基于粒子群优化的BP神经网络预测方法及其应用研究

２００８年第１期　漳州师范学院学报（自然科学版）　Ｎｏ．１．２００８年　（总第５８期）　Ｊｏｕｒｎａｌ　ｏｆ　Ｚｈａｎｇｚｈｏｕ　Ｎｏｒｍａｌ　Ｕｎｉｖｅｒｓｉｔｙ（Ｎａｔ．Ｓｃｉ．）　ＧｅｎｅｒａＩ　Ｎｏ．５８　文章编号：１００８－７８２６（２００７）０４－００３２－４０　基于粒子群优化的ＢＰ神经网络预测方法及其应用研究　黄丽君　，郭文忠２　（１．福建工程学院经济管理系，福建福州３５００１４；２．福州大学数学与计算机科学学院，福建福州３５０００２）　摘要：本文提出了一种基于粒子群优化的ＢＰ神经网络预测方法．该方法利用粒子群优化算法全局搜＂ｇＢＰ　神经网络的权值和阚值，并利用优化后的ＢＰ网络建立预测模型对经济指标进行预测．仿真实验结果表明，该方法　克服了传统ＢＰ神经网络本身所存在的局部最小值和训练速度慢等不足，能够较好应用于定量经济指标预测，有　效提高了预测的精度．　关键字：经济预测；粒子群优化；ＢＰ网络　中图分类号：ＴＰ１８３；Ｆ１２４　文献标识码：　Ａ　１　引言　经济预测是对未来经济发展所做出的科学判断或预见，它是根据经济科学自身的规律，应用科学方法，　对经济过程及其各要素的变动趋势做出的客观描述．经济预测是各级领导和经济管理工作者制定政策，做　出决策，编制计划及进行科学管理的重要依据，经济预测在经济建设中的重要意义不容置疑．按照预测结　果及方法的性质分，经济预测可分为定性经济预测和定量经济预测．目前最常用的定量经济预测方法主要　有…：时间序列分析、线性回归法、非线性回归法、灰色预测法、投入产出法、马尔可夫预测法、神经网　络预测法等．在几种常用的定量经济预测方法中，神经网络预测方法是近年来备受关注，而ＢＰ神经网络　是目前应用的比较普遍的一种神经网络　．　粒子群优化算法（Ｐａｒｔｉｃｌｅ　Ｓｗａｒｍ　Ｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）最早是由Ｋｅｎｎｅｙ与ＥｂｅｒｈａｒｔＭＴ于１９９５年提　出的，源于对鸟群捕食的模拟，进而演化而来的随机化搜索最优解的方法．ＰＳＯ利用种群中个体对信息的　共享，自适应地调整搜索方向，具有内在的隐并行性和很好的全局寻优能力，并且流程简单实现、算法参　数简洁、无需复杂的调整．由于ＢＰ神经网络存在收敛速度慢和易陷入局部极值点等缺陷，本文充分利用　ＰＳＯ的上述特点，提出一种基于ＰＳＯ的ＢＰ网络预测方法，该方法利用ＰＳＯ训练ＢＰ网络的权值和阈值，　综合神经网络能自动在海量数据中提取隐藏规律和ＰＳＯ全局搜索、收敛速度快的优点对经济指标进行预　测．　２基于ＰＳｏ的ＢＰ神经网络预测方法　２．１　ＢＰ神经网络　ＢＰ网络一般为多层神经网络，是一种多层前馈神经网络，其传输函数通常采用Ｓ（ｓｉｇｍｏｉｄ）函数：　１　厂（　）＝—二一　（１）　１＋ｅ　ＢＰ网络的学习过程分为两个阶段：　（１）输入已知学习样本，通过设置的网络结构和前一次迭代的权值和阈值，从网络的第一层向后计算各　收稿日期：２００７．