基于RBF神经网络模型的我国农产品市场风险预警机制研究

◇周金城 李 毅

RBF神经网络是以生理学为基础演变出来的一种功能网络，其不仅结构简单，而且性能优良、学习速度较快，适用于任意连续函数，这些特点使其在农产品价格预测中得到了广泛应用。孙素芬等人通过RBF神经网络来对农产品市场中的香菇价格数据进行了预测。罗长寿等人利用RBF神经网络针对北京农产品市场中的蔬菜批发价格构建了RBF神经网络预报模型。通过以上研究，我们发现RBF神经网络模型在我国农产品市场风险预警机制中有着极大的应用价值与发展空间。

一、RBF神经网络模型的风险预警分析

目前，大多数系统都是以持续渐进的方式发展出来的，这也使研究对象的数值难以发生大幅降低或增长。因此，在模型输入中不仅要对影响因素进行考虑，同时还要对研究对象所具备的历史信息进行考虑，并将研究对象所具有的时间序列当作RBF模型的输入项。在RBF神经网络模型的输入项中主要由两个部分组成，分别是研究对象的影响因素及历史时间序列，由此可以对RBF神经网络模型进行表示，即t=g（Zt-1，Zt-2，……Zt-m，Xt）+et，在该公式中，RBF神经网络模型的预期输出变量由进行表示，在时刻中观测到的噪声由et进行表示，待估函数则为g（Zt-1，Zt-2，……Zt-m，Xt），然后利用RBF神经网络来逼近。在RBF神经网络模型中的输入项分别是（Zt-1，i=1，2，3…，m）与 Xt=（xt1，xt2，xt3，…，xtn），在第一个输入项中代表农产品价格历史数据，延迟阶数是m，第二个输入项代表影响农产品价值的相关因素，影响因素所具备的维度由n表示，则该模型的初始输入层中的节点数则为m+n。基函数由φ（r）=exp（-‖X-D‖2/（2δ2）），基函数中心由D表示，扩展常数是δ，模型中隐含层节点为q个，输出层节点为l个，隐含层和输出层之间的连接权值则为l：w。要想将RBF神经网络模型能够用于农产品市场风险预测，还需要对其结构与参数进行确定，结构为m，n，q，参数为D，δ，w，由于难以利用定量法来对研究对象和延迟阶数间的关系进行确定，因此需要采用经验法则。对隐含层中节点数量的确定是极为繁琐的，如果节点数量较少，会使模型的风险预测精度降低，而较多则又会使模型变得更加复杂，计算时间也就越长，进而影响模型的泛化能力。一般来说，对隐含层中节点数量的确定的常用方法包括聚类法、经验公式法等，而本文则是利用经验公式法来进行确定，并借助于遗传算法来确定与优化n，D，δ，w等参数。

二、RBF神经网络模型中遗传算法的优化与改进

（一）编码

由于模型中的参数数量较多，且参数之间的差异性比较大，因此在利用遗传算法进行优化改进时，编码方式为混合编码，模型输入项中的影响因素为二进制编码，由0代表不属于RBF神经网络输入的影响因素，由1代表属于RBF神经网络输入的影响因素。由于RBF神经网络对连接权值、扩展常数及隐含层有很高的精度要求，因此可以利用浮点编码方式对其进行编码，以此缩短编码串的长度，降低解码难度，提高模型运算速度。

（二）确定适应度函数

在确定适应度函数中，RBF神经网络模型的训练目标是为了找出与真实值误差最小的期望输出参数，以此将该参数的均方差倒数进行确定，并作为模型的适应度函数，由此可以对第i个个体中的适应度函数进行表示，即在该公式中，风险预测对象的真实值为Zk，RBF神经网络模型的预测值为。

（三）选择

在选择操作中，主要分为两个步骤，其一是利用随机遍历抽样算法，该算法具备最小个体扩展与零偏差的应用特点；其二是利用精英策略，将上一代中的最佳个体进行直接复制，使其转移至下一代，进而使RBF神经网络模型的应用程度收敛速度更快，运行效率更高。

（四）交叉

由于模型中的遗传算法在编码方式上采用了混合编码，因此在交叉中主要包括两个部分，即浮点编码部分与二进制编码部分，而交叉则是将这两个部分进行分开运算。在进行交叉前，需要将染色体按照上述两个编码部分进行划分，在二进制编码部分中利用单点交叉算子来实施操作，而在浮点编码部分则利用算术交叉算子来实施操作。则其算子可表示为在该算子中，个体与实施线性交叉，由此可生成全新的个体，即与，在交叉完毕后将这两部分染色体进行拼接，使其成为一个交叉后的染色体。

