邵正澤

摘 要 文章針對(duì)日常經(jīng)濟(jì)數(shù)據(jù)的特點(diǎn)，結(jié)合人工神經(jīng)網(wǎng)絡(luò)對(duì)大數(shù)據(jù)的處理能力，研究了數(shù)據(jù)的智能化處理技術(shù)。以農(nóng)村快遞業(yè)務(wù)數(shù)據(jù)分析為例，預(yù)測(cè)得到農(nóng)村經(jīng)濟(jì)發(fā)展的程度，從而驗(yàn)證了分析方法的有效性。最后對(duì)智能化數(shù)據(jù)處理技術(shù)存在的問(wèn)題進(jìn)行了探討與對(duì)策分析。

關(guān)鍵詞 數(shù)據(jù)；智能化處理；經(jīng)濟(jì)；人工神經(jīng)網(wǎng)絡(luò)

中圖分類(lèi)號(hào) TP3 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1674-6708（2018）225-0136-02

隨著社會(huì)的不斷進(jìn)步，諸多行業(yè)都引入了計(jì)算機(jī)技術(shù)和互聯(lián)網(wǎng)技術(shù)。與之而來(lái)的，便是大量的數(shù)據(jù)。在許多行業(yè)的運(yùn)行中，數(shù)據(jù)起著至關(guān)重要的作用。高效率地處理數(shù)據(jù)是行業(yè)發(fā)展的需要，也是社會(huì)進(jìn)步的標(biāo)志。然而，隨著數(shù)據(jù)量與日俱增，傳統(tǒng)的智能數(shù)據(jù)處理方式逐漸顯現(xiàn)出了不足之處，如無(wú)法處理非線性信息，抽象信息等。而人工神經(jīng)網(wǎng)絡(luò)正是基于上述問(wèn)題發(fā)展而來(lái)的智能信息數(shù)據(jù)處理技術(shù)，該技術(shù)可以有效滿足人們?cè)谏a(chǎn)生活中對(duì)數(shù)據(jù)處理的需求，并已在諸多領(lǐng)域得到應(yīng)用。

經(jīng)濟(jì)數(shù)據(jù)的分析，正在對(duì)行政管理和經(jīng)濟(jì)政策的制定起著重要作用。通過(guò)分析一個(gè)地區(qū)的經(jīng)濟(jì)水平，有關(guān)部門(mén)可以評(píng)估當(dāng)?shù)亟?jīng)濟(jì)的發(fā)展形勢(shì)，并依據(jù)分析結(jié)果進(jìn)行決策。傳統(tǒng)的經(jīng)濟(jì)學(xué)統(tǒng)計(jì)方法，因?yàn)槠渌惴八悸返木窒扌裕y以對(duì)經(jīng)濟(jì)形勢(shì)做出較為準(zhǔn)確的分析。本文利用人工神經(jīng)網(wǎng)絡(luò)利于處理不完整的、模糊的、不確定的、無(wú)規(guī)律的數(shù)據(jù)的優(yōu)勢(shì)，通過(guò)對(duì)人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其算法進(jìn)行深入分析，并將某農(nóng)村的快遞量與當(dāng)?shù)氐慕?jīng)濟(jì)狀況建立聯(lián)系，通過(guò)人工神經(jīng)網(wǎng)絡(luò)的智能處理，得到的結(jié)果為有關(guān)部門(mén)提供決策依據(jù)。

1 數(shù)據(jù)智能化處理技術(shù)

1.1 概況

在當(dāng)今時(shí)代，隨著數(shù)據(jù)量的不斷擴(kuò)大，傳統(tǒng)的智能數(shù)據(jù)分析法越來(lái)越難以滿足人們對(duì)數(shù)據(jù)處理的需求。但一些經(jīng)典的方法依然可以沿用：首先是決策樹(shù)。它基于信息論基礎(chǔ)，輸出的數(shù)據(jù)易于為人理解，但其面對(duì)復(fù)雜的數(shù)據(jù)時(shí)有所欠缺。其次是相關(guān)規(guī)則，它通常用于解決龐大數(shù)據(jù)量的分析，人們常用它來(lái)削減搜索空間。第三種是遺傳算法。它利用生物學(xué)上的相關(guān)理念進(jìn)行問(wèn)題搜索，運(yùn)用生物進(jìn)化等理念構(gòu)造適應(yīng)函數(shù)，并引入選擇、復(fù)制、交配和突變等情形以達(dá)到優(yōu)化數(shù)據(jù)的目的。第四種是粗糙集。它可以將未知的、不準(zhǔn)確的數(shù)據(jù)用已知的、準(zhǔn)確的數(shù)據(jù)來(lái)模糊刻畫(huà)，從而達(dá)到分析數(shù)據(jù)的目的。最后是人工神經(jīng)網(wǎng)絡(luò)，是通過(guò)借助大量處理器構(gòu)造成類(lèi)似人腦的神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)數(shù)據(jù)的處理目的。