１１．１０　基金项目：教育部科学技术研究重点项目（２０６０７３）；福建省自然科学基金项目（Ａ０６１００１２）　作者简介：黄丽君（１９７６．），女，福建省莆田市人，硕士．　维普资讯 http://www.cqvip.com 第１期　黄丽君，郭文忠：基于粒子群优化的ＢＰ神经网络预测方法及其应用研究　３３　神经元的输出；　（２）对权值和闽值进行修改，从最后一层向前计算各权值和阈值对总误差的影响（梯度），据此对各　权值和阈值进行修改．　以上两个过程反复交替，误差逐层往回传递，以修正层与层间的权值和阈值，直到达到收敛为止，本　文下面的ＰＳＯ适应度函数就是依据这个确定的．同时，因为在神经网络训练中，可能出现所谓的“过适配”　问题【４ｊ，对于训练集的样本误差可以很小，但对于训练集以外的新样本其误差会很大，即网络记忆了训练　过的样本，但缺乏对新样本泛化的能力．本文通过修正网络误差性能函数及误差性能调整率来提高网络的　泛化能力．　２．２基本ＰＳｏ算法　基本ＰＳＯ算法中，粒子的位置代表被优化问题在搜索空间中的潜在解．所有的粒子都有一个由被优化　的函数决定的适应值，每个粒子还有一个速度决定它们飞翔的方向和距离，粒子们追随当前的最优粒子在　解空间中搜索．ＰＳＯ初始化为一群随机粒子（随机解），然后通过迭代找到最优解．在每一次迭代中，粒子通　过跟踪两个“极值”来更新自己．一个是粒子本身所找到的最优解，称为个体极值ｐｂｅｓｔ；另一个极值是整　个种群目前找到的最优解，称为全局极值ｇｂｅｓｔ．粒子主要根据以下公式更新自己的速度和位置：　Ｖｉｄ＝ＷＶｉｄ＋Ｃ１ｒａｎｄ１Ｏ（ｐｂｅｓｔ—Ｘｉｄ）＋Ｃ２ｒａｎｄ２Ｏ（ｇｂｅｓｔ一　ｄ）　Ｘｉｄ＝Ｘｉｄ＋Ｖ　（２）　（３）　由于ＢＰ网络在预测时还存在一些问题，例如收敛速度慢、易陷于局部极小、学习过程常发生振荡、　训练过程中学习新样本时有遗忘旧样本的趋势等【４】．为克服这些不足，本文引入ＰＳＯ，利用其良好的算法　收敛性使所求问题能够以较大概率收敛到全局最优解或次优解，很好地解决了ＢＰ神经网络本身存在的局　部收敛性问题，同时还可以优化ＢＰ网络的权值和阈值，提高ＢＰ神经网络在经济指标预测中的精度．　２．３基于ＰＳｏ的ＢＰ神经网络预测方法　２．３．１编码机制　ＢＰ网络在学习时，其权重的初始值是非常重要的，初始值过大或者过小都会影响学习速度，这是一　个复杂的参数体系优化过程．本文对权值采用实数编码，初始的权值设置为随机数，每个粒子代表一个神　经网络的权值初始分布，并设定粒子的最大速度限制．　２．３．２参数控制　（１）本文的ＢＰ网络包括输入层、隐层和输出层三层．其中输入层节点数有ＩｎＮｕｍ个；输出层节点数有　ＯｕｔＮｕｍ个：隐层的节点数确定比较麻烦，太多会导致学习时间过长，太少则容错性差、识别未经学习样　本的能力低，这里采用如下公式进行隐层节点数的设计【４】：　ＭｉｄＮｕｍ：　＋日　（４）　其中，ＭｉｄＮｕｍ为隐层节点数，ａ为１～１０之间的常数．　