4.2基于BP神经网络的价格预测

（1）模型原理：

鉴于神经网络在预测方面的强大功能和高精度，以及对非线性问题的很好逼近，故采用这种方法来进行预测。而BP网络在预测中应用广泛，它是利用非线性可微分函数进行权值训练的多层网络，它包含了神经网络中最为精华的部分，结构简单，可塑性强，逼近性好，故我们采用BP网络来预测部分任务的定价方案，来得到定价规律，同时可以验证模型1的规律。

图3为BP神经网络的原理示意图。

网络的输入有2个元素，即会员密度，任务密度，网络的输出有1个元素，即任务定价。这样输入层有2个神经元，输出层也有1个神经元，中间层的神经元个数可取不同值进行尝试，取误差最小的为最终结果。

网络中间层神经元函数采用S型正切函数tansig，输出层神经元函数采用S型对数函数logsig，用变量threshold用于规定输入向量的最大值和最小值，最大值为1，最小值为0，设定网络的训练函数为trainlm，它采用Levenberg-Marquardt算法进行网络学习。

（2）模型准备（数据归一化）：

在训练之前应将所有数据归一化处理，使其落在[0,1]区间，对于会员密度和任务密度 ，我们采用的归一化函数是： Y=A(l)/900；对于定价，我们采用的归一化函数是： Y=P(l)/100。

这是因为数值相差较大，须采用不同的归一化函数。

（3）、模型求解：

我们用这种方法预测随机选择的30个任务的定价。

经多次尝试，当模型的训练次数取600，训练目标为0.01,学习速率为0.1，中间神经元个数取11时误差最小。

将得出的结果为经过反归一化后，我们得到结果与模型一得到的结果进行比较，数值见附录1。可知模型1的拟合效果较好。

4.3 任务未完成原因分析

在将数据可视化后，我们地图上的白点表示会员，红色的点表示未完成的任务，绿色的点表示完成的函数。根据我们所拟合的函数和查阅的背景资料，现对任务未完成的原因分地区进行讨论。

深圳市经济十分发达，居民生活水平普遍较高，并且中心的会员密度大，部分会员信誉度很高。但是由于城区会员密度大，任务价格偏低，所以深圳市城区的任务完成度较低。相比之下东菀与深圳市中心情况相仿，但东莞的任务完成度很高。我们从城市发展水平角度进行分析，深圳市的经济发展水平优于东菀，导致人们对于任务的价格预期较高，所以任务没有完成的原因是深圳市区的价格较低，项目在定价时没有考虑城市之间经济水平的差异。

下面是关于佛山市和广州市的任务完成情况。

我们明显能观察出完成的任务和没有被完成的任务在地图上呈现出块状分布，只在少量地区有重合部分。通过将地图放大观察任务所在地的建筑以及查阅资料来考察地区的发展水平，我们得到的结论就是在富人居住的区域，任务普遍没有被完成，在欠发达的区域和厂区，任务完成度比较高。所以任务没有被完成的原因是因为这里的人们对于完成任务的积极性不高。所以对不同的城市采取相同的定价方案是不合理的，即深圳市的会员对价格的要求较高，东莞的会员对价格的要求较低。

分享让更多人看到