基于指数平滑模型和人工智能粒子群算法的预测模式研究

【摘要】 本文为了能够提出有效解决中国商品价格指数(CGPI)预测的模型,对多种预测模型进行实际模拟计算。通过对多种模型进行优化和比较,最终得出了能够有效预测中国商品价格指数的模型。同时,成功得对初始的预测模型进行了优化,有效的提高了模型的预测精度。最终提出的预测模型不仅能应用于CGPI的预测,同时由于其改进之后总能选取全局最优参数,并且避免了偶然误差,因此可以对多种经济甚至其他领域的数据进行高效和高精度的预测。企业商品交易价格指数是一个综合衡量通货膨胀和经济波动的指标。如果央行即中国人民银行想及时和有效的建立和调整货币政策,那么对CGPI进行精确的预测是至关重要的。毫无疑问,对CGPI进行精确预测是一个很大的挑战,因为市场经济中存在大量的经济因素能对CGPI产生影响。在过去的数年中,指数平滑在很多实证领域得到了很好的应用,特别是在经济预测领域。因此本文首先会使用指数平滑模型对CGPI进行预测。然而,在预测过程中会发现,指数平滑也存在着一些不足。相对于其他预测方法,指数平滑的在进行预测的过程中所选取的参数对预测精度有较大影响,但是适当的参数有些难以选取。一般情况下都是人工根据经验或者数据的性状选取相对合适的参数,但是这样往往产生不小的偶然误差。本文将使用三种人工智能算法对四种指数平滑方法进行优化,选取出最优参数,以期避免偶然误差。同时本文将会使用从2007年1月至2011年9月的中国企业商品交易价格指数的数据对优化的预测方法进行验证。最后的验证结果显示通过人工智能优化过后的指数平滑方法相比于原始的指数平滑方法能很显著的提高预测精度。 

第一章绪论

1.1 企业商品价格指数定义以及对其预测的意义
企业商品交易价格指数（CGPI)是反应企业材料商品交易价格变动的统汁指标。企业商品交易价格指数由以下儿方面构成：①价格调查CGPI代表商品样本。供选择代表商品791种，代表规格品1700个。调查对象原则上是商品流通中企业间粜中交易的价格，一般是第一次批发商品销售价格，对于不通过批发坏节而直接销售给用户的商品，如专业设备等，则调查厂家的出场价格。②指数分类体系由于宏观经济分析检测的需要，CGPI被设计成了三种分类，即按国家标准行业、按用途、按生产过程分类。第一种分类称为“基本分类”；第二、第三种分类，统称为“特殊分类”③全数测算CGPI权重数据的测算，是根据以下四种统计指林和调查资料来进行的：投入产出表的总产出等指标数椐；工业普杳的工业品销售额数据；农业统汁资料；调查咨洵资料。④企业商品交易价格指数编制方法可以采用以下编制方法：指数法处理原始价格数据、几何平均公式逐层加权平均计算企业商品价格指数和直接计算月环比指数。我国中央银行即中国人民银行的CGPI综合物价指数建立于1993年，是中央银行一项雄本调查统计制度。在我国CGPI前身是国内批发物价指数（WPI)，开始编制于1994年1月。CGPI是中央银行分析、判断和预测批发物价总水十:和变动趋势与经济运行情况、研究金融宏观对策里要手段之一。在商品调查范围上，CGP涵盖全社会物质产品，覆盖面广，基本与经济总体指标对应，包括投资品与消费品，能较准确反映总供求关系和经济周期的变化，是反映全部物质商品价格总水平变化的物价指数，也是我国中央银行测度通货膨胀的主要措标之一。CGPI通常与GDP平减指数、居民消费价格指数（CPI) —起作为一个国家物价统计体系中的综合物价指数[2]。货币是交易的媒介，并且不只是消费品的交易媒介，而也是投资品的交易媒介。所以，包含能够包含投资品和消费品的CGPI就成为了判断货币供给量和货币值稳定状况的一个有效的综合物价指数了。同时，CGPI是国家经济政策制定，企业战略规划和私人则务皆理的最重要指标之一[1]。作为央行最基本的统计调查机制之一，CGP1对央行分析经济运行状况和制定宏观经济政策具有至关重要的作用[2]。因此，精确的预测CGPI是一项很重要的工作。