（２）粒子的惯性权重ｗ采用线性递减方式　，具体如式（５）所示，而加速因子　和ｃ２采用作者前期工　作提出的调整策略　们，具体如式（６）和（７）所示．　ｗ　，＝Ｗ…一—，　ｍａｘ一＿Ｗｍａ　ｘ　－—　Ｗｍｉｎ。．ｃ，ｆ　Ｐｒ　ｒ　…（５）　■ｒＪ‘＾＾Ｊ●　，　维普资讯 http://www.cqvip.com

３４　漳州师范学院学报（自然科学版）　２００８熊　（Ｃｌｅ－－Ｃｈ．）＋ｃ。＝　，．‘　ｃ－　（６）　ｃ：＝　‘　，．，　（Ｃ２Ｍｅ－－Ｃ２ｓ）＋∞ｃＩｔｅｒ　ｃｚ　（７）　其中，ｃｉｔｅｒ为当前迭代代数，Ｗｍ　＝０．９５，Ｗｍ｜ｎ＝０．２５，Ｍａｘｌｔｅｒ为总迭代代数，ＣＩ　＝２．７５，ＣＩ　＝１－２５，　Ｃ２　＝ｏ．５，Ｃ２Ｐ＝２．２５．　２．３．３适应度函数　因为ＢＰ网络是一种前馈神经网络，其误差是逐层往回传递来修正层与层间的权值和阈值，直到收敛　为止．为此，这里粒子的适应度函数定义如下：　ｍａｄ：　（８）　其中，Ｑ代表训练样本数，Ｙ代表神经元输出的实际值，ｔ代表神经元的期望值．　２．３．４算法描述　本文提出的基于ＰＳＯ的ＢＰ神经网络算法流程如下：　Ｓｔｅｐｌ：　初始化所有粒子，设置粒子的初始位置和速度，每个粒子的ｐｂｅｓｔ设为其初始位置，ｐｂｅｓｔ　中的最好值即为ｇｂｅｓｔ：　Ｓｔｅｐ２：　评价每个粒子的适应值，计算每个粒子的目标函数：　Ｓｔｅｐ３：　对每个粒子，将其适应值与其经历过的最好位置ｐｂｅｓｔ进行比较，如果优于ｐｂｅｓｔ，则将其　作为当前的最好位置ｐｂｅｓｔ，同时将其适应值与种群所经历过的最好位置ｇｂｅｓｔ进行比较，如果优于　ｇｂｅｓｔ，则将其作为种群最优位置；　Ｓｔｅｐ４：　根据式（２）和（３）调整当前粒子的速度和位置；　Ｓｔｅｐ５：　将新个体插入到种群中，计算新个体的评价函数；　Ｓｔｅｐ６．　检查终止条件，若满足则终止迭代，否则转步骤２：　Ｓｔｅｐ７：　用得到的优化初值作为ＢＰ网络的初始权值和阈值，进而训练网络并进行预测．　３仿真实验　３．１实验数据集与参数设置　仿真试验的样本集来自国家统计局的１９９０．２００１年的１６项经济指标，具体如表１所示，本文提出预测方　法的参数选取为：　ｍ＝４，ＯｕｔＮｕｍ＝１，ＭｉｄＮｕｍ由式（４）确定．　３．２实验结果分析　为验证本文提出预测方法的性能，本实验分两组进行：第一组比较本文提出预测方法（简称ＰＳＯ．ＢＰ）　和文献【５】给出的ＧＡ．ＢＰ算法进行神经网络训练的速度比较，比较结果如图１所示：第二组用表１中的１６项　经济指标，以本文提出的ＰＳＯ．ＢＰ预测方法对２００２－－２０１０年的国民生产总值进行预测，预测结果如图２所示．　图１结果表明了采用ＰＳＯ．ＢＰ预测方法，训练速度比ＧＡ．ＢＰ有明显的提高，采用ＰＳＯ．ＢＰ大约迭代到１ｏｏ代即　可以达到０．００１的误差，而采用ＧＡ．ＢＰ￣ｌＪ大约一直迭代７００代左右才达到０．０１的误差．由图２结果可知，　２００２．２００６年的国民生产总值变化趋势与目前的国民生产总值变化趋势基本上一致，因此可以将预测结果　用于模拟计算．　维普资讯 http://www.cqvip.com

