基于BP神經網絡的多因素人口增長預測

文/黎育權

長期以來，人口增長預測一直是有著十分重要意義的一個課題。通過預測未來的人口數量，相關部門可以做出更好的決策，使得社會資源更好的分配。學者們已經提出各種各樣的線性回歸模型以及多元線性模型，人口是非線性的現代，灰色模型和神經網絡模型，較準確，但很多研究都是從人口基數趨勢的角度出發，沒有考慮根本原因。本論文從其根源考慮人口增長的多個因素，并使用科學的方法進行預測，使得人口預測更加的準確。

1　BP神經網絡

BP 神經網絡是應用最廣泛且十分強大的一種人工神經網絡。BP神經網絡通常擁有至少三層，包括輸入層、一個或多個隱藏層和輸出層。BP神經網絡的最大特點是強大的映射能力，只要 BP 神經網絡中隱藏層的神經元足夠，并以足夠的數據進行訓練，足以以任何一個精度無限逼近某個非線性函數。

2　人口增長預測模型設計

2.1　數據獲取及處理

參考人口因素分析文獻，預挑選出多個指標并從國家數據統計局官網取得數據。首先進行主成分分析法進行處理，運用降低數據緯度的思想，把多個因子轉換5個因子。隨后對

圖1：神經網絡結構圖

特征進行相關性分析，死亡率與增長人口的Pearson、Spearman系數皆小于0.5，相關性不強，故剔除死亡率因子。最終得到經過處理的人口基數、人口出生率、經濟因子、普通高等學校招生數和高校數量五個因子1978-2015年的數據，以及經過處理的1979-2015年增長人口數據。

2.2　神經網絡的搭建

BP神經網絡采用Adam算法為學習方法，損失函數采用MSE，全局學習速率設置0.001，一階據估計指數衰減率設置為0.9，二階據估計指數衰減率設置為0.99，epsilon極小值設置為10e-8，期望誤差值為0.00001，訓練步數設置為10000。確定了神經網絡的結構和參數，搭建如圖1結構的神經網絡。

3　人口增長預測

使用1978-2014年的因子數據和次年增長人口作為作為訓練集訓練神經網絡，神經網絡在第8592步收斂到理想狀態，誤差小于理想誤差。使用同樣的參數和方法搭建一個一元輸入的神經網絡用于因子的短期預測。并將因子短期預測所得到的值作為輸入，預測未來2016～2021年的人口增長數。

由預測結果可知，在2019年年末，我國人口將達到14億，并在2016～2021年持續保持平均0.510%的增長速率。使用神經網絡對人口進行較準確的短期預測是可行的，但因為各個影響因子和人口增長具有的混沌特性，對于長期預測則缺乏科學性，不做討論。