基于BP神經網絡的圖書館讀者流量預測

黃珍珍　毛亞楠　高萌

摘 要 本文主要基于BP神經網絡對圖書館讀者流量進行預測，建立BP神經網絡模型，從輸入層輸入數據，逐層傳遞，將輸出層輸出的預測值與實際值比較得出相對誤差，并以此為根據不斷調整網絡的權值和閾值，以獲得最小誤差。利用Matlab仿真模型對數據及預測結果誤差進行分析，結果表明BP神經網絡對圖書館讀者流量進行預測具有較好的效果。

關鍵詞 BP神經網絡 讀者流量預測 Matlab仿真

0 引言

圖書館以其豐富的圖書資源，強大的文獻檢索功能，為人們的工作、生活提供了極大的方便，使人們能夠快速及時地掌握最新科研成果、政治事件以及文化娛樂方面的信息。對圖書館讀者流量進行預測，能夠幫助圖書館工作人員及時掌握讀者流量數據，合理分配任務，從而在人群高發時期能做好準備應對一些突發應急事件。

然而，圖書館的讀者流量受到天氣、交通、地理位置和節假日等多種因素影響，因此讀者流量數據沒有規律和穩定性。考慮到讀者流量預測具有的“黑箱”和非線性的特征，為提高預測結果的準確性，本文采用BP神經網絡對流量進行預測，并在預測數據基礎上結合實際數據進行驗證。

1 BP神經網絡算法基本原理

BP神經網絡是誤差反向傳播的多層前饋神經網絡，是模擬大腦的工作方式，通過許多簡單的神經元組成的一種非線性系統，具有非線性映射能力、泛化能力和容錯能力的特點，主要應用于非線性建模、函數逼近、模式分類等方面。BP神經網絡基本結構為：輸入層、一個或多個隱含層和輸出層。

同層之間的神經元互相獨立，不進行數據的傳輸。輸入數據從輸入層輸入，逐層傳遞，且每層的輸出值通過連接權系數傳至下一層，輸入數據為前層輸出值的加權和。將輸出層數據即預測值與實際值比較得出相對誤差，利用輸出后的誤差來估計輸出層的直接前導層的誤差，再用這個誤差估計更前一層的誤差，如此一層一層地反傳下去，就獲得了所有其他各層的誤差估計，并以此為根據不斷調整網絡的權值和閾值，以獲得最小誤差。

2 讀者流量預測模型

2.1 數據的預處理

本文以某圖書館2011年10月1日至30日的讀者流量為數據樣本，做出讀者流量折線圖（如圖1所示）。

圖1 某圖書館1至30日讀者流量折線圖

為使數據規范化對數據進行歸一化處理，采用公式（1）進行計算。

= （1）

可以得到數據如表1。

表1 1至30日的讀者流量（千人）

2.2 預測模型

對讀者流量進行迭代預測，即以10月1日至6日的實際數據流量預測7日至12日的流量，再以7日至12日的實際數據預測未來六天的流量，依次迭代。這樣便將所有數據分為五組，每組數據六個值，輸出六個值，即輸入層神經元數為6，輸出層神經元數為6，根據經驗公式（2）

=+（2）

其中為輸入層神經元數，為輸出層神經元數，為隱含層神經元數， 為1～10之間的整數。取 = 2，得出隱含層神經元數 = 5，則形成結構為6—5—6的BP神經網絡模型。

3 預測結果與分析

本文通過Matlab建立仿真模型，網絡的中間層采用S型正切函數tansig（）作為神經元傳遞函數，輸出層神經元的傳遞函數采用純線性函數purelin（），訓練函數用trainlm（）。訓練參數為：訓練次數3000，訓練目標0.0002。

在網絡輸入層輸入5組實際數據作為訓練樣本，經過仿真模擬輸出層的預測值如表2。

表2 10月7日至11月5日讀者流量預測值（千人）

將預測值反歸一化處理后與實際值進行比較的誤差曲線分別如圖2所示。

圖2 7日至19日預測值與實際值的誤差曲線

可見本文設計的方法對于讀者流量的預測還是比較準確的，和實際值差別不大，基本達到了設計目的。

4 結束語

通過本文研究可知，BP神經網絡能夠較好地進行圖書館讀者流量預測，且神經網絡具有很強的非線性映射能力和柔性的網絡結構，靈活性強、精度高。由于讀者流量不具有周期穩定性，因此采用BP神經網絡預測方法能最大限度地減小誤差。本文的研究結果對于圖書館的科學管理有著重要的實用價值。