基于灰色理論與RBF算法的電子商務交易額預測研究

李洪磊 王德闖

摘 要：電子商務交易額是衡量一個國家或者地區電子商務發展狀況的重要指標，精確的交易額預測在國家的電子商務戰略決策中具有重要的意義。針對歷年中國電子商務交易額的數據特征，提出了基于灰色理論與RBF神經網絡算法的組合預測方法，并對未來的電子商務交易額進行預測，將預測結果與單一的GM1，1模型和RBF神經網絡模型進行比較，顯示出較高的精度，為電子商務交易額預測提供了新的方法。

關鍵詞：電子商務交易額；灰色理論；GM1，1模型；RBF神經網絡

中圖分類號：F713.360 文獻標識碼：A

Abstract： E-commerce trade volume is an important index to measure a country or a region's E-commerce development situation， and an accurate volume forecast plays a critical role in making a country's E-business strategy. According to the data characteristics of China's E-commerce transactions throughout the years， this paper proposed a combined forecast model based on grey theory and RBF neural network algorithm. After predicting the trade volume of China's E-commerce， this report compared the combined forecast model with single GM1，1 model and RBF neural network model， which shows the combined forecast model's predicted results are much more accurate. Therefore， the combined forecast model can be used as a new method for predicting E-commerce trade volume.

Key words： E-commerce trade volume； grey theory； GM1，1 model； RBF neural network

0 引 言

隨著我國互聯網和計算機信息技術的普及與發展，電子商務的發展速度及其影響力已經超出了人們的預期，電子商務將成為“大眾創業、萬眾創新”的新引擎[1]。

關于電子商務交易額的預測，國內的研究論文相對較少。任麗麗、陸秋君[2]使用模糊線性回歸模型對電子商務交易額進行預測。王小東等[3]使用時間序列預測模型對世界電子商務交易額進行預測。資道根[4]使用灰色理論模型對跨境電子商務交易額進行預測。但是，以上學者提出的電子商務交易額預測方法都是基于單一的模型，從而沒有考慮到單一模型在預測方面的局限性，影響了最終預測結果的精度或實用性。例如，文獻[2]中使用模糊線性回歸模型對電子商務交易額的預測，預測結果誤差較大，達到了14.5%。文獻[4]中的灰色理論模型的預測結果雖然精度較高，但是若樣本數目增加或者離散程度增大時，預測結果的精度會受到較大影響。因此，本文采用灰色理論與RBF神經網絡組合預測模型對中國的電子商務交易額進行預測，并將預測結果與單獨的灰色GM1，1模型和RBF神經網絡算法預測結果進行比較，具有較高的精度。

3 結 論

通過構建灰色理論與RBF神經網絡組合預測模型，對中國電子商務交易額進行預測，將預測結果與單一的RBF神經網絡算法和GM1，1模型比較，精度上有較大的提高，為今后電子商務交易額預測提供了新的思路和方法。電子商務交易額預測以及電子商務的發展研究是一項整合各種技術的復雜任務，本文雖然給出了基于灰色理論和RBF神經網絡算法的組合預測方法，但是對于電子商務交易額的影響因素沒有涉及，這是對未來電子商務的一個研究方向。

參考文獻：

[1] 中國社科院財經戰略研究院課題組，荊林波. 電子商務：中國經濟發展的新引擎[J]. 求是，2013（11）：15-17.

[2] 任麗麗，陸秋君. 電子商務交易額預測的模糊線性回歸研究[J]. 江蘇商論，2012（7）：66-69.

[3] 王小東，楊堅爭，楊納川. 世界上網人口與電子商務交易額預測[J]. 金融經濟，2013（12）：173-175.

[4] 資道根. 基于灰色GM1，1模型的跨境電子商務發展前景預測分析[J]. 數學的實踐與認識，2015（1）：96-105.

[5] 鄧聚龍. 灰色系統基本方法[M]. 武漢：華中科技大學出版社，2005.

[6] Ali Ghodsi， Dale Schuurmans. Automatic basis selection techniques for RBF networks[J]. Neural Networks， 2003（6）：809-816.

[7] 韓力群. 人工神經網絡教程[M]. 北京：北京郵電大學出版社，2006.