基于我国CPI时间序列的神经网络预测模型NeuralNetworkForecastModelBasedontheCPITimeSeriesGuoQingchunKongLingjunCuiWenjuan；KouLiqunShiYongbo；ZhangXiaoyong（ShaanxiRadio&TVUniversity，Xi'an710068，China）摘要：近年来，我国的居民消费价格指数涨幅屡创新高。根据我国1990年-2008年的CPI时间序列，首先利用时间序列分析方法确定输入向量，然后应用改进BP算法的人工神经网络分别预测出2011年和2012年我国CPI将分别为104.9和105.2，实验结果证实了BP神经网络模型用于CPI预测的准确性和可行性。Abstract:Inrecentyears,China'sconsumerpriceindexrosecontinuestohitrecordhighs.AccordingtoChina's1990-2008CPItimesequence,thepaperfirstusestimeseriesanalysismethodtodeterminetheinputvector,thenimprovesartificialneuralnetworkbasedonBPalgorithm.ThemodelrespectivelypredictsCPIinChinain2011or2012yearwillbe104.9or105.2.TheexperimentalresultsthattheBPneuralnetworkmodelisusedforforecastingaccuracyandfeasibilityoftheCPI.关键词：BP神经网络预测居民消费价格指数时间序列Keywords:BPneuralnetwork；predict；CPI；timeseries中图分类号：TP183文献标识码：A文章编号：1006-4311（2011）２6-0016-010引言居民消费价格指数（ConsumerPriceIndex，CPI）是根据与居民生活密切相关的商品和劳务价格统计出来的物价变动指标，是反映宏观经济走势和衡量社会通涨或通缩水平的重要指标，CPI涨幅成为管理者制定宏观经济政策、进行经济调控和央行公开市场操作的重要参考依据。目前常用的方法主要有回归估计模型、偏最小二乘法、ARCH模型、ARMA模型和时间序列分析法，但是传统数学模型在实际应用方面都存在极大的困难。而神经网络由于具有自学习、自适应等功能，特别适合处理非线性问题，在各种类型的建模中，显示了很强的生命力，特别是在解决非线性问题等方面，具有一定的优越性[1-2]。因此应用改进BP算法的神经网络对我国CPI进行了模拟和预测，得到了较好的结果。1CPI时间序列预测模型的建立BP神经网络模型（误差反向传播神经网络）是神经网络模型中使用最广泛、最有效、算法最成熟的一类。BP神经网络模型实现了多层学习的设想，当给定网络一个输入模式时，它从输入层单元传到隐含层单元，经隐含层单元逐层处理后再发送到输出层单元，经输出层单元处理后产生一个输出模式，这是一个逐层状态更新的过程，称为前向传播，如果输出响应与期望输出模式有误差，不满足要求，则转入误差反向传播，将误差值沿连接通路逐层反向传送并修正各层连接权值和阈值，当各个训练模式都满足要求时，那么学习结束。数据来源于中国统计年鉴（2009年），资料时间范围为1990年-2008年。在实际应用中，由于所采集的数据跨度较大，最好使数据预处理后的值在0-1之间，因此采用归一化方法预处理。我国历年CPI数据按顺序构成一组时间序列，我国CPI的时间序列神经元网络预测模型输入层单元数为3个，输出层单元数为1个。也就是利用前3年的值来预测第4年的值。本研究穷尽了各种转移函数的搭配组合，测试不同组合对网络性能的影响，结果表明，当输入-隐层为tansig函数、隐层-输出层为线性函数时，效果最理想。我国CPI预测模型也只选用一层隐含层来构建网络。在预测中分别组建了隐层节点数从1-20的BP网络，经过大量试算，最后根据试报效果，确定了较为理想的隐层单元数是5。由于传统BP算法存在缺陷，因此采用traingdm训练函数，traingdm（动量梯度下降反向传播算法）在对权重和阈值更新时不仅考虑当前的梯度方向，而且还考虑了前一时刻的梯度方向，从而降低了网络性能对参数调整的敏感性，有效地抑制了局部极小，对传统的BP神经网络进行了改进，在实际应用中有更好的效果。利用1990年-2002年的我国CPI数据作为训练样本，采用改进BP算法的traingdm训练函数进行训练构建的神经网络，然后采用2003年-2008年的我国CPI数据作为检验样本，利用训练好的网络对2003年-2008年的我国CPI进行预测，实验表明训练样本模拟值和实际值的平均相对误差为1.35%，它们的相关系数为0.8952；检验样本预测值和实际值的平均...