本文正式基于對(duì)人工神經(jīng)網(wǎng)絡(luò)的研究與應(yīng)用現(xiàn)狀，通過(guò)結(jié)合人工神經(jīng)網(wǎng)絡(luò)在大數(shù)據(jù)處理中的優(yōu)勢(shì)，探討其在經(jīng)濟(jì)數(shù)據(jù)處理中的應(yīng)用，下面將對(duì)人工神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)處理技術(shù)進(jìn)行深入分析總結(jié)。

1.2 基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)處理技術(shù)

人工神經(jīng)網(wǎng)絡(luò)最早于1943年由心理學(xué)家W.S.McCulloch和數(shù)理邏輯學(xué)家W.Pitts提出。人工神經(jīng)網(wǎng)絡(luò)技術(shù)是基于現(xiàn)代神經(jīng)科學(xué)的研究成果，通過(guò)各單元的信息交流，模擬大腦神經(jīng)突觸的方式進(jìn)行數(shù)據(jù)處理。作為當(dāng)今智能數(shù)據(jù)處理的主要技術(shù)之一，已經(jīng)在信息科學(xué)、心理學(xué)、認(rèn)知科學(xué)、醫(yī)學(xué)等理論學(xué)科以及控制、交通、氣象監(jiān)測(cè)等實(shí)踐領(lǐng)域被廣泛應(yīng)用。其建構(gòu)基礎(chǔ)是類(lèi)似于人腦中的神經(jīng)元處理單元，在不同領(lǐng)域的應(yīng)用中，處理單元可以表示為不同的對(duì)象，例如某個(gè)特定的數(shù)據(jù)、字母、概念、或者一些有意義的抽象模式。處理單元通?？梢苑譃?類(lèi)：輸入單元、隱含單元和輸出單元，一般結(jié)構(gòu)如圖1所示。輸入單元負(fù)責(zé)向人工神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)，輸出單元負(fù)責(zé)向操作者傳送處理后的數(shù)據(jù)，真正的數(shù)據(jù)處理由隱含單元實(shí)現(xiàn)。各個(gè)單元之間的連接強(qiáng)度可以通過(guò)連接權(quán)值反應(yīng)，操作者增加或減少某條通路上的權(quán)值便可以達(dá)到優(yōu)化神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)處理目的，其中圖2是一個(gè)典型節(jié)點(diǎn)處理模型。

人工神經(jīng)網(wǎng)絡(luò)采用了與傳統(tǒng)數(shù)據(jù)處理方法完全不同的思路，克服了傳統(tǒng)的基于邏輯符號(hào)的人工智能處理系統(tǒng)在處理非線性信息，非直接化信息方面的不足，具有自適應(yīng)、自學(xué)習(xí)等特點(diǎn)，也具有聯(lián)想存儲(chǔ)及高效尋找優(yōu)化解的能力。

2 經(jīng)濟(jì)數(shù)據(jù)處理案例分析

2.1 案例背景介紹

近年來(lái)，隨著電商業(yè)務(wù)的不斷蓬勃發(fā)展，生活在農(nóng)村的百姓也逐漸習(xí)慣網(wǎng)上購(gòu)物，農(nóng)村地區(qū)快遞與物流業(yè)持續(xù)繁榮，互聯(lián)網(wǎng)經(jīng)濟(jì)在農(nóng)村整體經(jīng)濟(jì)的占比持續(xù)提升。

