基于神经网络组合模型的物联网发展预测研究_物联网产业论文

基于神经网络组合模型的物联网产业发展预测研究，本文主要内容关键词为：组合论文,神经网络论文,产业发展论文,模型论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。

      一 引言

      物联网产业发展战略规划和相关政策的制定，要求对物联网的发展前景进行科学、准确的定量研究。但由于物联网产业发展时间短、历史数据少，缺乏统一的官方统计数据，并且物联网产业涉及领域广、数据收集难，在此方面的研究需要适应性更强、准确度更高的方法。①李遵白，杨德林(2011)等人用两种方法对物联网市场进行了预测：一种是以电信业和RFID产业作为自变量，通过构建物联网产业的关联方程来预测物联网产业的产值；另一种是采取问卷调查的形式，调查物联网领域的学者和相关从业人员对物联网产值的预测。两种方法都具有合理性，但研究方法较为粗糙，主观性和随机性较强，结果准确度较低。黄迪(2011)利用灰色预测模型，构建GM模型对RFID市场规模数据进行分析，但该模型只是单纯地通过对时间序列分析来了解系统的运动规律，并没有对系统的结构机理进行探讨，在处理复杂的非线性关系时准确度较低。人工神经网络的自适应性强，能够利用函数增加样本数量，调整网络结构以适应物联网产业发展的规律，以最优的方式预测物联网产值，弥补物联网数据不足、误差较大的缺点，可以有效地提高预测的准确性，但单个网络模型容易陷入局部收敛，达不到全局最优。因此本文在两个单个神经网络检测的基础上，建立了BP-RBF组合神经网络来预测物联网产值。

      二 模型构建及样本处理

      1.BP、RBF神经网络及组合预测模型

      BP神经网络由多层构成，所使用的传递函数一般是Sigmoid函数，定义为：

。本文采用动量梯度下降算法(TRAINGDM)来训练网络，该方法是对BP法的改进，通过增加动量因子α，能够稳定学习率，使网络具备了一定的抗震动能力和加快收敛的能力，适合于数据少、误差大的物联网产业的预测。

      RBF神经网络的隐含层是非线性的，将输入向量空间转换到隐含层空间，使原来线性不可分的问题变得线性可分。径向基函数一般为高斯函数，其表达式为：

      

      式中，

为第k个输入训练样本，k=1，2，…，P，P为样本数；

为第i个高斯函数的中心，i=1，2，…，N，N为隐含层点数。本文采用newrbe函数创建一个严格的径向基函数，该函数适用于物联网数据样本较少的情况，能够建立一个误差几乎为零的神经网络。Spread表示径向基函数的扩散速度，在训练网络时，可通过不断调整来达到理想的效果。

      组合预测模型是由Bates和Granger(简称BG)在1969年第一次提出。如果将单项预测看作不同信息片段，那么组合模型可以通过信息的集成，来分散单项预测的不确定性，提高预测精度。我们在组合预测时仍采用RBF网络模型，在单个预测结果的基础上，进行模拟训练，对比三种训练结果并进行最终预测。

      2.确定训练及检验样本

      《物联网“十二五”发展规划》将物联网产业划分为感知制造业、通信业和应用服务业。感知制造业主要包括RFID、传感器、智能仪器仪表等前端产品的制造，②这些起到基础和支撑作用产业，其产量在很大程度上决定了物联网产业的规模；通信业是实现物联网物物相连、人物相连的媒介；处在产业链下游的服务业包括云计算、物联网软件与设备销售服务业和物联网应用服务业，是物联网发展的最终目标。此外，投资规模的大小不仅决定了该产业的发展规模和方向，还体现了这一产业是否具有投资价值和发展潜力，因此，也对物联网产业规模产生巨大的影响。

      为保证数据的准确性，本文中RFID、传感器、仪器仪表产量构成的制造业数据来自于中国仪器仪表行业协会、中国传感器网和中国物联网；云计算、软件销售、应用服务业等数据来自于2006-2012年《中国统计年鉴》和中国物联网；投资规模来自于中国物联网。对于缺失的数据，本文采用指数平滑、取均值等统计方法进行了处理。

      本文选取2005-2011年物联网产业数据，其中将2005-2009年的历史统计数据作为BP和RBF网络模型的训练样本，2010和2011年的历史统计数据作为BP和RBF网络模型的检测数据，并对2012-2020年的物联网产值进行了精确预测。

      3.样本归一化处理

      本文采用均值法，即用每个指标数据比上该项指标数据的平均值，来对数据进行归一化处理。该方法可以在消除量纲和数量级影响的同时，保留各变量取值差异程度上的信息，也就保留了指标的可比性，差异程度越大的变量对综合分析的影响也越大(韩胜娟，2008)。

      归一化公式：

      式中

为该项指标的平均值，

为第i个指标的无量纲化指标值。归一化之后的数据见表1。

      反归一化的公式：

      式中

为预测结果数据。

      

