楊文光， 嚴(yán)　哲， 于　健

(華北科技學(xué)院 基礎(chǔ)部， 河北 三河　065201)

?

基于混沌三次指數(shù)平滑模型的CPI預(yù)測研究

楊文光， 嚴(yán)哲， 于健

(華北科技學(xué)院 基礎(chǔ)部， 河北 三河065201)

摘要：提出了一種新的混沌三次指數(shù)平滑算法，該算法加入了遺傳算法的變異算子，可以實(shí)現(xiàn)混沌優(yōu)化選擇三次指數(shù)平滑模型中的平滑系數(shù).同時(shí)，引入了遺傳算法的種群概念，提高了算法的并行性運(yùn)算能力.通過CPI序列數(shù)據(jù)預(yù)測研究，進(jìn)行了算法的有效性驗(yàn)證.試驗(yàn)結(jié)果表明混沌三次指數(shù)平滑模型可以通過多次混沌迭代搜索，得到全局最優(yōu)的平滑系數(shù)，提高了最終預(yù)測精度.

關(guān)鍵詞：混沌優(yōu)化； 三次指數(shù)平滑模型； 變異算子； CPI

0引言

居民消費(fèi)價(jià)格指數(shù)(Consumer Price Index,CPI)是一個(gè)反映居民家庭一般所購買的消費(fèi)商品和服務(wù)價(jià)格水平變動(dòng)情況的宏觀經(jīng)濟(jì)指標(biāo).它是消

費(fèi)商品及服務(wù)項(xiàng)目的價(jià)格水平隨時(shí)間而變動(dòng)的相對數(shù)，是直觀反映居民家庭購買消費(fèi)商品及服務(wù)的價(jià)格水平的變動(dòng)情況.研究和預(yù)測CPI對于監(jiān)測和指導(dǎo)經(jīng)濟(jì)分析、決策具有非常重要的參考價(jià)值.不同的文獻(xiàn)分別使用小波分解自回歸模型[1]、GM(1,1)模型[2]、灰色加權(quán)馬爾科夫模型[3]、混沌神經(jīng)網(wǎng)絡(luò)模型[4]、貝葉斯時(shí)間序列預(yù)測模型[5]、T-S模糊神經(jīng)網(wǎng)絡(luò)組合模型[6]等.指數(shù)平滑法(ES)是由美國學(xué)者布朗(Robert G.Brown)首先提出，它是在移動(dòng)平均法的基礎(chǔ)上發(fā)展出的一種時(shí)間序列分析法，在經(jīng)濟(jì)、管理等預(yù)測方面獲得了廣泛成功應(yīng)用[7].例如，用于中短期經(jīng)濟(jì)發(fā)展趨勢預(yù)測，庫存預(yù)測，以及生產(chǎn)預(yù)測等.

指數(shù)平滑模型分為一次指數(shù)平滑、二次指數(shù)平滑和三次指數(shù)平滑.當(dāng)數(shù)據(jù)無明顯趨勢變化時(shí)，可使用一次指數(shù)平滑模型.二次指數(shù)平滑模型是對一次指數(shù)平滑的再平滑，它適合具有線性趨勢的時(shí)間序列.三次指數(shù)平滑模型是在二次指數(shù)平滑模型的基礎(chǔ)上再平滑，幾乎可以適用于所有時(shí)間序列數(shù)據(jù)預(yù)測問題.指數(shù)平滑法兼具了全期平均和移動(dòng)平均所長，既不舍棄過去的數(shù)據(jù)，又能夠隨著數(shù)據(jù)的遠(yuǎn)離，逐漸減少過去的影響力.其基本原理是，任一期的指數(shù)平滑值是本期實(shí)際觀察值與前一期指數(shù)平滑值的加權(quán)平均[8].本文對于CPI預(yù)測引入三次指數(shù)平滑模型，以期進(jìn)一步提高預(yù)測精度.

在指數(shù)平滑模型中，平滑系數(shù)的選擇是各期影響程度的重要體現(xiàn)，它取值的大小直接關(guān)系到各期數(shù)據(jù)預(yù)測的精確度[9].目前，平滑系數(shù)的選擇還存在很大的困難，有關(guān)平滑系數(shù)的確定涌現(xiàn)出了很多方法，比如，試算法、經(jīng)驗(yàn)判斷法、差分-比率-均值法等[9,10].但是這些方法對平滑系數(shù)的選擇存在很大的局限性，或者具有很大的隨意性、片面性與不確定性，或者計(jì)算非常的繁瑣.

