基于灰色关联和BP神经网络的汽车保有量预测

摘 要：为提高汽车保有量的预测准确性，运用灰色关联分析法，计算分析与汽车保有量相关的主要社会指标，确定汽车保有量的影响因子分别为国民总收入、人均GDP、进出口总额、城镇居民人均可支配收入、钢材产量、公路客运量和社会消费品零售总额。将所确定的因子作为汽车保有量的预测指标，建立基于BP神经网络的汽车保有量预测模型，并对模型进行应用测试。结果表明：BP神经网络模型具有较高的精度，最大相对误差为2.2%，平均相对误差为1.5%。，可为我国汽车保有量的预测研究提供方法支撑。

关键词：汽车保有量；预测；灰色关联分析；BP神经网络

中图分类号：U491.14 文献标识码：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

目前常用的方法有时间序列法、回归分析法、支持向量机、弹性系数法、灰色预测法、灰色马尔科夫预测法以及其他一些组合方法。时间序列法、弹性系数法以及一些基于灰色理论的组合预测法是根据汽车保有量的历史数据，来建立模型，这些方法虽然简单，但不能反映各因子之间的内在联系，在进行多个控制变量因子时，不能很好地应对。回归分析法在进行建模时往往会存在一定的假设，预测精度会偏低。本文通过定性分析汽车保有量的相关社会指标，运用灰色关联分析法定量的计算了汽车保有与各相关社会指标间的关联度，确定了汽车保有量的影响因子。运用BP神经网络的方法建立了汽车保有的预测模型，并对该模型的精度进行了测试，经测试该方法预测精度较高，具有较好的应用前景。

2 基于灰色关联法的汽车保有量影响因素

分析

汽车保有量与相关的社会指标有着紧密的联系。从理论上讲，模型输入的影响因子越多，模型的预测精度会越好。但是，在实际操作中选取的指标过多，模型就会变得过于复杂，反而不能有效地解决实际问题，也会影响到模型后续的计算速度。同时，过多的预测指标可能会导致各影响因子之间有较强的相关性而使计算困难。因此，在选取模型的输入因子时，要尽量较少一些，并且各影响因子之间要具有较强的独立性。

3 基于BP神经网络汽车保有量预测模型

建立

3.1 BP神经网络的原理

神经网络是基于模仿人类大脑神经结构和功能而建立起来的一种多层前馈型信息处理系统，含有三层结构，即输入层、隐含层和输出层。BP神经网络（Back-Propagation Network）是利用非线性可微分函数进行权值训练的多层神经网络，利用输出后的误差来估计输出层的直接前导层误差，进而估计更前一层的误差[13-15]。有研究发现，BP神经网络能够以任意精度逼近任意给定函数。

3.2 BP神经网络模型的构建

5 结 论

研究了汽车保有量的预测指标及预测方法，主要结论如下：

1）本文运用灰色关联分析方法定性地分析了汽车保有量与相关社会指标间的关联性，根据相关性计算结果，提出了预测汽车保有量的指标分别为国民总收入、人均GDP、进出口总额、城镇居民人均可支配收入、钢材产量、公路客运量和社会消费品零售总额。

3）文中样本数据较少，该预测模型仍存在一定的误差，若增加训练样本数据量，则模型将会达到更好的预测效果。

参考文献

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

[4] 陈远通. 汽车保有量预测技术方法及其应用[D]. 广州： 华南理工大学， 2010.

[6] 曹晓飞， 邵春福. 运用弹性系数法预测北京机动车保有量[J]. 道路交通与安全， 2008， 8（4）： 31-34.

[7] 朱开永， 周圣武， 娄可元， 等. 基于私家车保有量预测与调控的灰色模型研究[J]. 中国矿业大学学报， 2008， 37（6）： 868-872.

[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.