第１期　黄丽君，郭文忠：基于粒子群优化的ＢＰ神经网络预测方法及其应用研究　表１　１９９０－２００１年的１６项经济指标　误差籍度　。０　０　０　０　邓静　ｌ　２　赫　鼍ｒ嚣　咒　壮　谢亿　．・　±’Ｔ囊待搿警　｝９・柏　｛‘　ｌ　｝　・　ｌ８６８１．８　２１　７８１　５　２６９２３．５　３Ｓ３３３　ｇ　４８１ｇＴ．９　日０７９３．７　Ｔｉ！Ｔ８．６　１８９７３　Ｓ　ｌ　‘　＇　７　Ｓ｛　０　Ｓ，赫舢　Ｉ｛｝７札０　∞　巧　ｌ１　、　ｌ３　｝０　ｌ蚺｛　｝０ｑ　ｌ　’１ｆ１　ｌ７　ｌ１　ｌ　－”　３ｊＨＸ）　ｌ　．Ｉ７‘　’２　２：ｊ６　Ｂ４４０２．３　８９６７７．Ｉ　９９２ｉ４．６　ｌＯ９６６５：　４２７　５　：　也　７　２Ｈ７３，Ｓ　７“ｊ７１　，　｜ｊ　３　３４Ａ）　：料２ｍ　｝　ｉＪ　｝｝　：“‘ｊ”　４　蒜　建　愤磷乜ｆＬ）　鞋箍　【匕艚＾｛　ｔ　德簿　辨群罐）　｝■　Ｓ　２ｌ１５　ｓ　Ｉ２３＾　１９　７ｔ　Ｉｌ：７　４ｈＩ５　《∞６　７　１ｌ４１　Ｉ　７Ｈ｛　２Ｉ　｛　）　６　４９３　６Ｍ２　２　７４０￣．ｆ１　｝７∞　｝　ｌ“４　ｌ　４　５　２　ｂ，　ｌ１１ｑ‘１　Ｓ　ｌ、　Ｉ　４２　Ｉ，ｌ¨　ｌＪ卿ｑ　ｌ　４ａ０　ｉ４９．≮　错　０　Ｉ“，７Ｅ　Ｊ：　Ｊ　３７７９Ｓ｛］　ｌ三　Ｈｆ　Ｉ　０ｆ　Ｊ　０　｛＇目　７Ｄ　Ｉ＇　“　）ｎ　蛐　ｌ　Ｉ　￣ｇ７６．０　Ｉｔ４４４１　｝《’３　７　褂峨姓＾　托　ｇ　”嫂　ｊ髓　，Ｈ　ｊ　６　：　５７４：　∞　４“　ｊｎ　５７９２　：　６　７：　６　Ｉ　¨｝７　７　ｔ，Ｓ　ｊ＃　“　嚣　韪　≈　ｊ＿１９　ｑ，４ｌ　Ｉ　ｌＩ　４　｝　ｌ１　Ｓ　：　ｔＳ　Ｓ　！　ｋＩ土ｊ　ｌ＾２　，　２　ｌ２】，；＇　∞　４　２７々　≮　７　Ｓ　瑚　ｌ　Ｓ　∞ｌ５－＂Ｓ　ｑ＇＇ＡＯ　４　Ｓ１　６　蛐　７破４　＂Ｓ僻：　钟　１　Ｉ｛１溃赣　钙　漳花，　：　《　Ｉ｛　４ｌｌＳ　６　ｌｔ弛｝０　ｍ３翩　｛Ｉ９．　７　Ｉ２４６２Ｉ　“Ｉ　１　）０　？　１　２７　＃　１　ｌＭ’　钾州｝　ｔＩ　秘越擘锤ｔ奄鼯惭觳　ｌ　ＬＩ　Ｒｎ　ｌ：遵＾Ｉ＿．叠　ｌｄ　督：　；ｆ　１５，　５　＾ｌ；　Ｉ￡ｊｊｌ　Ｉ　７三２５　Ｓ　ｌ　０　９ｌ１　６　彗４Ｉ｛１　２　ｌ】ＪｆＪ　ｌ｝：＇｛¨　２１￣￣ｇｌ　｝１＾７　Ｉｔ≮Ｉ　２：Ｍ９９．９　Ｉｌ　ｌ　Ｉ１　１　２ｍ　０　：鹋５７　７　｜｛Ｉ２Ｓ　，呻§　撕１　＃讳３　３７２７４：　协Ｉ　７　７　ｌ３４　６Ｊ　ｃ１　ｍ　Ｉ　４２１　ｌ５Ｋ　ｎ　＇　Ｒ　ｊ３群托　☆静绗崭ｌ卅数　龆配咒　’　绝　蚺　锈静精教臀　ｊ　１　Ｊ，Ｓ　：　Ｅ５　｛　＾４　Ｊ　Ｂ４口　Ｉ　Ｉ　４￣９２３，　６ｆ（１７￣￣３．