本文將引用混沌優(yōu)化算法作用于平滑系數(shù)的選擇上，建立基于混沌優(yōu)化算法的三次指數(shù)平滑模型.在具體實(shí)施過程中，為了保證搜索到全局最優(yōu)的平滑系數(shù)，將結(jié)合遺傳算法的種群與變異算子改進(jìn)傳統(tǒng)的混沌優(yōu)化算法，提高計(jì)算的并行性，加快搜索速度.最后結(jié)合中國CPI序列數(shù)據(jù)，建立了改進(jìn)的混沌三次指數(shù)平滑CPI模型，通過與VAR模型、T-S模糊神經(jīng)網(wǎng)絡(luò)組合模型預(yù)測結(jié)果進(jìn)行比較，突出了本文所構(gòu)建模型的有效性和可行性.

1指數(shù)平滑法

指數(shù)平滑法來源于移動(dòng)平均法，且融合了時(shí)間序列各時(shí)期權(quán)數(shù)的加權(quán)平均內(nèi)容，根據(jù)使用對象和環(huán)境不同的需要，可以分別采用一次指數(shù)平滑法、二次指數(shù)平滑法與三次指數(shù)平滑法，甚至是更高次的指數(shù)平滑法.下面對三次指數(shù)平滑法做一簡單介紹.

三次指數(shù)平滑預(yù)測是對二次指數(shù)平滑的再平滑.它設(shè)計(jì)的基本思想是，預(yù)測值是以前觀測值的加權(quán)求和，且對不同的數(shù)據(jù)給予不同的權(quán)重，新數(shù)據(jù)給予較大的權(quán)重，舊數(shù)據(jù)給予較小的權(quán)重.

1.1　一次指數(shù)平滑法公式

(1)

1.2　二次指數(shù)平滑法公式

Yt+T=at+bt·T

(2)

1.3　三次指數(shù)平滑法公式

Yt+T=at+bt·T+ct·T2

(3)

其中,

bt=

在指數(shù)平滑模型中，平滑系數(shù)選擇是相當(dāng)重要的,它體現(xiàn)了各期的影響程度，關(guān)系到對各期數(shù)據(jù)預(yù)測的影響[3].平滑系數(shù)的確定現(xiàn)在涌現(xiàn)出了很多方法，比如，試算法、經(jīng)驗(yàn)判斷法、差分-比率-均值法等[3,4].但是這些方法對平滑系數(shù)的選擇存在很大的局限性，本文引用混沌體系作用于平滑系數(shù)的選擇上.

2基于三次指數(shù)平滑模型的混沌優(yōu)化算法

混沌現(xiàn)象是指發(fā)生在確定性系統(tǒng)中顯現(xiàn)出類隨機(jī)性、遍歷性、不確定性、不可預(yù)測性的不規(guī)則運(yùn)動(dòng).但是混沌并不是一片混亂，而是非線性動(dòng)力學(xué)的一種特有的運(yùn)動(dòng)形式，在無序中蘊(yùn)含著有序.基于混沌現(xiàn)象的遍歷性特點(diǎn)設(shè)計(jì)的混沌優(yōu)化算法是一種全局性優(yōu)化算法，體現(xiàn)了混沌現(xiàn)象豐富的時(shí)空狀態(tài)[11].為了尋找體現(xiàn)全局最優(yōu)的平滑系數(shù)α，避開主觀性影響，下面對于α的尋優(yōu)將采用混沌的遍歷性.

2.1　基于三次指數(shù)平滑模型改進(jìn)下的混沌優(yōu)化算法

一維Logistic映射從數(shù)學(xué)形式上來看是一個(gè)非常簡單的混沌映射，但卻具有非常復(fù)雜的動(dòng)力學(xué)行為，其表達(dá)式為：

xn=μxn-1(1-xn-1)

(4)

式中,μ∈[0,4]，xn∈[0,1]，n=0,1,2,…，此時(shí)系統(tǒng)處于混沌狀態(tài).當(dāng)μ=4時(shí)，Logistic處于完全混沌狀態(tài)，經(jīng)過N次迭代(N足夠的大)，系統(tǒng)便能夠遍歷區(qū)間中的所有值[12].在給定初值x0=0.01,μ=3.8情況下的運(yùn)行狀態(tài)如圖1所示，表現(xiàn)出非常明顯的混沌性、非周期性與非收斂性.

