基于遗传算法优化的神经网络预测GDP.docx

基于遗传算法优化的神经网络预测GDP晏荣堂【摘要】GDP是宏观经济中最受关注的统计数据之一，也是政府制定经济发展战略的重要依据。传统GDP预测方法大多属于线性预测方法，而神经网络对非线性适应能力强。本文利用RBF网络建立GDP与其影响因素之间的非线性模型，通过分析因素之间的灰色关联度确定影响因子权重，并采用遗传算法优化RBF网络参数，提高预测精度。【关键词】GDP；RBF网络；遗传算法；预测TP183：A：2095-2457（2018）16-0004-002DOI：10.19694/j.cnki.issn2095-2457.2018.16.002【Abstract】Asamanifestationofacountrysoverallstrength，GDPisoneofthemostconcernedstatisticsinmacro-economy，anditisalsoanimportantbasisforthegovernmenttoformulateeconomicdevelopmentstrategy.ThetraditionalGDPforecastingmethodsaremostlylinearforecastingmethods，andtheneuralnetworkhasstrongadaptabilitytonon-linearforecasting.basedonRBFnetworkbasednonlinearmodelbetweentheGDPanditsinfluencefactors，throughtheanalysisofthegreycorrelationdegreebetweenthefactorsofimpactfactorweights，andparametersofRBFnetworkwasoptimizedbyusinggeneticalgorithm，improvethepredictionprecision.【Keywords】GDP；RBFnetwork；Geneticalgorithm；Prediction0引言國内生产总值是指在一定时期内，一个国家或地区的经济中所生产出的全部最终产品和劳务的价值，常被公认为衡量国家经济状况的最佳指标。GDP可以展示了一个国家经济状况，帮助政府判断国家经济是否健康，需要刺激经济发展还是需要控制经济膨胀。在经济领域预测的过程中，由于研究对象影响因素较复杂而且模式多为非线性；传统预测方法误差较大，精度难以满足要求。本文采用RBF网络预测和遗传算法优化RBF网络预测方法，并进行比较分析，给出结论。1RBF神经网络RBF神经网络即径向基函数神经网络。径向基函数神经网络是一种高效的前馈式神经网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快。同时，它也是一种可以广泛应用于模式识别、非线性函数逼近等领域的神经网络模型。图1为RBF网络结构，为多输入单输出得网络。2遗传算法遗传算法是一类借鉴生物界的进化规律演化而来的随机化搜索方法，不存在求导和函数连续性的限定，具有内在的隐并行性和更好的全局寻优能力，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法流程：（1）选择编码策略；（2）定义适应函数，便于计算适配值；（3）确定遗传策略，选择群体大小、选择、交叉、变异方法，以及确定交叉概率、变异概率等遗传参数；（4）随机产生初始种群；（5）计算种群个体的适配值；（6）按照遗传策略，运用选择、交叉和变异算子，得到下一代种群；（7）判断种群体性能是否满足指标，不满足则返回（5），或者更改遗传策略，继续计算，直到满足要求。3灰色关联度分析灰色系统理论的关联度分析方法，是灰色系统分析、预测、决策的基础。关联度可揭示事物动态关联的特征与程度，具有需求样本量少、不需要典型的分布规律等特点。4预测模型的建立及应用在MATLAB2014环境中编写程序进行测试。实验数据如表1所示。数据来源：《2016中国统计年鉴》其中的国内生产总值。预测模型设计：取1998年～2015年数据进行实验。对预测模型的输入变量进行分析：本模型以第一产业、第二产业、第三产业、农林牧渔业、工业、建筑业、批发零售业、交通运输仓储和邮政业、住宿和餐饮业、金融业、房地产业、其他12个主要因素作为自变量，计算与输出量——国内生产总值（亿元）的灰色关联度。将国内生产总值作为第一列数据，设MATLAB程序计算与其他因素之间的关联度。分析结果排序得：Oderga=[00.83930.86790.87540.91190.92160.92710.92800.92870.95760.98300.98390.9916]，序号对应次序：Indexga=[111121