摘 要：為提高汽車保有量的預(yù)測(cè)準(zhǔn)確性，運(yùn)用灰色關(guān)聯(lián)分析法，計(jì)算分析與汽車保有量相關(guān)的主要社會(huì)指標(biāo)，確定汽車保有量的影響因子分別為國(guó)民總收入、人均GDP、進(jìn)出口總額、城鎮(zhèn)居民人均可支配收入、鋼材產(chǎn)量、公路客運(yùn)量和社會(huì)消費(fèi)品零售總額。將所確定的因子作為汽車保有量的預(yù)測(cè)指標(biāo)，建立基于BP神經(jīng)網(wǎng)絡(luò)的汽車保有量預(yù)測(cè)模型，并對(duì)模型進(jìn)行應(yīng)用測(cè)試。結(jié)果表明：BP神經(jīng)網(wǎng)絡(luò)模型具有較高的精度，最大相對(duì)誤差為2.2%，平均相對(duì)誤差為1.5%。，可為我國(guó)汽車保有量的預(yù)測(cè)研究提供方法支撐。

關(guān)鍵詞：汽車保有量；預(yù)測(cè)；灰色關(guān)聯(lián)分析；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：U491.14 文獻(xiàn)標(biāo)識(shí)碼：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

汽車產(chǎn)業(yè)是我國(guó)的支柱產(chǎn)業(yè)，它能夠推進(jìn)很多產(chǎn)業(yè)的發(fā)展。我國(guó)25%的鋼鐵、58%的橡膠、50%的玻璃和47%的石油等均用于汽車產(chǎn)業(yè)。隨著汽車相關(guān)技術(shù)的發(fā)展，汽車制造成本的逐漸降低，2013年底我國(guó)汽車保有量已達(dá)1.37億輛。近20年來，我國(guó)汽車的產(chǎn)銷量增長(zhǎng)了近15倍，汽車保有量急劇增長(zhǎng)。但是汽車保有量的增長(zhǎng)必然會(huì)帶來交通、環(huán)境污染、能源等問題?？茖W(xué)預(yù)測(cè)是制定科學(xué)決策和科學(xué)計(jì)劃的前提[1-2]，合理、準(zhǔn)確地預(yù)測(cè)我國(guó)汽車的保有量，對(duì)道路交通的發(fā)展、汽車工業(yè)的發(fā)展、以及其他相關(guān)聯(lián)產(chǎn)業(yè)都具有很好的實(shí)際意義[3-4]。

Dargay等利用多個(gè)國(guó)家的歷史數(shù)據(jù)資料，建立了汽車保有量預(yù)測(cè)模型[5]；曹曉飛等運(yùn)用彈性系數(shù)法對(duì)北京的機(jī)動(dòng)車保有量進(jìn)行了預(yù)測(cè)[6]；周開勇等運(yùn)用灰色預(yù)測(cè)法進(jìn)行了私家車保有量的建模[7]；仲偉周等運(yùn)用因子分析法分析得出了影響民用汽車保有量的影響因子[8]；朱燦等用ARIMA和Logistic回歸方法構(gòu)建了汽車保有量的預(yù)測(cè)模型[9]；朱海清等在路網(wǎng)廣義計(jì)算模型的基礎(chǔ)上，建立了路網(wǎng)服務(wù)水平影響下的路網(wǎng)容量計(jì)算模型，對(duì)路網(wǎng)容量下各類機(jī)動(dòng)車保有量進(jìn)行了預(yù)測(cè)[10]；王琦等用多種方法對(duì)城市汽車保有量進(jìn)行了預(yù)測(cè)，通過熵值法確定各預(yù)測(cè)模型的加權(quán)系數(shù)，建立組合預(yù)測(cè)模型；Godfrey等運(yùn)用指數(shù)平滑方法進(jìn)行公路客運(yùn)量預(yù)測(cè)[11]；Suryani等運(yùn)用系統(tǒng)動(dòng)力學(xué)預(yù)測(cè)方法建立了客運(yùn)量預(yù)測(cè)模型[12]；楊艷妮等基于支持向量機(jī)理論建立了私人汽車汽車保有量滾動(dòng)預(yù)測(cè)模型。