圖1　Logistic混沌狀態(tài)

基于三次指數(shù)平滑模型的混沌優(yōu)化算法將在原始混沌優(yōu)化算法基礎(chǔ)上引入改進(jìn)平滑系數(shù)α，通過與遺傳算法種群、變異算子等概念的融化，達(dá)到提高算法性能的目的[13,14]，算法的基本實(shí)現(xiàn)步驟設(shè)計(jì)如下：

Step 1隨機(jī)產(chǎn)生一初始種群，設(shè)種群個(gè)體數(shù)為n個(gè)，狀態(tài)值x∈[a,b]，選擇Logistic映射xn=μxn-1(1-xn-1)，將其帶入目標(biāo)函數(shù)f(x)=x×(b-a)+a；

Step 2通過隨機(jī)的方式產(chǎn)生種群的初始值xi0∈[0,1](i=1,…,n)，計(jì)算函數(shù)zi0=f(xi0)；然后將zi0帶入函數(shù)F(z).而F(z)為三次指數(shù)平滑模型均方誤差值函數(shù)，z為平滑系數(shù)；

Step 4進(jìn)行m次迭代，產(chǎn)生最終的最優(yōu)解F*和個(gè)體z*；

Step 5進(jìn)行二次載波，縮短搜索范圍，加強(qiáng)局部搜索，產(chǎn)生新的邊界a=a1,b=b1；

Step 6類似于第一次載波，生成種群，進(jìn)行若干次迭代，產(chǎn)生最優(yōu)個(gè)體z*，即平滑系數(shù).將其帶入三次指數(shù)平滑模型，得出預(yù)測結(jié)果.

2.2　算法說明

在算法實(shí)現(xiàn)過程中引入遺傳算法的種群概念目的在于使得算法具有并行性.混沌優(yōu)化算法可以保證算法具有全局搜索能力，使算法保持了良好的性能.在Step3中加入了遺傳算法的變異算子，其變異算子公式為：

其中，ai是第i個(gè)個(gè)體，以變異概率Pc對其進(jìn)行變異，amax為ai上界，amin為下界；f(g)=r2(1-g/Gmax)2，r2是一個(gè)隨機(jī)數(shù)，g是當(dāng)前迭代次數(shù)，Gmax是最大迭代數(shù).

在Step5中，進(jìn)行第二次載波，目的在于改變搜索尺度，進(jìn)行小范圍搜索，從次優(yōu)解找到最優(yōu)解.進(jìn)而選出最適平滑系數(shù)，建立最終的三次指數(shù)平滑模型.

3實(shí)例分析

利用上面所構(gòu)建算法對中國CPI序列數(shù)據(jù)建立三次平滑模型，從中國統(tǒng)計(jì)年鑒上選取以2000年1月到2013年2月的CPI數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，建立適當(dāng)模型，另外選擇2013年3月到5月的CPI數(shù)據(jù)作為測試數(shù)據(jù)，以便對模型進(jìn)行測試檢驗(yàn).在下面的算法實(shí)施過程中的一些重要參數(shù)選擇如下：算法混沌迭代次數(shù)為500次，變異概率Pc=0.001，種群個(gè)數(shù)為n=20.

圖2　混沌三次指數(shù)平滑模型預(yù)測

圖3　CPI預(yù)測均方誤差迭代變化值

為了更好地研究所構(gòu)建模型的特點(diǎn)，本文選擇向量自回歸(VAR)模型[15]、T-S模糊神經(jīng)網(wǎng)絡(luò)組合模型預(yù)測結(jié)果[6]對于同一組CPI數(shù)據(jù)進(jìn)行了預(yù)測比較，比較結(jié)果如表1所示.其中，方法1指代VAR模型，數(shù)據(jù)顯示相對誤差最大，方法2指代T-S模糊神經(jīng)網(wǎng)絡(luò)組合模型，相對誤差居中，表1數(shù)據(jù)顯示本文方法的相對誤差最小.

表1　三種預(yù)測模型比較結(jié)果

由上述實(shí)驗(yàn)證明，本文所建立模型相對于前兩種模型，預(yù)測精度有了一定程度的提高，在短期預(yù)測方面具有可行性，是一種有效可行的方法.

4結(jié)論

基于三次指數(shù)平滑模型的混沌優(yōu)化算法充分利用了時(shí)間序列的全部數(shù)據(jù)的內(nèi)在規(guī)律，三次指數(shù)平滑模型在處理過程中將數(shù)據(jù)進(jìn)行加權(quán)，簡潔方便，同時(shí)避免了人為指定平滑系數(shù)的局限，實(shí)現(xiàn)三次指數(shù)平滑模型性能的改善.

混沌優(yōu)化算法有自己的特性，它可以遍歷整個(gè)給定的空間，但混沌具有固有的不均勻性，本文在具體的處理過程中引入了遺傳算法的種群概念和變異算子操作，較好地克服了這種不均勻性，并且加強(qiáng)了算法的并行性.