判斷一個(gè)村的經(jīng)濟(jì)發(fā)展情況需要對(duì)一系列經(jīng)濟(jì)指標(biāo)進(jìn)行綜合判斷，但這種方法耗時(shí)耗力且需要一定的統(tǒng)計(jì)周期，并不利于管理者快速?zèng)Q策。快遞與物流業(yè)務(wù)數(shù)據(jù)雖然只是農(nóng)村經(jīng)濟(jì)發(fā)展各項(xiàng)指標(biāo)中的很小一部分，但通過(guò)數(shù)據(jù)挖掘建模，可以在大概率上預(yù)測(cè)成功農(nóng)村發(fā)展的水平，為高效管理決策做支持。

2.2 數(shù)據(jù)分析模型

2.2.1 數(shù)據(jù)來(lái)源

由于鄉(xiāng)村經(jīng)濟(jì)發(fā)展和快遞物流數(shù)據(jù)難以完全獲得，且本文只是為了證明通過(guò)數(shù)據(jù)挖掘技術(shù)可以高效預(yù)測(cè)農(nóng)村經(jīng)濟(jì)發(fā)展水平，即挖掘技術(shù)在經(jīng)濟(jì)決策中的可行性，因此分析模型共模擬了村莊的快遞、物流和經(jīng)濟(jì)發(fā)展水平信息，如圖3所示。

圖3為對(duì)1 000個(gè)農(nóng)村數(shù)據(jù)的散點(diǎn)圖展示，橫軸為快遞業(yè)務(wù)量（件/月），縱軸為物流業(yè)務(wù)量（噸/月），大的散點(diǎn)代表經(jīng)濟(jì)發(fā)達(dá)的村莊，小的散點(diǎn)代表經(jīng)濟(jì)欠發(fā)達(dá)的村莊，從圖中可以大致看出，快遞業(yè)務(wù)和物流業(yè)務(wù)越發(fā)達(dá)的地區(qū)，農(nóng)村經(jīng)濟(jì)發(fā)展越好

2.2.2 數(shù)據(jù)處理

運(yùn)用統(tǒng)計(jì)軟件來(lái)進(jìn)行數(shù)據(jù)讀取，剔除異常值后，進(jìn)行數(shù)據(jù)建模。隨機(jī)選取70%的數(shù)據(jù)定義為訓(xùn)練集，30%為測(cè)試集。用訓(xùn)練集來(lái)做BP神經(jīng)網(wǎng)絡(luò)模型，再用測(cè)試集進(jìn)行效果驗(yàn)證，通過(guò)調(diào)整參數(shù)，選取混淆矩陣中預(yù)測(cè)準(zhǔn)確率最高的模型，最終選取的參數(shù)為：隱藏節(jié)點(diǎn)數(shù)為3，權(quán)值的衰減參數(shù)為0.05，迭代次數(shù)為10 000次。

2.3 處理結(jié)果分析

訓(xùn)練集、測(cè)試集的混淆矩陣如圖4所示。訓(xùn)練集中分類(lèi)準(zhǔn)確率為81%，測(cè)試集中分類(lèi)的準(zhǔn)確率為77%，表明如果已知農(nóng)村快遞量和物流量，我們有77%的把握預(yù)測(cè)對(duì)該農(nóng)村經(jīng)濟(jì)發(fā)展的程度。

3 智能數(shù)據(jù)處理技術(shù)存在的問(wèn)題及對(duì)策

3.1 存在問(wèn)題分析

對(duì)于數(shù)據(jù)本身而言，在某些行業(yè)運(yùn)用智能數(shù)據(jù)處理技術(shù)處理數(shù)據(jù)往往會(huì)遇到非常大的困難。許多行業(yè)的數(shù)據(jù)積累在數(shù)據(jù)標(biāo)準(zhǔn)規(guī)范上缺乏預(yù)先定義可廣泛適用的描述，在數(shù)據(jù)的分類(lèi)上也會(huì)有不完全的現(xiàn)象，甚至出現(xiàn)分類(lèi)出錯(cuò)的問(wèn)題，使智能處理數(shù)據(jù)技術(shù)遠(yuǎn)不能達(dá)到其預(yù)期作用。