目前常用的方法有時(shí)間序列法、回歸分析法、支持向量機(jī)、彈性系數(shù)法、灰色預(yù)測(cè)法、灰色馬爾科夫預(yù)測(cè)法以及其他一些組合方法。時(shí)間序列法、彈性系數(shù)法以及一些基于灰色理論的組合預(yù)測(cè)法是根據(jù)汽車保有量的歷史數(shù)據(jù)，來建立模型，這些方法雖然簡(jiǎn)單，但不能反映各因子之間的內(nèi)在聯(lián)系，在進(jìn)行多個(gè)控制變量因子時(shí)，不能很好地應(yīng)對(duì)?；貧w分析法在進(jìn)行建模時(shí)往往會(huì)存在一定的假設(shè)，預(yù)測(cè)精度會(huì)偏低。本文通過定性分析汽車保有量的相關(guān)社會(huì)指標(biāo)，運(yùn)用灰色關(guān)聯(lián)分析法定量的計(jì)算了汽車保有與各相關(guān)社會(huì)指標(biāo)間的關(guān)聯(lián)度，確定了汽車保有量的影響因子。運(yùn)用BP神經(jīng)網(wǎng)絡(luò)的方法建立了汽車保有的預(yù)測(cè)模型，并對(duì)該模型的精度進(jìn)行了測(cè)試，經(jīng)測(cè)試該方法預(yù)測(cè)精度較高，具有較好的應(yīng)用前景。

2 基于灰色關(guān)聯(lián)法的汽車保有量影響因素

分析

汽車保有量與相關(guān)的社會(huì)指標(biāo)有著緊密的聯(lián)系。從理論上講，模型輸入的影響因子越多，模型的預(yù)測(cè)精度會(huì)越好。但是，在實(shí)際操作中選取的指標(biāo)過多，模型就會(huì)變得過于復(fù)雜，反而不能有效地解決實(shí)際問題，也會(huì)影響到模型后續(xù)的計(jì)算速度。同時(shí)，過多的預(yù)測(cè)指標(biāo)可能會(huì)導(dǎo)致各影響因子之間有較強(qiáng)的相關(guān)性而使計(jì)算困難。因此，在選取模型的輸入因子時(shí)，要盡量較少一些，并且各影響因子之間要具有較強(qiáng)的獨(dú)立性。

結(jié)合相關(guān)文獻(xiàn)，遵循實(shí)際要求，選取與汽車保有量的相關(guān)因子分別為國(guó)民總收入、人均GDP、人口總量、城市化率、固定資產(chǎn)投資總額、進(jìn)出口總額、城鎮(zhèn)居民人均可支配收入、鋼材產(chǎn)量、公路貨運(yùn)量、公路客運(yùn)量和社會(huì)消費(fèi)品總額，共計(jì)11個(gè)影響因子。根據(jù)《中國(guó)統(tǒng)計(jì)年鑒》獲得1994年～2012年汽車保有量與選取的各相關(guān)因子的統(tǒng)計(jì)數(shù)據(jù)見表1。

從表2中可以看出，所選取的11個(gè)因子與汽車保有量關(guān)聯(lián)性較強(qiáng)的，即關(guān)聯(lián)度大于0.80的有國(guó)民總收入、人均GDP、進(jìn)出口總額、城鎮(zhèn)居民人均可支配收入、鋼材產(chǎn)量、公路客運(yùn)量和社會(huì)消費(fèi)品零售總額。所以最終選取上述7個(gè)因子作為汽車保有量預(yù)測(cè)模型的輸入指標(biāo)。

3 基于BP神經(jīng)網(wǎng)絡(luò)汽車保有量預(yù)測(cè)模型

建立

3.1 BP神經(jīng)網(wǎng)絡(luò)的原理

神經(jīng)網(wǎng)絡(luò)是基于模仿人類大腦神經(jīng)結(jié)構(gòu)和功能而建立起來的一種多層前饋型信息處理系統(tǒng)，含有三層結(jié)構(gòu)，即輸入層、隱含層和輸出層。BP神經(jīng)網(wǎng)絡(luò)（Back-Propagation Network）是利用非線性可微分函數(shù)進(jìn)行權(quán)值訓(xùn)練的多層神經(jīng)網(wǎng)絡(luò)，利用輸出后的誤差來估計(jì)輸出層的直接前導(dǎo)層誤差，進(jìn)而估計(jì)更前一層的誤差[13-15]。有研究發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近任意給定函數(shù)。

