Propagation Network）是利用非線性可微分函數(shù)進行權值訓練的多層神經(jīng)網(wǎng)絡，利用輸出后的誤差來估計輸出層的直接前導層誤差，進而估計更前一層的誤差[13-15]。有研究發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡能夠以任意精度逼近任意給定函數(shù)。

3.2 BP神經(jīng)網(wǎng)絡模型的構建

5 結 論

研究了汽車保有量的預測指標及預測方法，主要結論如下：

1）本文運用灰色關聯(lián)分析方法定性地分析了汽車保有量與相關社會指標間的關聯(lián)性，根據(jù)相關性計算結果，提出了預測汽車保有量的指標分別為國民總收入、人均GDP、進出口總額、城鎮(zhèn)居民人均可支配收入、鋼材產(chǎn)量、公路客運量和社會消費品零售總額。

2）運用所提出的相關預測指標為模型的輸入，建立了基于BP神經(jīng)網(wǎng)絡汽車保有量預測模型。經(jīng)測試該模型具有較小的誤差（最小相對誤差為1.1%，平均相對誤差為2.78%），能夠很好地應用于實際。

3）文中樣本數(shù)據(jù)較少，該預測模型仍存在一定的誤差，若增加訓練樣本數(shù)據(jù)量，則模型將會達到更好的預測效果。

參考文獻

[1] 郎茂祥. 預測理論與方法[M]. 北京： 清華大學出版社，2011.

[2] POTOGLOU D， SUSILO Y. Comparison of car ownership models[J]. Transportation Research Record， 2008（2076）：97-105.

[3] 孫璐， 郁燁， 顧文鈞. 基于PCA和HMM的汽車保有量預測方法[J]. 交通運輸工程學報，2013，13（2）：92-98.

[4] 陳遠通. 汽車保有量預測技術方法及其應用[D]. 廣州： 華南理工大學， 2010.

[5] DARGAY J， GATELY D. Incomes effevt on car and vehicle owership， worldwide：1960-2015[J]. Transportation Research Part A： Policy and Practice， 1999， 33（2）： 101-138.

[6] 曹曉飛， 邵春福. 運用彈性系數(shù)法預測北京機動車保有量[J]. 道路交通與安全， 2008， 8（4）： 31-34.

[7] 朱開永， 周圣武， 婁可元， 等. 基于私家車保有量預測與調控的灰色模型研究[J]. 中國礦業(yè)大學學報， 2008， 37（6）： 868-872.

[8] 仲偉周， 王軍. 基于因子分析法的中國民用汽車保有量影響因素分析及其政策含義[J]. 統(tǒng)計與信息論壇， 2008， 23（11）： 16-20.

[9] 朱燦， 周和平， 鐘璧檣. 基于混合RBF網(wǎng)絡模型的汽車保有量組合預測[J]. 長沙理工大學學報：自然科學版， 2011， 8（2）： 13-16.

[10]朱海清， 陳學武. 路網(wǎng)服務水平影響下的機動車規(guī)模預測[J]. 交通運輸工程與信息學報，2005， 3（4）： 80-85.

[11]GODFREY G A， POWRLL W B. An adaptive dynamic programming algorithm for dynamic fleet management，Ⅱ：multiperiod travel times[J].transportation Science，2002，36（1）：40-54.

[12]SUYANI E， CHOU S Y， CHEN C H.Air passenger demand forecasting and passenger terminal capacity expansion：a system dynamics framework[J].Expert Systems with Applications，2010，37（3）：2324-2339.

[13]王棟. 山區(qū)高速公路車輛行駛狀態(tài)監(jiān)測及預警方法研究[D]. 西安： 長安大學， 2013.

[14]Maniezzo， V. Genetic evolution of the topology and weight distributi on of neural networks[J]. IEEE Transactions of Nerual Networks， 1994， 5（1）： 39- 53.

[15]王棟，鄧北川，仇建華，等. 山區(qū)高速公路直線段車速預測方法[J].交通科學與工程，2014，30（2）：81-86.