５　＂￣３９４　ｌ　｜４　Ｉ，　ｌ州ｊ诹５　ｌ　Ｊ　２Ｉ　黼７　】＾娃译辨踌瓢划赢　，２　。。　ｌ｛　ｊｊ　０删　误勘精　¨　∞　∞　ＰＳＯ—ＢＰ　¨　Ｃ＾—ＢＰ　０　０蒉　ｊ　２　墓２　０　０１５　０　０４　爱¨　０　０　。　０　０２，　／　０　ｌｏ０　２００　３００　ｑ００　５００　５ｃｉ［１　７ｏ０　迭代次数　。０　蜘　曲＿　由　１茄　Ｉ２０　¨ｉ／　，　蕊　涵　幽　迭代次数　图１用ＧＡ．ＢＰ算法与ＰＳＯ一，ＢＰ的训练速度比较图　图２　２００２—２０１０年国民生产总值预测结果图　４结论　本文提出了一种利用ＰＳＯ优化ＢＰ网络的预测方法并应用用于经济指标预测当中．多组实验测试表明　ＰＳＯ．ＢＰ预测方法对于经济指标预测有更好的预测效果，对建立其他问题的预测模型具有较好的参考价值．　参考文献：　【１】冯文权．经济预测与决策技术（第４版）【Ｍ】．武汉：武汉大学出版社，２００２．　【２】沈世镒．神经网络系统理论及其应用【Ｍ】．北京：科学出版社，１９９８．　【３】Ｅｂｅｒｈａｒｔ　Ｒ　Ｃ，Ｋｅｎｎｅｄｙ　Ｊ．Ａ　ｎｅｗ　ｏｐｔｉｍｉｚｅｒ　ｕｓｉｎｇ　ｐａｒｔｉｃｌｅｓ　ｓｗａｒｍ　ｔｈｅｏｒｙ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇ　ｏｆ　ｔｈｅ　Ｓ；ｉｘｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　ＩＳｙｍｐｏｓｉｕｍ　ｏｎ　Ｍｉｃｒｏ　Ｍａｃｈｉｎｅ　ａｎｄ　Ｈｕｍａｎ　Ｓｃｉｅｎｃｅ．Ｎａｇｏｙａ，．Ｊａｐａｎ：ＩＥＥＥ　Ｓｅｒｖｉｃｅ　Ｃｅｎｔｅｒ，Ｐｉｉｓｃａｔａｗａｙ，１９９５：３９－４３．　【４钟４】珞，饶文碧，邹承明．人工神经网络及其融合应用技术【Ｍ】．北京：科学出版社，２００７．　【５】Ｓｈｉ　Ｙ　Ｈ，Ｅｌｂｅｒｈａｒｔ　Ｒ　Ｃ．Ａ　Ｍｏｄｉｉｅｄ　Ｐａｒｔｉｄｅ　Ｓｗａｒｍ　Ｏｐｔｉｆｍｉｚｅｒ［Ｃ】．Ｉｎ：ＩＥＥＥ　Ｉｎｌ：ｅｒｎａｔｉｏｎａＩ　ｃｏｎｆｅｒｅｎｃｅ　ｏｆ　Ｅ＇，ｖｏｌｕｔｉｏｎａｒｙ　Ｃｏｍｐｕｔａｔｉｏｎ，Ａｎｃｈｏｒａｇｅ，Ａｌａｓｋａ．１９９８：６９－７３．　【６】Ｗｅ￣ｎｚｈｏｎｇ　Ｇｕｏ，Ｇｕｏｌｏｎｇ　Ｃ，＇ｈｅｎ，Ｘｉａｎｇ　Ｆｅｎ．Ａ　Ｎｅｗ　Ｓｔ］ｘａｔｅｇｙ　ｏｆ　Ａｃｃｅｌｅｒａｔｉｏｎ　Ｃｏｅｆｆｉｃｉｅｎｔｓ　ｆｏｒ　Ｐａｒｔｉｄｅ　Ｓｗａｒｍ　０，ｐｔｉｍｉｚａｔｉｏｎ［Ｃ１．Ｐｒｏｇｒｅｓｓ　ｉｎ　ｔｈｅ　１０ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｃ：ｏｍｐｕｔｅｒ　Ｓｕｐｐｏｒｔｅｄ　Ｃ￣ｏｏｐｅｒａｔｉｖｅ　Ｗｌ０ｒｋ　ｉｎ　Ｄｅｓｉｇｎ　（ＣＳＣＷＤ　２００６）．