基于BP神经网络的人口预测模型研究

.

资料

中 国 人 口 预 测 模 型

摘要

本文对人口预测的数学模型进行了研究。首先，建立一次线性回归模型，灰色序列预测模型和逻辑斯蒂模型。考虑到三种模型均具有各自的局限性，又用加权法建立了熵权组合模型，并给出了使预测误差最小的三个预测模型的加权系数，用该模型对人口数量进行预测，得到的结果如下：

单位：（万人）

年份 2006 2007 2008 2009 2010

预测值 134840.9 137027.35 1377785.7 139360.4 140857.4

其中加权系数为：0.24282，0.34055，0.41663。

其次，建立Leslie人口模型，充分反映了生育率、死亡率、年龄结构、男女比例等影响人口增长的因素，并利用以1年为分组长度方式和以5年为分组长度方式预测短期和长期人口增长，得如下数据：

年份 2006 2007 2008 2009 2010 2011 2012

人数（万） 130990 131230 131430 131620 131800 132000 132220

然后对Leslie人口模型进行了改进，构建了反映生育率和死亡率变化率负指数函数，并给出了反映城乡人口迁移的人口转移向量。

最后我们BP神经网络模型检验以上模型的正确性

关键字：一次线性回归 灰色序列预测 逻辑斯蒂模型 Leslie人口模型

BP神经网络

年份 2016-2020 2021-2025 2026-2030 2031-2035 2036-2040 2041-2045 2046-2050

人数（万） 144000 148000 150000 150000 151000 150000 149000 .

资料 一、问题重述

1. 背景

人口增长预测是随着社会经济发展而提出来的。由于人类社会生产力水平低，生产发展缓慢，人口变动和增长也不明显，生产自给自足或进行简单的以货易货，因而对未来人口发展变化的研究并不重要，根本不用进行人口增长预测。而当今社会，经济发展迅速，生产力达到空前水平，这时的生产不仅为了满足个人需求，还要面向社会的需求，所以必须了解供求关系的未来趋势。而人口增长预测是对未来进行预测的各环节中的一个重要方面。准确地预测未来人口的发展趋势，制定合理的人口规划和人口布局方案具有重大的理论意义和实用意义。

求用matlab编BP神经网络预测程序

求一用matlab编的程序

P=[。。。];输入T=[。。。];输出

% 创建一个新的前向神经网络

net_1=newff(minmax(P),[10,1],{'tansig','purelin'},'traingdm')

% 当前输入层权值和阈值

inputWeights=net_1.IW{1,1}

inputbias=net_1.b{1}

% 当前网络层权值和阈值

layerWeights=net_1.LW{2,1}

layerbias=net_1.b{2}

% 设置训练参数

net_1.trainParam.show = 50;

net_1.trainParam.lr = 0.05;

net_1.trainParam.mc = 0.9;

net_1.trainParam.epochs = 10000;

net_1.trainParam.goal = 1e-3;

% 调用 TRAINGDM 算法训练 BP 网络

[net_1,tr]=train(net_1,P,T);

% 对 BP 网络进行仿真

A = sim(net_1,P);

% 计算仿真误差

E = T - A;

MSE=mse(E)

x=[。。。]';%测试

sim(net_1,x)

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

不可能啊 我2009

28

对初学神经网络者的小提示

第二步：掌握如下算法:

2.最小均方误差,这个原理是下面提到的神经网络学习算法的理论核心,入门者要先看《高等数学》（高等教育出版社，同济大学版）第8章的第十节：“最小二乘法”。

3.在第2步的基础上看Hebb学习算法、SOM和K-近邻算法，上述算法都是在最小均方误差基础上的改进算法，参考书籍是《神经网络原理》（机械工业出版社，Simon Haykin著，中英文都有）、《人工神经网络与模拟进化计算》（清华大学出版社，阎平凡，张长水著）、《模式分类》（机械工业出版社， Richard O. Duda等著，中英文都有）、《神经网络设计》（机械工业出版社，Martin T. Hargan等著，中英文都有）。