（五）变异

遗传算法的变异阶段与交叉阶段在操作流程上相同，都需要对二进制编码部分与浮点编码部分进行操作，由基本位变异算子对二进制编码部分进行操作，由育种器变异算子对浮点编码部分进行操作。

三、基于RBF神经网络模型的我国农产品市场风险预警机制研究

本文以大豆价格数据为例基于RBF神经网络模型对我国农产品市场风险预警机制进行深入的研究，将我国大豆市场中的批发价格作为RBF神经网络模型的因变量，大豆价格的八个初始影响因素包括国民消费指数、国内大豆需求量、国内大豆供给量、世界大豆总产量、国民消费信息指数、大豆港分销价格及我国货币的供应量。该模型的输入项包括上述八个影响大豆价格的相关因素及m阶大豆价格的历史数据，将下个月的我国大豆市场价格作为RBF神经网络模型的输出项。

（一）数据的预处理

本文在对数据进行预处理时利用极差归一法，以此消除数据数量级与量纲间的差距，并避免模型在计算过程中发生溢出，进而提高模型训练时的收敛速度。数据预处理公式可表示为，在该公式中第i个变量的最大值与最小值分别由max（yi）与min（yi）表示，经预处理后得出的结果为 yi∈[0，1]。

（二）参数设置与输出结果

在大豆价格历史数据中，将2015年3月至2016年12月的大豆市场价格作为训练集，将2016年1月至12月的大豆市场价格作为测试集，然后对RBF模型中的相关参数进行设置，设定m的延迟阶数为3，变异率与交叉率分别是0.05与0.9，迭代次数与种群规模分别设置为100与50，将扩展常数与函数中心的取值分别设定在（0，2]与（0，1]范围内，将模型输出层和隐含层之间的连接权值范围设定在[0，1]以内，依据经验公式确定法，对模型隐含层中的节点数量设定为15个，然后对大豆市场价格的风险情况进行预测，通过对模型进行训练可以得到不同迭代次数下的误差变化曲线，由曲线可以发现，RBF神经网络模型在进行第35次迭代时便会缩减，其训练后得出的风险预测结果与实际结果误差值为0.0065，这说明RBF神经网络模型的训练精度是比较高的。

（三）RBF神经网络模型的风险预测精度与稳定性检验

在利用RBF神经网络模型对大豆市场价格风险进行预测以后，应通过相应的指标来检验模型的拟合程度，以此测试RBF神经网络模型在农产品市场风险中的预测精度。将消者费信息指数、我国大豆进口总量及大豆港分销市场价格作为模型的输入项，利用平均相对误差MAPE来对模型的预测精度进行衡量，该公式可表示为在该公式中，模型对大豆市场价格风险预测的值由进行表示，大豆实际市场价格风险值由Yi进行表示，如果得出的MAPE值越小，则表明RBF神经网络模型的风险预测精度就越高。检验结果表明，RBF神经网络模型能够对大豆实际市场价格风险进行准确的预测，MAPE值仅为3.64%，这证明了该模型具备较高的预测精度，能够对大豆市场价格在短期内的变化规律进行捕捉。

由于模型中采用的遗传算法所获得的输出结果只是在最优值附近徘徊，因此需要对模型的稳定性进行检验，以此测试遗传算法给模型预测结果带来的影响，如果RBF模型的稳定性较高，则其预测结果所产生的波动性必然会小，反之亦然。对RBF神经网络模型进行100次迭代，由此可以获得100次迭代过程中的各个均方差。经过稳定性检验以后，检验结果表明，最终获得的训练误差均值是0.0114，其标准差是0.0021，每次迭代训练后产生的误差值全部处于[y-3δ，y+3δ]中，这证明了RBF神经网络模型具备较高的稳定性。综上所述，利用RBF神经网络模型来对我国农产品市场风险进行预测是可行的。

四、结语

基于RBF神经网络模型的我国农产品市场风险预测，能够让技术人员通过这种方法对农产品市场短期内的风险进行准确预测，进而提高农产品市场风险预测水平，有效保障农民的切身利益。当然，本文仅以大豆为例用RBF神经网络模型对大豆市场价格风险进行了深究，该模型同样能够用于玉米、水果、蔬菜等农产品的市场风险预测，具有极高的应用价值。

基金项目：国家社科基金项目“我国农产品价格的非线性动态调整及其预测研究”（14CJY056）；湖南省教育厅科学研究项目 “基于非线性动态特征的我国农产品价格波动及其预警机制研究”（12C0722）、湖南省社科成果评审委员会项目“湖南省农产品价格的非线性形成机制与动态风险预警研究”（XSP17YBZZ055）；湖南理工学院科学研究项目“近期我国物价波动趋势的分析与预测”（2011Y07）。