1. 2预测初始模型的选取及对该模型的历史回顾和文献回溯

为了使得对数据预测能更加精确，很多学者提出和研究了不少预测模型，包括贝叶斯学习模型[3]、分层时间序列[4]、桥梁模型[5]和神经网络模型[6].因为CGPI山很多能被动态的市场经济因素影响的部分组成，所有预测CG P1需要相对精确和稳健的模型。由于拥有很高的稳健性和精确性[7-10],指数平滑模型被广泛用干包括经济管理在内的很多领域。这些领域都有一个共同特点是需要预测大量的总体数据，相对来说对单个个体的预测就不那么重要。当Gardner出现后，很多学者汄为指数平滑模型将会被忽视，因为它是一个特殊情况ARIMA模型或者说没有统计理忡的过程。但是之后得事实证明了指数平滑模型相对于统计模型来说足敁优的模型，并H相比于A R TM A类耶来说应用广泛。指数平消模型山Robert G. Brown在进行OR分析时提出。
本文将会检测四种最新和多用的指数平滑模型：Holt模型、阻尼Holt模型、Pegels模型、阻尼Pegels模型[10-13]。指数平滑的稳健性和精确性预测使得其被广泛的加以使用。虽然Holt模型趋向于被作为趋势序列的通用模型，但是它的线性预测方程会被批判在短期内会过冲数据。Gardner和McKenzie解决了这个问题，他们通过将额外的参数包括在Holt模型中来阻尼目标趋势。实际计算表明阻尼模型能够提高预测的精度。如果阻尼参数被允许大于1，那么模型仍然能够产生平滑方程，这样的方程通常对具有平滑趋势的序列有很大用处。另外?种能够替代的模型就是多元趋势指数平滑模型，这个模型是有Pegels和Hyndman, Koehler、Snyder和Grose提出。它包括了通过平滑局部水平的连续率对局部增长率建立模型，并且自然会产生一个由增长率和水平构成的预测方程。其中趋势是以多元的形式建立模型的。但是相反的，所有的已经建立的指数平滑模型都假设有一个不断增加的趋势。多元趋势模型在学术中很少引起重视。Pegels提出越来越多的实际数据序列用于多元趋势。忽略这是否是事实，但是看上去当模型被应用于不同类型的多元趋势序列时，越是保守的Holt模型反而越是稳健。在Gardner和McKenzie以及Taylor分别在初始的Holt模型和Pegels模型基础上提出了相关的阻尼模型[10],即本文中所用的阻尼Holt模型和阻尼Pegels模型。

第二章方法论

2.1指数平滑模型指数
平滑模型是简单而可靠的预测方法[30]。本文引入四种常见且较近期的模型形势：llolt模型、阻尼Holt模型、Pegels模型、阻尼Pegels模型[10, 11-13, 30] 。Gardner和Mckenzie认为在自动预测过程可能是个不对的选项。然而，Tas hman和kru k则认为如果模型仅仅被应用有很强的趋势的模型，允许4>1可能是有价值的。这是因为模型拥有一个平滑预测方程，模型看上去能适用于具有平滑趋势的数据序列。然而，我们能够感受到的是如果这样来处理一个局部下降的话就显得很笨拙。同吋，如果过程是指数形式的，那么一个恰当的模型就需要被提出来处理类似的数据序列。例如：Pegels提出的Pegels模型。

第三章中国企业商品价格指数......... 20
第四章预测中国企业商品价格指数......... 21
4. 1指数平滑模型的预测结果......... 21
4.2比较原始平滑模型和优化指数平滑模型......... 22
4.2.1 Holt模型和它对应的优化模型的数据......... 22
4.2.2阻尼Holt模型和它对应的优化模型......... 23
4.2.3 Pegds模型和它对应的优化模型......... 24
4.2.4阻尼Pogcls模型和它对应......... 25
第五章总结与结论.........27

结论

十二个优化模型都能够被用于对CGPI的预测，并且我们能够得到预测精度更高的预测结果。本文首先讨论了四种指数平滑模型。计算结果显示在使用最优参数的情况下，这些指数平滑模型能够很大的提高预测精度。因为这个原因，本文使用三个人工智能算法来优化指数平滑模型的参数，这样就产生了十二中优化模型。然后本文简单的描述了中国企业商品价格指数，同时四种原始指数平滑模型和十二种优化模型来预测中国企业商品价格指数。模拟计算结果显示这些优化模型有更高的预测精度相比较使用人工选取参数的原始指数平滑模型而言。可以肯定的说，本文成果的提出了结合人工智能算法和指数平滑模型的预测模型。这十二种优化模型都是优秀的预测模型，其中用于预测CGPI最好的预测模型是PSO-Damped-Hoi L 模型。至此，本文的研究目的基本完成，主要成果如下：

1.虽然指数平滑模型经常被使用并且已有对其进行改进的方法提出，但是本文首次提出使用人工智能算法对指数平滑模型进行改进。
2.由最终的计算结果可以看出，本文对指数平滑模型的改进是成功的，很好的提高了预测的精度。
3.使用了较多的原始指数平滑方法和人工智能算法，这些方法相互组合模型的比较和使用对预测模型的选择和预测精度的提高。
4.成功得将各模型应用于实际CGPI数据，并且得出了最佳的预测结果。

参考文献
 

• [1] 李少保.  基于涌现技术的MAS游戏研究[D]. 北京建筑工程学院 2012
• [2] 张亮.  基于matlab的电阻层析成像（ERT）与仿真平台设计[D]. 中国石油大学 2007
• [3] 李瑞瑞.  人工智能算法在GTAW焊接中的应用[D]. 华东理工大学 2013
• [4] 周燕.  人工智能算法在构件检索中的应用[D]. 武汉理工大学 2011
• [5] 冯一博.  基于粒子群思想改进支持向量机优化算法的研究[D]. 哈尔滨理工大学 2013
• [6] 王帆.  基于优化目标可调控的免疫聚类算法的研究[D]. 太原理工大学 2010
• [7] 林力.  基于免疫算法的化工过程优化[D]. 北京化工大学 2012
• [8] 胡江.  支持向量机在射频功率器件建模中的应用研究[D]. 哈尔滨工程大学 2011
• [9] 郑芬.  福建省税收数据预测及分析[D]. 吉林大学 2013
• [10] 王瀚韬.  电梯群控算法及评测系统的研究与设计[D]. 杭州电子科技大学 2013