基于BP神经网络的食品价格的预测

闫 妍，张云鹏，张一弛，彭若晨

（1.西北工业大学 机电学院，陕西 西安 710072；2.西北工业大学 自动化学院，陕西 西安 710072）

食品价格是居民消费价格指数的重要组成部分，食品价格波动直接影响居民生活成本和农民收入，是关系国计民生的重要战略问题。2000年以来，我国城镇居民家庭食品消费支出占总支出的比重一直维持在36%以上。在收入增长缓慢的情况下，食品价格上涨将使人民群众明显感到生活成本增加，特别是食品价格上涨将降低低收入群体的生活质量。在世界经济形势严峻复杂及不确定性增加的背景下，保持我国食品价格相对稳定是关系国计民生、保持国民经济平稳较快发展的重要环节。因此，对食品价格的预测及其规律的研究对我国相关政策的制定和实施具有重要的理论价值和实际[1]。

人工神经网络是一种模拟人脑信息处理方法的非线性系统，具有较强的非线性处理能力和自学习能力[2]。近年来迅速发展的人工神经网络，由于具有人脑思维的特点和具有自学习、自适应及自组织的功能，应用于模式分类与识别有适应性强、客观性好的优点，已广泛地用于系统控制和预测等方面。通过运用人工神经网络的多层神经网络对食品价格的实测值及其相关因子进行训练学习，从而建立食品价格的相关模型，再用此模型对食品价格进行预测预警，以达到对食品预测预警的作用[3]。

1 食品价格分析

1.1 根据相关统计网站的数据，分析食品价格的波动特点

将食品按类型，分为以下几大类如表一所示：米面类（1~3）、油类（4~6）、肉类（7~14），鱼类（15~17），蔬菜类（18~25）。计算同种食品相邻时间点内增长率，绘制不同食品的增长率时间曲线，绘制一元线性回归曲线。通过变化曲线与居民价格指数CPI进行对比分析。

1.2 对2014年食品价格走势进行预测

结合各类食品的消费指数（CPI），各时间段对食品价格的影响运用人工神经网络的多层神经网络对5月份的食品价格走势进行预测。

2 模型的建立与求解

根据相关统计网站的数据，分析食品价格的波动特点。建立各类食品价格变动趋势，绘制一元线性曲线图表。采用Matlab绘制食品价格曲线，图1所示为城市居民肉类价格曲线，图2所示为城市居民鱼类价格曲线，图3所示为城市居民蔬菜类价格曲线。

表1 各类食品价格表Tab.1 Price list of each kind of food

图1 城市居民肉类价格图Fig.1 Price curve of meat of citizens

图2 城市居民鱼类价格图Fig.2 Price curve of fish of citizens

图3 城市居民蔬菜类价格图Fig.3 Price curve of vegetables of citizens

通过上述曲线图可观察到：

1）肉类价格变化趋势均为相对平衡，呈现较好的发展势头。

2）鱼类的价格增长率预测结果则相差很大，呈现较大波动，这类食品的价格不以预测，遭受外界因素的影响较大。

3）蔬菜类的价格增长率的变动则变化很大，时而猛增，时而猛降，呈现出极为不规则的变化，一般这样的食品会对CPI的变化产生较大的影响。

西红柿由于其运输的不方便性使其的价格则很可能稳增不降，需要加强调控的力度，以防价格超出消费者正常接受范围。土豆、豆角的价格则呈现稳降不增，这也需要加大调控力度，以防菜农不必要的损失。

在1月下旬，2月上旬，各类食品价格有明显上涨。而此时间段正值中国传统节日——春节，人们对食品的需求量大大增加，购买力增强，导致食品价格上涨。

3 神经网络预测模型

人工神经网络是一种模仿人类神经系统的数学模型，是由大量的处理单元（神经元，即网络节点）组成的高度并行的非线性动力学系统。对于任意一种随机的，正态的数据，都可应用人工神经网络进行系统分析，作出拟合预测。主要神经网络的学习方式与用途有很多种类，其中具有误差反向传播算法的BP网络是目前应用最广的一种人工神经网络结构，单隐藏层BP人工神经网络结构如图所示，输入层、隐藏层和输出层各层均由大量简单互不相连的神经元组成，而不同层之间通过权值连接。输入神经元将收到的输入数据传输到隐藏层神经元，而隐藏层和输出层神经元将它们各自的输入通过一个非线性传递函数计算后输出。BP神经网络[7]为多层前馈网络，数据信息单方向地从输入层传输到隐藏层再传输到输出层，而前层神经元的输出不能反馈到更前层，其结构示意图如图4所示。