，Ｎａｎ－ｊｉｎｇ￣。ｃｈｉｎａ：Ｓｏｕｔｈｅａｓｔ　Ｕ喇ｉｖｅｒｓｉｔｙ　Ｐｒｅｓｓ，２ＯＯ６，（５）：７２．７６．　【７】黄丽君，罗方芳．经济指标滚动递推预测模型研究【Ｊ】．统计与决策，２００６．，７：６—７．　Ａ　ＢＰ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　Ｐｒｅｄｉｃｆｉｏｎ　Ｍｅｔｈｏｄ　Ｂａｓｅｄ　ｏｎ　Ｐａｒｔｉｃｌｅ　Ｓｗａｒｍ　ＯｐｔＯｐｔｉｍｉｚａｔｉｏｎ　ａｎｄ　Ｉｔｓ　ｉｍｉｚａｔｉｏｎ　ａｎｄ　Ｉｔｓ　Ａｐｐｌｉｃａｔｉｃａｔｉｏｎ　ｉｏｎＨＵＡＮＧ　Ｌｉ－ｊｕｎ　，ＧＵＯ　Ｗｌｅｎ．ｚｈｏｎｇ２　（１．，Ｅｃｏｎｏｍｉｃ　ａｎｄ　Ｍａｎａｇｅｍｅｎｔ　Ｄｅｐａｒｔｍｅｎｔ，Ｆｕｊｉａｎ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，Ｆｕｊｉａｎ，３５００１４，Ｃｈｉｎａ；２．Ｃｏｌｌｅｇｅ　ｏｆ　Ｍａｔｈｅｍａｔｉｃｓ　ａｎｄ　Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ，．Ｆｕｚｈｏｕ　Ｕｎｉｖｅｒｓｉｔｙ，．Ｆｕｚｈｏｕ　３５ＯＯＯ２。Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：ＴＩｈｉｓ　ｐａｐｅｒ　ａｄｖａｎｃｅｓ　ａ　ＢＰ　ｎｅｕｒａｌ　ｎｅｔ１ｗｏｒｋ　ｐｒｅｄｉｃｔｉｏｎ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　ｐａｒｔｉｃｌｅ　ｓｗａｒｍ　ｏｐｔｉｉｍｉｚａｔｉｏｎ（ＰＳｏ）．Ｉｔ　ｕｓｅｓ　ＰＳｏ　ｔｏ　ｒｅａｃｈ　ｇｌｏｂａｌ　ｏｐｔｉｍｉｚａｔｉｏｎ　ｏｆ　ＢＰ　ｎｅｕｒａｌ￣ｎｅｔｗｏｒｋ’ｓ　ｗｅｉｇｈｔ　ｖａｌｕｅ　ａｎｄ　ｔｈｒｅｓｈｏｌｄ　ｖａｌｕｅ．ａｎｄ　ａｐｐｌｉｅｓ　ｔｈｅ　ｍｅｔｈｏｄ　ｉｎ　ｅｃｏｎｏｍｉｃ　ｐｅｒｆｏｒｍａｎｃｅ　ｐｒｅｄｉｃｔｉｏｎ，．Ｅｘｐｅｒｉｍｅｎｔ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｉｓ　ｍｅｔｈｏｄ　ｃａｎ　ｏｖｅｒｃｏｍｅ　ｔｈｅ　ｉｎｈｅｒｅｎｔ　ｓｈｏｒｔａｇｅ　ｏｆ　ｔｈｅ　ｔｒａｄｉｔｉｏｎａｌＩ　ＢＩＰ　ｎｅｔｗｏｒｋ　ａｎｄ　ｅｆｆｅ；ｃｔｉｖｅｌｙ　ｉｍｐｒｏｖｅ　ｔｈｅ　ａｃｃｕｒａｃｙ　ｏｆ　ｓｉｔｕａｔｉｏｎ　ｐｒｅｄｉｃｔｉｏｎ．．　Ｋｅｙ　ｗｏｒｄｓ：ｅｃｏｎｏｍｉｃ　ｐｒｅｄｉｃｔｉｏｎ；ｐａｒｔｉｃｌｅ　ｓｗａｒｍ　ｏｐｔｉｍｉｚａｔｉｏｎ：ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　【责任编辑：周两边】