      三 组合神经网络模型的检测

      1.BP神经网络模型结构确定与网络的训练和检验

      BP神经网络采用试算法来确定输入节点和隐含节点的个数，输出结点数取为1，隐含层输入节点个数为4，分别为物联网制造业、通信业、服务业和投资规模；隐含节点取10个，训练最大值为1000次，在训练222次之后，网络误差精度能达到0.1%。

      在模型确定之后，接着用Matlab R2012a软件神经网络工具箱中的newff函数对网络进行训练和测试。隐含层中的神经元采用tansig函数，输出层采用线性传递函数purelin，可得到输入样本为P时的网络层输出矩阵。

      利用Matlab R2012a建立BP神经网络时的主要程序：

      net=newff(minmax(P)，[5，1]，｛′tansig＇，′purelin＇｝，＇traingdm＇)%创建一个新的前向神经网络

      net.trainParam.show=50；

      net.trainParam.lr=0.05；

      net.trainParam.mc=0.9；

      net=init(net)

      [net，tr]=train(net，P，T)；%调用TRAINGDM算法训练BP网络

      Psim=sim(net，Ptest)%对BP网络进行仿真

      Psim=1.2164 1.5821%产生输出结果

      2.RBF神经网络模型结构确定与网络的训练和检验

      RBF网络的输入层神经元个数为4个。输出层神经元个数为1个，即物联网产值。我们仍采用高性能的数值计算可视化软件Matlab R2012a建立人工神经网络，并利用函数newrbe创建一个神经网络。由于物联网样本个数较少，为充分利用训练样本，我们对5份数据进行二维插值，利用Matlab中的interp2函数将样本数量增加到35份，神经元个数为36。我们不断调整数据的扩散速度，最后在扩散速度为0.9时得到最佳结果。

      利用Matlab R2012a建立利用Matlab R2012a建立RBF神经网络时的主要程序：

      %对训练样本做插值

      N=size(trainx，2)；%训练样本的个数

      [xx0，yy0]=meshgrid(1∶N，1∶5)；%网格

      [xx1，yy1]=meshgrid(linspace(1，N，35)，1∶5)；

      XX=interp2(xx0，yy0，X，xx1，yy1，＇cubic＇)；%使用interp2函数做二维三次插值

      trainx=XX(1∶4，：)；%形状复原

      trainy=XX(5，：)；

      er=1e-8；%误差容限

      net=newrb(trainx，trainy，er，spread，N)；%创建一个严格的径向基网络

      Psim=sim(net，Ptest)

      Psim=(1.3456 1.6812)

      3.BP-RBF神经网络组合预测及部分实现程序

      将上述两种方式实现的预测结果进行组合，设计第二个RBF神经网络。先将BP神经网络得到的Psim的值和RBF神经网络得到的Psim的值组成一个2×2的矩阵TC，作为第二个RBF神经网络的输入样本，T仍然作为输出样本，来训练网络。采用输入值的平均值TT作为输入样本来检测网络，输出值仍为目标输出值。采用组合来仿真预测2010-2011年中国物联网产业的产值规模，并与真实值相比较，检验组合预测方法是否有效地提高了预测精度，得出了较为满意的预测。

      利用Matlab R2012a建立BP-RBF神经网络组合模型时的主要程序：

      net=newrbe(TC，Ttest)；

      TT=[1.3993，1.3993；1.5134，1.5134]＇；

      Y=sim(net，TT)

      Y=1.3159 1.6283%产生输出结果

      E=(0.0127-0.0556)

      MSE=0.0016%与目标值的误差

      4.三种预测方式的比较

      三种预测采用的函数和程序不尽相同，导致预测的数据和相对误差的不同。我们对预测数值进行反归一化之后，比较了三种预测的结果(见表2)。

      从表2的结果中，我们可以看到，采用组合预测法的平均误差要小于单独使用BP神经网络和RBF的误差，可以表明，使用BP-RBF组合预测的方法，能够提高网络预测的精准度，有效地对未来的数据进行预测。

      

      四 基于BP-RBF组合的物联网产业规模预测

      1.基于组合网络的结果预测

      根据组合预测方法，对2012-2020年全国物联网产业规模进行了预测，结果见表3。

      

      表中的定基增长率是以2010年为基年的增长率，可以清晰地看到物联网产业在较长时期内总的发展方向和速度；环比增长率呈现逐年增速的变化趋势。在我们的预测结果中，2012年的物联网产值3480亿元与咨询公司的3650亿元的核算结果比较吻合，而2013年4716亿元的结果也与中国电子信息产业发展研究院的预测结果4896亿元的预测相差不大，并且我们的预测结果证实了研究院院长罗文对未来三年物联网增速保持30%的说法。③根据预测结果，2020年物联网产值达到16668亿元，也支持了2020年市场规模超过万亿元的结论，④事实上，根据预测结果，在2017年，我国物联网市场规模已经超过了万亿元。以上都说明了组合神经网络预测的可靠性。

