基于BP神經網絡的租車需求預測研究

張偉勇+胡小海+胡恬恬+岳利

摘要：汽車租賃需求預測結果的準確性直接影響到企業的收益。為了提高預測結果的精度，通過提出BP神經網絡模型，依托于其強大的功能，對汽車租賃的需求進行預測。最后通過數值算例驗證了BP神經網絡預測方法的有效性和實用性。

關鍵字：汽車租賃；需求預測；BP神經網絡

引言：汽車租賃作為新興產業，從無到有，經歷了十多年的發展，市場日趨成熟。他是一種新型交通運輸服務業態，是綜合運輸體系的重要組成部分。隨著汽車租賃的快速發展，需求預測的重要性就越來越重要。而汽車租賃的需求預測應該是調查分析租車市場的基礎上，運用科學的預測方法，對未來的需求及其變化規律做出準確的預測，才能準確把握行業發展趨勢，使企業制定精準的策略。同樣的，新汽車的購進、租賃車輛的定價、租賃站點的擴建等都要依托于精確的需求數據。但由于汽車租賃的需求經常受到經濟發展水平、國家政策、產業結構等復雜因素的影響，致使回歸分析法、時間序列法等一系列單一預測方法具有一定的局限性。一般來說，對于平穩時間序列或非平穩的只有趨勢性的時間序列分別采用單參數指數、線性或曲線指數平滑模型進行預測比較有效，但對于既有季節又有趨勢的時間序列上述方法基本上是無效的[1]。神經網絡具有很強的非線性逼近性能及良好的自適應、聯想等功能，對于復雜因素影響有很好的解決效果[2]。

1 神經網絡基本原理

人工神經網絡（ANN）模型是模擬人腦結構和激勵行為的并行非線性系統，已成功地應用于信號分析、模式識別、圖像處理、自動控制等領域[3]。它主要是模仿人類大腦的神經系統，模型的構建是由大量的神經元組成，通常包含三層：輸入層、輸出層和隱含層。人工神經網絡吸收了人類大腦神經系統的諸多優點：有較強的并行處理能力；有較強的非線性處理能力；較強的容錯與記憶聯想能力；以及較強的自適應與自學習能力[4]。人工神經網絡根據學習方式的不同可分為有導師學習神經網絡和無導師學習神經網絡。具有代表性的有RBF神經網絡、Hopfield神經網絡、BP神經網絡。由于BP神經網絡結構簡單、可塑性強，特別的它的數學意義明確、結構算法分明，所以BP神經網絡得到廣泛的應用。

2 BP神經網絡結構

BP神經網絡（Back Propagation Network，反向傳播網絡）是一種多層前饋型人工神經網絡，其網絡結構通常包含輸出層、輸入層和隱含層。各層神經元與下一層所有的神經元通過賦予權值的連接進行信號傳遞。其基本原理是網絡學習、訓練是由兩個相反方向的過程構成，即信號正向傳遞和誤差反向傳播[5]。

利用Matlab軟件，采用本文建立的BP神經網絡預測模型，利用四個周期的需求量，對第五個周期的需求數據進行預測，預測結果見表2.

由表2可知，基于BP神經網絡的租車需求預測結果的最大相對誤差為8.75%，最小相對誤差為2.86%，說明文中提出的基于BP神經網絡對于汽車租賃的需求預測有很好的應用性，而且，預測精度也有一定的保障。

結論：汽車租賃需求預測是汽車租賃企業制定后續決策的重要基礎和主要依據。本文在相關文獻的基礎上，利用BP神經網絡模型對汽車租賃的需求預測進行了探討，該模型非常適合預測汽車租賃需求這具有明顯趨勢以及季節性的數據。最后通過數值算例，通過前四個周期的需求數據對第五周期的需求量進行了預測，驗證了該預測方法的可行性，可以為汽車租賃企業提供一定的決策依據。

參考文獻

[1] 李曉童. Holt-Winters模型與X-11模型在預測中的比較研究[J].中南大學學報，2000，16（2）：70-73.

[2] 凌浩，陳峻，王煒.用BP神經網絡預測下游交叉口進口交通量[J].交通標準化，2005（1）：38-40.

[3] 王慶榮.基于神經網絡與Holt-Winters模型的鐵路貨運量組合預測[J].蘭州交通大學學報，2010，29（4）

[4] 司昕. 預測方法中的神經網絡模型[J].預測，1998，12（2）：32-35