陆文珺，柳炳祥

（景德镇陶瓷大学 信息工程学院，江西 景德镇 333000）

一种基于BP神经网络的人口总数预测方法

陆文珺，柳炳祥

（景德镇陶瓷大学 信息工程学院，江西 景德镇 333000）

本文运用BP神经网络方法预测中国人口总数，采用MATLAB工具箱实现BP神经网络模型。选取1970-2010年人口总数，应用插值模型拟合，推算出2011-2014年人口的预测值，与2011-2014年实际人口数进行对比，并用此模型对2015-2017年的中国总人口进行预测。实验结果表明，利用BP神经网络预测人口总数是可行的和有效的，模型简单易行，精度较高。

BP神经网络；人口总数；预测

0　引 言

人口总数又称总人口数，是指一定时点、一定地域范围内有生命活动的个人的总和。它不分性别，不分年龄，不分民族，只要是有独立的生命活动就包含在人口总数之内。人口总数是人口统计中最基本的指标。标准人口总数，对于了解国情国力，制订人口计划和经济、社会发展计划，进行人口科学研究，都有十分重要的意义。传统预测人口的方法主要有常微分方程方法、逻辑方法和动态预测法，这些方法对人口预测都有一定的作用，但采用这些方法，都需要对数据进行模型假设，在实际情况中，模型往往都是非线性的，如果只是在简单的模型假设下进行数据分析，结果往往是不准确的，达不到理想的预测结果。而神经网络对于复杂的、非线性的数据有曲线拟合能力。基于BP神经网络的时间序列预测方法，只需将历年人口总数输入，通过抑制和激活神经网络节点，自动决定影响性能的参数及其影响程度，自动形成模型，无需进行模型假设，本文就是利用该方法对我国人口总数进行预测。

1　BP神经网络

BP网络（Back Propagation），是1986年由Rumelhart和McCelland为首的科学家小组提出的，它是一种按照误差逆向传播算法，来训练的多层前馈的学习网络，网络中的各个神经元之间的连接强度靠权值的大小来实现。权值的大小随着网络对训练样本的增加、学习不断地调整改变，优化各个神经元之间的连接强度，不断提高整个网络对训练样本特征的反应灵敏度和精确度。BP神经网络的最大优点在于能够在短时间内学习和贮存大量输入输出模式映射，不需要知道这些映射关系的数学表达式，通过训练样本反向传播调节网络的权值和阀值，来达到网络的误差平方和最小的目的。BP网络是目前应用最广泛的神经网络模型之一，其结构如图1所示。

图1　BP网络结构

2　一种基于BP神经网络的人口总数预测方法

2.1人口总数数据采集

本文实验中所用人口数据取自《中国统计年鉴2015》，选取1970-2010年我国人口总数，应用插值模型拟合，并推出2011-2014年人口的预测值，与2011-2014年实际人口数作对比，实验所用人口总数数据如表1所示。

表1　1970-2015年人口总数　　　　　单位：万人

2.2人口结果预测数据

采用MATLAB工具箱实现BP神经网络模型，实验结果如图2、图3、图4、图5所示。1970-2010年实际人口与预测人口误差百分比如图2所示，1970-2010年实际人口与预测人口数据如图3所示。

图2　1970-2010年实际人口与预测人口误差百分比

图3　1970-2010年实际人口与预测人口数据

2011-2014年人口误差百分比如图4所示，2011-2014年实际人口总数与误差人口总数数据如图5所示。

图4　2011-2014年人口误差百分比

图5　2011-2014年实际人口总数与误差人口总数数据

从图4中可以看出，用BP神经网络预测人口总数误差值小于1.05%；从图5可以看出，预测2015年中国人口总数为138 883万人，2016年人口总数为139 547万人，2017年人口总数为140 188万人。依据国家统计局所公布数据，2015年末中国人口总数已达到137 463万人，与预计结果误差为1.03%。

3　结 语

本文按照《中国统计年鉴2015》中的人口总数数据，利用BP神经网络，通过MATLAB软件对1970-2010年中国人口总数数据进行拟合，并对2011-2014年中国人口总数预测，然后与这4年中国人口实际数据进行比较。实验结果表明，使用该方法的预测结果和实际值误差很小，精确度较高，模型简单易行，为中国人口总数预测提供了简单快速且准确的分析方法，有一定的实际应用价值。

主要参考文献

［1］杜国明.人口数据空间化方法与实践［M］.北京：中国农业出版社，2008.

［2］宋健.人口控制与人口预测［M］.北京：人民出版社，1981.

［3］程国建.神经计算与生长自组织网络［M］.西安：西安交通大学出版社，2008.

［4］中华人民共和国国家统计局.中国统计年鉴［M］.北京：中国统计出版社，2015.

［5］刘琳玥.基于PCA-BP神经网络的铁路客运量预测模型研究［J］.综合运输. 2016（08）.

［6］要亚斌，李淑琴，黄宇.基于神经网络的热工系统辨识方法研究［J］.计算机仿真，2016（8）.

［7］付克兰，李辉，张霞.BP神经网络预测模型及应用［J］. 信息与电脑理论版， 2016（11）.

［8］季渊，陈文栋，冉峰，张金艺，David LILJA.具有二维状态转移结构的随机逻辑及其在神经网络中的应用［J］. 电子与信息学报. 2016（8）.

［9］陈斌，胡丽，李昂，陈祥健，刘好武.基于BP神经网络算法的仿真研究［J］. 信息技术， 2016（8）.

［10］张俊，李鑫. TensorFlow平台下的手写字符识别［J］. 电脑知识与技术，2016（16）.

10.3969/j.issn.1673 - 0194.2016.20.096

C921

A

1673-0194（2016）20-0144-02

2016-09-20

江西省自然科学基金项目（20122BAB201044）。