图4 神经网络预测模型Fig.4 Forecasting model based on neural net

同样将定性化数据量化，作为预测数据，进行未来5月食品价格预测。利用Matlab建立BP神经网络对食品价格进行预测，预测结果如图5~7所示。

由图5~7可知该BP神经网络对于2014年5月食品价格预测结果与实测数据基本吻合，因此该神经网络比较可靠准确，可以利用其进行食品价格预测。将中国统计局网站上最新数据各类食品价格等分别作为输出层的单输出结果，利用训练好的BP神经网络进行预测。

预测结果：肉类价格平稳；鱼类变化较大，无法进行准确的预测；蔬菜类总体不变。

图5 肉类实际价格与预测价格曲线Fig.5 Actual price curve and forecasting price curve of meat

图6 鱼类实际价格与预测价格曲线Fig.6 Actual price curve and forecasting price curve of fish

图7 蔬菜类实际价格与预测价格曲线Fig.7 Actual price curve and forecasting price curve of vegetable

4 结论

该模型的优点是：在该研究中能够充分利用到了相关网站中所提供的数据，建立一元线性函数曲线，能直观的反映出各个食品价格与CPI的关系。在预测中建立的神经网络模型具有非线性映射，自学习自映射能力，能自动提取数据，输出数据间的合理规则，从而做出预测。该模型也存在一定的缺点：神经网络算法的收敛速度较慢，该研究中数据较多，处理起来有些困难。通过借助于神经网络建立的模型，可以预测的结果是：肉类价格平稳；鱼类变化较大，无法进行准确的预测；蔬菜类总体不变。

该模型在数据的对比与预测中较为成功，可见模型的适用性较强。也可将该模型推广到房价，人口等各个方面的问题。而神经网络模型在解决经济预测，组合优化等各方面也具有一定的优势。

[1]李静，楠玉.我国食品价格波动冲击路径的随机因素分析[J].经济经纬，2013（2）：28-32.LI Jing，NAN Yu.The analysis of stochastic factors impact effect on the path of food price fluctuations[J].Economic Survey，2013（2）:28-32.

[2]季刚，姚艳，江双五.基于径向神经网络的月降水量预测模型研究[J].计算机技术与发展，2013，23（12）：186-189.JI Gang，YAO Yan，JIANG Shuang-wu.Research on monthly rainfall forecast model based on RBF neural network[J].Computer Technology and Deveelopment，2013，23 （12）:186-189.

[3]闫妍，张云鹏，李铠月，等.基于BP神经网络的西安环境空气质量的预测[J].电子设计工程，2013（21）：54-57.YAN Yan，ZHANG Yun-peng，LAI KAI-yue，et al.Forecast of Xi’an ambient air quality based on BP neural network[J].Electronic Desing Engineering，2013（21）:54-47.

[4]杜先君，余萍，王强.结合神经网络的一般模型控制策略研究[J].工业仪表与自动化装置，2013（1）:12-14.DUXian-jun，YUPing，WANGQiang.Study on GMCcombined with neural network control strategy[J].Industrial Instrumentation ＆ Automation，2013（1）:12-14.

[5]朱英.改进的BP神经网络预测模型及其应用[J].武汉理工大学学报：交通科学与工程版，2012，36（6）:1252-1255.ZHU Ying.Prediction Model of Improved BP Neural Network Its Application[J].Journal of Wuhan University of Technology：Transortation Science＆ Engineering，2012，36（6）:1252-1255.

[6]石洪景，黄和亮.基于主成分分析的商品价格影响因素研究[J].北京航空航天大学学报：社会科学版，2012，25（5）:77-80.SHI Hong-fing，HUANG He-liang.Study on the influencing factors to food price based on principal component analysis[J].Journal of Beijing University of Aeronautics and Astronautics：Social Sciences Edition，2012，25（5）:77-80.

[7]魏江涛，陈方涛，姜美雷.BP神经网络在设备故障诊断方面的应用[J].现代电子技术，2012（19）:131-134.WEI Jiang-tao，CHEN Fang-tao，JIANG Mei-lei.Application of BP neural network in fault diagnosis of radar device[J].Modern Electronics Technique，2012（19）:131-134.