      图1反映了物联网2010-2020年产业规模及增长率的趋势。我们可以看到，定基增长率曲线比较平滑，到2020年，物联网产业的发展一直处于稳定增长的状态，于2013年达到一倍以上，2020年比2010年翻了7倍多，显示了物联网产业的稳定发展趋势；而环比增长率有着明显的下降趋势，2012-2015年保持了三年的30%以上的增长率，是物联网产业快速增长阶段，在这之后的2016年的环比增长率只有14.56%，不足2015年的一半，2017年达到增长率的小高潮23.55%之后，从2018年开始，物联网产值的增长率不断下降，并在2019年下降到10%以下，仅为8.46%，为9年的最低水平，2020年有所回升，但不明显，为9.94%。物联网产业从2019年开始进入较为缓慢的发展阶段。

      

      图1 物联网产业规模及增长率趋势图

      2.我国物联网的阶段式发展分析

      根据以上的数据分析，结合信息产业发展阶段的划分和物联网产业的发展特性，我们将中国物联网产业从2005-2020年16年的发展分为四个阶段，见表4。

      

      2005-2010年为物联网产业发展的探索期，增速在10%左右，物联网产业刚刚兴起，技术的开发、产品的应用都处于实验和摸索的阶段，不存在完整的产业链，处于产业形成阶段。

      2011-2015年为物联网产业发展的快速成长期，这一时期的物联网增速最快，环比增长速度均在30%以上，是产业在形成以后的黄金发展时期。物联网技术趋于成熟、产业布局初步形成，⑤大量新产品、新组织形态和新商业模式开始出现，产业链形成并逐步完善。

      2016-2018年为物联网产业的稳定成长期，在这个阶段，物联网产业的增速明显放缓，其环比增长率在10%-25%之间，产业发展趋向于稳定。经过了快速的增长，产业基础得得到巩固，产业链得到完善，⑥产业布局由点到面、网状分布。

      2019-2020年为物联网产业的成熟期，物联网产业的增速下降到10%以下。物联网技术、服务、应用等都趋于成熟，对传统产业的改造和提升，将物联网技术和理念融入到各行各业中，并成为其发展的推动力量。

      根据以上对我国物联网产业发展阶段的划分，各地区应当把握好发展的节奏，制定切实可行的发展计划，有序的发展物联网，避免资源的浪费。

      五 结论

      本文在利用BP、RBF单个神经网络模型进行训练的基础上，构建了BP-RBF组合神经网络，并利用2005-2009年的数据进行网络训练，利用2010-2011年的数据进行测试。对比三种预测方式，BP-RBF组合预测模型有着明显的优势。利用训练好的组合模型，对中国物联网产值进行了预测，得到2012-2020年的预期产值，并将我国物联网发展划分为三个阶段。物联网产值的预测和对物联网发展阶段的划分，有利于国家更好的把握物联网产业发展节奏，对各地区物联网发展的规划有借鉴意义。

      ①长城战略咨询发布的《物联网产业发展研究(2010)》中对20110-2015年中国物联网行业应用市场规模进行了预测；美国权威咨询机构FORRESTER预测，到2020年，世界上物物互联的业务，跟人与人通信的业务相比，将达到30比1；《2010-2011年中国物联网发展年度报告》预计，未来五年物联网产业将呈现快速增长的态势，报告预计2015年物联网产业规模将达到5000亿元人民币，年均增长率达到11%左右。

      ②工信部发布的《2011物联网白皮书》中对物联网产业进行了细分，我们将其作为对物联网产业规模预测的基础。

      ③中国电子信息产业发展研究院院长罗文23日说，随着物联网技术的研发和产业的发展，预计2013年中国物联网市场规模将达4896亿元，未来三年中国物联网市场增长率将保持在30%以上。

      ④李遵白在预测中得到，到2020年最保守的情况下，物联网产业的业务总量仍可以达到45万亿的水平。

      ⑤赛迪顾问发布的《中国物联网产业地图白皮书(2011)》中认为，物联网产业发展“强者愈强”、产业布局“多点开花”、产业演变“合纵连横”，并具体描述了主要城市的物联网产业分布格局。在物联网发展初期，产业布局呈现点状分布。

      ⑥侯赟慧、岳忠刚(2010)提出通过构建产业互联通道、整合产业链等方式实现其向高端化方向发展；储成祥(2012)等人分析了现有产业链协同的障碍，提出要加强产业链合作，提升产业链内部各项产业的发展和联合。

标签：物联网产业论文;  神经网络模型论文;  中国物联网论文;  rbf神经网络论文;  网络模型论文;  预测模型论文;  bp神经网络算法论文;