基于BP神经网络的粮食产量预测模型

郭庆春;何振芳;李力

【摘 要】It is an important problem to improve the prediction precision

and efficiency of the prediction for grain yield in China. BP model is one of

the most widely applied neural networks at present and also is a simple

and effective algorithm. BP model was applied in prediction of grain yield

and a forecast model for grain yield based on neural network was

established. The results indicated that applying BP model in predication of

grain yield is practicable.%提高我国粮食产量的预测精度与效率是人们关注的一个重要问题.BP模型是目前最为广泛应用的神经网络模型之一,它是一种简单又非常有效的算法.将BP神经网络模型应用到粮食产量预测中,并建立了粮食产量的神经网络预测模型,结果表明BP神经网络应用于粮食产量预测是可行的.

【期刊名称】《湖南农业科学》

【年(卷),期】2011(000)017

【总页数】3页(P136-138)

【关键词】神经网络;粮食产量;预测

【作 者】郭庆春;何振芳;李力

【作者单位】陕西广播电视大学教务处,陕西西安710068;中国科学院地球环境研究所中国科学院黄土与第四纪地质国家重点实验室,陕西西安710075;中国科学院研究生院,北京100049;中国科学院寒区旱区环境与工程研究所,甘肃兰州730000;中国科学院研究生院,北京100049;中国科学院地球环境研究所中国科学院黄土与第四纪地质国家重点实验室,陕西西安710075

基于神经网络模型的交通量预测模型研究

摘 要：通过对人工神经网络的研究，本文建立了三层bp神经网络模型，并运用此模型对路段交通量进行预测，以道路所在区域的人口、土地利用情况、车辆保有量、gdp作为输入层，历年交通量作为输出层检验值，结果显示其预测结果较为准确，精度较高，充分说明bp神经网络模型可以作为交通量预测的一种有效方法。

关键词：人工神经网络；交通量预测；车辆保有量

一、引言

国民经济的快速发展，极大的推动了基础设施的发展，道路交通的发展也在这个大前提下逐步发展，道路交通发展前期的交通规划是整个交通事业的头等大事，而较好的交通规划则必须有可靠的、准确的交通量，因此，道路的交通量预测就显得至关重要。交通量预测分析是路网规划的重要内容，也是项目可行性研究的核心内容之一，是进行交通状态评价、综合分析建设项目的必要性和可行性的基础和前提，是确定道路建设项目的技术等级、工程设施规模以及经济评价的主要依据。道路交通预测的是否准确，是道路建设项目是否可行，项目建设是否必要的决定性因素。

迄今为止，国内道路交通量预测最为常用的方法是四阶段法、增长系数法、多元回归分析预测、指数平滑法，然而这些方法适应性及可变性较差，无法充分考虑因地域不同的可变性指标。道路所在区域不同，传统的方法不能及时的进行调整，因此迫切需要新的预测方法。 二、交通量神经网络预测模型

1.神经网络概述

人工神经网络（artificial neutral networks）是基于神经生物学研究的基础，进而提出的一种模拟生物思维过程以反映人脑某些生理特性的计算模型。神经网络计算模型是通过对人脑神经系统的简单化、抽象化，对思维过程加以模拟。该模型是由大量的独立的神经元相互连接而编织成的一个层次分明的网络结构。该网络模型具有很强的自我学习功能，能够客观准确的适应条件的变化，因此将此模型用于交通量的预测，使预测结果更加准确，误差更小。

输入信号ek通过中间节点（隐含点）作用于输出节点，经过非线性变换，产生输出信号ck，对于期望输出ok，通过调节输入节点与隐含节点的连接强度xij和隐含层节点与输出节点之间的连接强度yjt以及阀值uj和vt，使误差沿梯度方向减小，确定与误差相对应的网络参数（权值和阈值）。神经网络能自行处理输入误差最小的经过非线性转换的信息，选用3层神经网络模型进行高速公路投资绩效评价，即输入层—中间层（隐含层）—输出层典型的bp神经网络结构模 型。