張偉勇+胡小海+胡恬恬+岳利

摘要：汽車租賃需求預測結果的準確性直接影響到企業(yè)的收益。為了提高預測結果的精度，通過提出BP神經(jīng)網(wǎng)絡模型，依托于其強大的功能，對汽車租賃的需求進行預測。最后通過數(shù)值算例驗證了BP神經(jīng)網(wǎng)絡預測方法的有效性和實用性。

關鍵字：汽車租賃；需求預測；BP神經(jīng)網(wǎng)絡

引言：汽車租賃作為新興產(chǎn)業(yè)，從無到有，經(jīng)歷了十多年的發(fā)展，市場日趨成熟。他是一種新型交通運輸服務業(yè)態(tài)，是綜合運輸體系的重要組成部分。隨著汽車租賃的快速發(fā)展，需求預測的重要性就越來越重要。而汽車租賃的需求預測應該是調(diào)查分析租車市場的基礎上，運用科學的預測方法，對未來的需求及其變化規(guī)律做出準確的預測，才能準確把握行業(yè)發(fā)展趨勢，使企業(yè)制定精準的策略。同樣的，新汽車的購進、租賃車輛的定價、租賃站點的擴建等都要依托于精確的需求數(shù)據(jù)。但由于汽車租賃的需求經(jīng)常受到經(jīng)濟發(fā)展水平、國家政策、產(chǎn)業(yè)結構等復雜因素的影響，致使回歸分析法、時間序列法等一系列單一預測方法具有一定的局限性。一般來說，對于平穩(wěn)時間序列或非平穩(wěn)的只有趨勢性的時間序列分別采用單參數(shù)指數(shù)、線性或曲線指數(shù)平滑模型進行預測比較有效，但對于既有季節(jié)又有趨勢的時間序列上述方法基本上是無效的[1]。神經(jīng)網(wǎng)絡具有很強的非線性逼近性能及良好的自適應、聯(lián)想等功能，對于復雜因素影響有很好的解決效果[2]。

1 神經(jīng)網(wǎng)絡基本原理

人工神經(jīng)網(wǎng)絡（ANN）模型是模擬人腦結構和激勵行為的并行非線性系統(tǒng)，已成功地應用于信號分析、模式識別、圖像處理、自動控制等領域[3]。它主要是模仿人類大腦的神經(jīng)系統(tǒng)，模型的構建是由大量的神經(jīng)元組成，通常包含三層：輸入層、輸出層和隱含層。人工神經(jīng)網(wǎng)絡吸收了人類大腦神經(jīng)系統(tǒng)的諸多優(yōu)點：有較強的并行處理能力；有較強的非線性處理能力；較強的容錯與記憶聯(lián)想能力；以及較強的自適應與自學習能力[4]。人工神經(jīng)網(wǎng)絡根據(jù)學習方式的不同可分為有導師學習神經(jīng)網(wǎng)絡和無導師學習神經(jīng)網(wǎng)絡。具有代表性的有RBF神經(jīng)網(wǎng)絡、Hopfield神經(jīng)網(wǎng)絡、BP神經(jīng)網(wǎng)絡。由于BP神經(jīng)網(wǎng)絡結構簡單、可塑性強，特別的它的數(shù)學意義明確、結構算法分明，所以BP神經(jīng)網(wǎng)絡得到廣泛的應用。

2 BP神經(jīng)網(wǎng)絡結構

BP神經(jīng)網(wǎng)絡（Back Propagation Network，反向傳播網(wǎng)絡）是一種多層前饋型人工神經(jīng)網(wǎng)絡，其網(wǎng)絡結構通常包含輸出層、輸入層和隱含層。各層神經(jīng)元與下一層所有的神經(jīng)元通過賦予權值的連接進行信號傳遞。其基本原理是網(wǎng)絡學習、訓練是由兩個相反方向的過程構成，即信號正向傳遞和誤差反向傳播[5]。

利用Matlab軟件，采用本文建立的BP神經(jīng)網(wǎng)絡預測模型，利用四個周期的需求量，對第五個周期的需求數(shù)據(jù)進行預測，預測結果見表2.

由表2可知，基于BP神經(jīng)網(wǎng)絡的租車需求預測結果的最大相對誤差為8.75%，最小相對誤差為2.86%，說明文中提出的基于BP神經(jīng)網(wǎng)絡對于汽車租賃的需求預測有很好的應用性，而且，預測精度也有一定的保障。

結論：汽車租賃需求預測是汽車租賃企業(yè)制定后續(xù)決策的重要基礎和主要依據(jù)。本文在相關文獻的基礎上，利用BP神經(jīng)網(wǎng)絡模型對汽車租賃的需求預測進行了探討，該模型非常適合預測汽車租賃需求這具有明顯趨勢以及季節(jié)性的數(shù)據(jù)。最后通過數(shù)值算例，通過前四個周期的需求數(shù)據(jù)對第五周期的需求量進行了預測，驗證了該預測方法的可行性，可以為汽車租賃企業(yè)提供一定的決策依據(jù)。

參考文獻

[1] 李曉童. Holt-Winters模型與X-11模型在預測中的比較研究[J].中南大學學報，2000，16（2）：70-73.

[2] 凌浩，陳峻，王煒.用BP神經(jīng)網(wǎng)絡預測下游交叉口進口交通量[J].交通標準化，2005（1）：38-40.

[3] 王慶榮.基于神經(jīng)網(wǎng)絡與Holt-Winters模型的鐵路貨運量組合預測[J].蘭州交通大學學報，2010，29（4）

[4] 司昕. 預測方法中的神經(jīng)網(wǎng)絡模型[J].預測，1998，12（2）：32-35