基于我国CPI时间序列的神经网络预测模型.pdfVIP

·16 · 价值工程 基于我国CPI时间序列的神经网络预测模型 NeuralNetworkForecastM odelBasedon theCPITimeSeries 郭庆春 GuoQingchun；孔令军 KongLingjun；崔文娟 CuiWenjuan； 寇立群 KouLiqun；史永博 ShiYongbo； 张小永 ZhangXiaoyong (陕西广播电视大学，西安 710068) (ShaanxiRadio＆rVUniversity，Xian710068，China) 摘要：近年来，我国的居民消费价格指数涨幅屡创新高。根据我 国1990年一2008年的CPI时间序列，首先利用时间序列分析方法确定输入向 量 ，然后应用改进BP算法的人工神经网络分别预测出2011年和2012年我国CPI将分别为 104．9和 105．2，实验结果证实了BP神经网络模型用 于CPI预测的准确性和可行性。 Abstract：Inrecentyears．ChinaSconsumerpriceindexrosecontinuestohitrecordhighs．AccordingtoChinaS1990-2008CPItimesequence．the paperfirstusestimeseriesanalysismethod todeterminethe inputvector then improvesartificialneur~ networkbasedon BP algorithm．Themodel respectivelypredictsCPIinChinain2011or2012yearwillbe104．9or105．2．TheexperimentalresultsthattheBPneuralnetworkmodelisusedfor forecastingaccuracyandfeasibilityoftheCPI． 关键词：BP神经网络；预测；居民消费价格指数；时间序列 Keywords：BP neur~ network；predict；CPI；timeseries 中图分类号：TP183 文献标识码 ：A 文章编号：1006—4311(2011)26—0016一O1 0 引言 分别组建了隐层节点数从 1—20的BP网络，经过大量试算，最后根 居民消费价格指数(ConsumerPriceIndex，CPI)是根据与居 民 据试报效果，确定了较为理想的隐层单元数是5。由于传统BP算法 生活密切相关的商品和劳务价格统计出来的物价变动指标，是反映 存在缺陷，因此采用 traingdm训练函数，traingdm(动量梯度下降反 宏观经济走势和衡量社会通涨或通缩水平的重要指标 ，CPI涨幅成 向传播算法)在对权重和阈值更新时不仅考虑当前的梯度方向，而 为管理者制定宏观经济政策、进行经济调控和央行公开市场操作的 且还考虑了前一时刻的梯度方向，从而降低了网络性能对参数调整 重要参考依据。 的敏感性，有效地抑制了局部极小，对传统的BP神经网络进行了改 目前常用的方法主要有回归估计模型、偏最小二乘法、ARCH 进，在实际应用中有更好的效果。 模型、ARMA模型和时间序列分析法，但是传统数学模型在实际应 利用 1990年一2002年的我国CPI数据作为训练样本，采用改 用方面都存在极大的困难。而神经网络 由于具有 自学习、自适应等 进BP算法的traingdm训练函数进行训练构建的神经网络，然后采 功能，特别适合处理非线性问题，在各种类型的建模中，显示了很强 用2003年一2008年的我国CPI数据作为检验样本 ，利用训练好的 的生命力，特别是在解决非线性问题等方面，具有一定的优越性 。 网络