基于灰色理论与RBF算法的电子商务交易额预测研究

李洪磊 王德闯

摘 要：电子商务交易额是衡量一个国家或者地区电子商务发展状况的重要指标，精确的交易额预测在国家的电子商务战略决策中具有重要的意义。针对历年中国电子商务交易额的数据特征，提出了基于灰色理论与RBF神经网络算法的组合预测方法，并对未来的电子商务交易额进行预测，将预测结果与单一的GM1，1模型和RBF神经网络模型进行比较，显示出较高的精度，为电子商务交易额预测提供了新的方法。

关键词：电子商务交易额；灰色理论；GM1，1模型；RBF神经网络

中图分类号：F713.360 文献标识码：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

随着我国互联网和计算机信息技术的普及与发展，电子商务的发展速度及其影响力已经超出了人们的预期，电子商务将成为“大众创业、万众创新”的新引擎[1]。

关于电子商务交易额的预测，国内的研究论文相对较少。任丽丽、陆秋君[2]使用模糊线性回归模型对电子商务交易额进行预测。王小东等[3]使用时间序列预测模型对世界电子商务交易额进行预测。资道根[4]使用灰色理论模型对跨境电子商务交易额进行预测。但是，以上学者提出的电子商务交易额预测方法都是基于单一的模型，从而没有考虑到单一模型在预测方面的局限性，影响了最终预测结果的精度或实用性。例如，文献[2]中使用模糊线性回归模型对电子商务交易额的预测，预测结果误差较大，达到了14.5%。文献[4]中的灰色理论模型的预测结果虽然精度较高，但是若样本数目增加或者离散程度增大时，预测结果的精度会受到较大影响。因此，本文采用灰色理论与RBF神经网络组合预测模型对中国的电子商务交易额进行预测，并将预测结果与单独的灰色GM1，1模型和RBF神经网络算法预测结果进行比较，具有较高的精度。

3 结 论

通过构建灰色理论与RBF神经网络组合预测模型，对中国电子商务交易额进行预测，将预测结果与单一的RBF神经网络算法和GM1，1模型比较，精度上有较大的提高，为今后电子商务交易额预测提供了新的思路和方法。电子商务交易额预测以及电子商务的发展研究是一项整合各种技术的复杂任务，本文虽然给出了基于灰色理论和RBF神经网络算法的组合预测方法，但是对于电子商务交易额的影响因素没有涉及，这是对未来电子商务的一个研究方向。

参考文献：

[1] 中国社科院财经战略研究院课题组，荆林波. 电子商务：中国经济发展的新引擎[J]. 求是，2013（11）：15-17.

[2] 任丽丽，陆秋君. 电子商务交易额预测的模糊线性回归研究[J]. 江苏商论，2012（7）：66-69.

[3] 王小东，杨坚争，杨纳川. 世界上网人口与电子商务交易额预测[J]. 金融经济，2013（12）：173-175.

[4] 资道根. 基于灰色GM1，1模型的跨境电子商务发展前景预测分析[J]. 数学的实践与认识，2015（1）：96-105.

[5] 邓聚龙. 灰色系统基本方法[M]. 武汉：华中科技大学出版社，2005.

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

[7] 韩力群. 人工神经网络教程[M]. 北京：北京邮电大学出版社，2006.