總之，用混沌優(yōu)化算法選擇平滑系數(shù)，建立三次指數(shù)平滑模型，結(jié)合具有非線性、時(shí)變特點(diǎn)的CPI數(shù)據(jù)進(jìn)行了算法的有效性驗(yàn)證.結(jié)果表明本文所建立的模型具有可行性，短期預(yù)測性能優(yōu)化相關(guān)文獻(xiàn)，具有較好的推廣應(yīng)用價(jià)值.

參考文獻(xiàn)

[1] 陳升，李星野.基于小波分解自回歸模型的CPI預(yù)測[J].統(tǒng)計(jì)與決策，2012,28(1):18-20.

[2] 王曉東，史麗敏.基于最小一乘準(zhǔn)則GM(1,1)模型的CPI預(yù)測[J].統(tǒng)計(jì)與決策，2015,31(3):81-83.

[3] 田紅霞.基于兩次改進(jìn)灰色加權(quán)馬爾科夫模型的CPI預(yù)測[J].中北大學(xué)學(xué)報(bào)(自然科學(xué)版)，2015,36(2):113-117.

[4] 王維，范彥偉.基于混沌神經(jīng)網(wǎng)絡(luò)算法的CPI預(yù)測[J].統(tǒng)計(jì)與決策，2012,28(10)：22-24.

[5] 陳鎮(zhèn)坤，劉金山.基于MCMC的貝葉斯時(shí)間序列CPI預(yù)測模型[J].統(tǒng)計(jì)與決策，2015,31(3):65-67.

[6] 荀新新，張德生.基于T-S模糊神經(jīng)網(wǎng)絡(luò)組合模型的CPI預(yù)測[J].陜西科技大學(xué)學(xué)報(bào)(自然科學(xué)版)，2014,32(3):173-176.

[7] 安鴻志.時(shí)間序列分析與應(yīng)用[M].北京：科學(xué)出版社，1983.

[8] 侯瓊煌，楊航.基于三次指數(shù)平滑模型的霧靄天氣分析與預(yù)測[J].環(huán)境保護(hù)科學(xué)，2014,40(6):73-77.

[9] 王長江.指數(shù)平滑法中平滑系數(shù)的選擇研究[J].中北大學(xué)學(xué)報(bào)(自然科學(xué)版),2006,27(6):558-561.

[10] 張雪琴.關(guān)于“指數(shù)平滑法”的研究[J].內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(bào)，2006,27(4):153-156.

[11] 王凌，鄭大鐘.混沌優(yōu)化方法的研究進(jìn)展[J].計(jì)算技術(shù)與自動(dòng)化，2001,20(1):1-5.

[12] 梁瑞鑫，鄭德玲.基于區(qū)間套混沌搜索的混合優(yōu)化方法[J].北京科技大學(xué)學(xué)報(bào)，2002,24(3):342-344.

[13] 費(fèi)春國，韓正之.一種改進(jìn)的混沌優(yōu)化算法[J].控制理論與應(yīng)用,2006,23(3):471-474.

[14] 李亞東，李少遠(yuǎn).一種新的遺傳混沌優(yōu)化組合方法[J].控制理論與應(yīng)用,2002,19(1):143-145.

[15] 倪延延，張晉昕.向量自回歸模型擬合與預(yù)測效果評(píng)價(jià)[J].中國衛(wèi)生統(tǒng)計(jì),2014,31(1):53-56.

CPI forecasting based on chaotic cubic

exponential smoothing model

YANG Wen-guang, YAN Zhe, YU Jian

(Department of Basic Course, North China Institute of Science and Technology, Sanhe 065201, China)

Abstract:A new chaotic cubic exponential smoothing algorithm is proposed in this paper, which joined the mutation operator of genetic algorithm, and can be used to select the smoothing coefficient of cubic exponential smoothing model.At the same time, the concept of population genetic algorithm is introduced to improve the parallel computing ability of the algorithm.The validity of the algorithm is verified by CPI sequence data prediction.The experiment results show that the global optimal smoothing coefficient can be got by the chaotic cubic exponential smoothing model with many times of iteration,and the final prediction accuracy is improved.

Key words:chaotic optimization; cubic exponential; mutation operator; CPI

作者簡介:楊文光(1981-)，男，河北淶水人，講師，碩士，研究方向：模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)

基金項(xiàng)目：中央高?；究蒲袠I(yè)務(wù)費(fèi)資助項(xiàng)目(3142015040, 3142014127); 華北科技學(xué)院高等教育科學(xué)研究資助項(xiàng)目(HKJYZD201213,HKJYZD201336); 華北科技學(xué)院重點(diǎn)學(xué)科項(xiàng)目(HKXJZD201402)

*收稿日期:2015-09-17

中圖分類號(hào)：C81

文獻(xiàn)標(biāo)志碼：A

*文章編號(hào)：1000-5811(2015)06-0179-04