3.2 BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

5 結(jié) 論

研究了汽車保有量的預(yù)測(cè)指標(biāo)及預(yù)測(cè)方法，主要結(jié)論如下：

1）本文運(yùn)用灰色關(guān)聯(lián)分析方法定性地分析了汽車保有量與相關(guān)社會(huì)指標(biāo)間的關(guān)聯(lián)性，根據(jù)相關(guān)性計(jì)算結(jié)果，提出了預(yù)測(cè)汽車保有量的指標(biāo)分別為國(guó)民總收入、人均GDP、進(jìn)出口總額、城鎮(zhèn)居民人均可支配收入、鋼材產(chǎn)量、公路客運(yùn)量和社會(huì)消費(fèi)品零售總額。

2）運(yùn)用所提出的相關(guān)預(yù)測(cè)指標(biāo)為模型的輸入，建立了基于BP神經(jīng)網(wǎng)絡(luò)汽車保有量預(yù)測(cè)模型。經(jīng)測(cè)試該模型具有較小的誤差（最小相對(duì)誤差為1.1%，平均相對(duì)誤差為2.78%），能夠很好地應(yīng)用于實(shí)際。

3）文中樣本數(shù)據(jù)較少，該預(yù)測(cè)模型仍存在一定的誤差，若增加訓(xùn)練樣本數(shù)據(jù)量，則模型將會(huì)達(dá)到更好的預(yù)測(cè)效果。

參考文獻(xiàn)

[1] 郎茂祥. 預(yù)測(cè)理論與方法[M]. 北京： 清華大學(xué)出版社，2011.

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

[3] 孫璐， 郁燁， 顧文鈞. 基于PCA和HMM的汽車保有量預(yù)測(cè)方法[J]. 交通運(yùn)輸工程學(xué)報(bào)，2013，13（2）：92-98.

[4] 陳遠(yuǎn)通. 汽車保有量預(yù)測(cè)技術(shù)方法及其應(yīng)用[D]. 廣州： 華南理工大學(xué)， 2010.

[5] DARGAY J， GATELY D. Incomes effevt on car and vehicle owership， worldwide：1960-2015[J]. Transportation Research Part A： Policy and Practice， 1999， 33（2）： 101-138.

[6] 曹曉飛， 邵春福. 運(yùn)用彈性系數(shù)法預(yù)測(cè)北京機(jī)動(dòng)車保有量[J]. 道路交通與安全， 2008， 8（4）： 31-34.

[7] 朱開永， 周圣武， 婁可元， 等. 基于私家車保有量預(yù)測(cè)與調(diào)控的灰色模型研究[J]. 中國(guó)礦業(yè)大學(xué)學(xué)報(bào)， 2008， 37（6）： 868-872.

[8] 仲偉周， 王軍. 基于因子分析法的中國(guó)民用汽車保有量影響因素分析及其政策含義[J]. 統(tǒng)計(jì)與信息論壇， 2008， 23（11）： 16-20.

[9] 朱燦， 周和平， 鐘璧檣. 基于混合RBF網(wǎng)絡(luò)模型的汽車保有量組合預(yù)測(cè)[J]. 長(zhǎng)沙理工大學(xué)學(xué)報(bào)：自然科學(xué)版， 2011， 8（2）： 13-16.

[10]朱海清， 陳學(xué)武. 路網(wǎng)服務(wù)水平影響下的機(jī)動(dòng)車規(guī)模預(yù)測(cè)[J]. 交通運(yùn)輸工程與信息學(xué)報(bào)，2005， 3（4）： 80-85.

[11]GODFREY G A， POWRLL W B. An adaptive dynamic programming algorithm for dynamic fleet management，Ⅱ：multiperiod travel times[J].transportation Science，2002，36（1）：40-54.

[12]SUYANI E， CHOU S Y， CHEN C H.Air passenger demand forecasting and passenger terminal capacity expansion：a system dynamics framework[J].Expert Systems with Applications，2010，37（3）：2324-2339.

[13]王棟. 山區(qū)高速公路車輛行駛狀態(tài)監(jiān)測(cè)及預(yù)警方法研究[D]. 西安： 長(zhǎng)安大學(xué)， 2013.

[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.

[15]王棟，鄧北川，仇建華，等. 山區(qū)高速公路直線段車速預(yù)測(cè)方法[J].交通科學(xué)與工程，2014，30（2）：81-86.