對(duì)于本文所提到的人工神經(jīng)網(wǎng)絡(luò)而言，因其采用了與傳統(tǒng)數(shù)據(jù)處理方法完全不同的思路，克服了傳統(tǒng)的基于邏輯符號(hào)的人工智能處理系統(tǒng)在處理非線性信息和非直接化信息方面的不足，人們更希望將它用于處理回歸估計(jì)型的問(wèn)題。目前在國(guó)內(nèi)，人工神經(jīng)網(wǎng)絡(luò)回歸型結(jié)構(gòu)研究還很少。在建立人工神經(jīng)網(wǎng)絡(luò)時(shí)，人們更加注重的是規(guī)則對(duì)于計(jì)算機(jī)的可理解性，這會(huì)犧牲一定的預(yù)測(cè)結(jié)果保真性。在不斷錄入數(shù)據(jù)的同時(shí)，需要對(duì)整個(gè)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行不斷訓(xùn)練，從而使預(yù)測(cè)結(jié)果盡可能準(zhǔn)確，這個(gè)過(guò)程會(huì)耗費(fèi)大量的人力物力。

3.2 相關(guān)解決措施

在提高數(shù)據(jù)質(zhì)量上，需要人們?cè)谀承?shù)據(jù)質(zhì)量欠佳的行業(yè)整合異構(gòu)數(shù)據(jù)源，如在多個(gè)數(shù)據(jù)源擁有者之間建立具有一致性的協(xié)議，并提供相應(yīng)的接口；加強(qiáng)數(shù)據(jù)質(zhì)量監(jiān)督，系統(tǒng)地記錄并跟蹤數(shù)據(jù)質(zhì)量，如增加對(duì)數(shù)據(jù)的溯源、處理歷史、演化及更新等方面的標(biāo)準(zhǔn)研究；促進(jìn)數(shù)據(jù)的開(kāi)放共享，建立一些大數(shù)據(jù)公共資源庫(kù)，通過(guò)多方的數(shù)據(jù)處理而得到平均結(jié)果，從而提高人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的準(zhǔn)確度。

在完善人工神經(jīng)網(wǎng)絡(luò)上，需要相關(guān)機(jī)構(gòu)在回歸估計(jì)問(wèn)題領(lǐng)域?qū)θ斯ど窠?jīng)網(wǎng)絡(luò)進(jìn)行研究，提出解決方案，提高人工神經(jīng)網(wǎng)絡(luò)的普適性；在輸入人工神經(jīng)網(wǎng)絡(luò)處理規(guī)則時(shí)，人們需要在保真性與可理解性之間尋找平衡點(diǎn)，使人工神經(jīng)網(wǎng)絡(luò)在可以理解并計(jì)算的同時(shí)提供最大限度準(zhǔn)確的結(jié)果；在處理不斷錄入的數(shù)據(jù)時(shí)，如果人工神經(jīng)網(wǎng)絡(luò)可以具備增量學(xué)習(xí)能力，其便可以不斷完善自身，不必再耗費(fèi)人力物力完善。

4 結(jié)論

通過(guò)本文實(shí)例研究，發(fā)現(xiàn)利用人工神經(jīng)網(wǎng)絡(luò)模型，可以通過(guò)少量的局部經(jīng)濟(jì)指標(biāo)參數(shù)預(yù)測(cè)全局經(jīng)濟(jì)指標(biāo)，相比傳統(tǒng)統(tǒng)計(jì)方法，人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)速度更快，且計(jì)算精度并未降低，較傳統(tǒng)的統(tǒng)計(jì)學(xué)分析方法消耗的人力物力更少。因此，相比傳統(tǒng)統(tǒng)計(jì)方法，采用人工神經(jīng)網(wǎng)絡(luò)模型處理經(jīng)濟(jì)數(shù)據(jù)、輔助經(jīng)濟(jì)決策，是更為科學(xué)合理的選擇。

參考文獻(xiàn)

[1]朱大奇，史慧.人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用[M].北京：科學(xué)出版社，2006.

[2]李騫，郭慧玲. 經(jīng)濟(jì)預(yù)測(cè)與分析的智能數(shù)據(jù)挖掘[J].煤炭技術(shù)，2011，30（10）：223-225.

[3]徐坤.OLAP在宏觀經(jīng)濟(jì)智能決策支持系統(tǒng)中的研究與應(yīng)用[D].南昌：南昌大學(xué)，2012.

[4]徐緒松，吳健謀，胡則成.金融數(shù)據(jù)分析智能信息處理技術(shù)[J].科技進(jìn)步與對(duì)策，2000，17（6）：95-96.

[5]畢春杰.數(shù)據(jù)挖掘技術(shù)在經(jīng)濟(jì)統(tǒng)計(jì)中的應(yīng)用探究[J].經(jīng)濟(jì)視野，2013（19）.