神经网络在高校图书馆图书借阅流量预测中的应用摘要：由于高校图书馆图书借阅流量具有一定的非线性特性，传统的回归分析、灰色模型等方法难以处理这种非线性时间序列问题，影响了预测精度。为了提高预测精确度，提出粒子群优化 RBF 神经网络的图书借阅流量预测模型。该方法以图书馆图书借阅流量历史数据进行 RBF 神经网络建模，采纳粒子群算法对 RBF 神经网络参数进行优化，最后建立了图书借阅流量动态响应模型。预测结果表明该模型预测结果合理，精度较高，为图书馆提高工作效率和服务质量提供了参考依据。关键词：图书借阅；流量；神经网络；粒子群优化ApplicationofneuralnetworkinbooksborrowingflowforecastingforuniversitylibraryCHENYuehua（LibraryofGuangxiTeachersEducationUniversity，Nanning530001，China）Keywords：booksborrowing；flow；neuralnetwork；particleswarmoptimization0 引言图书借阅流量受到师生人数、不同时间、馆藏数量与质量、学校的学术氛围等多种因素的影响，具有一定的周期性与规律性，对借阅流量进行准确预测，可以对图书馆进行科学、高效的管理和监控[4]。目前国内对图书借阅流量预测讨论多是运用回归分析和灰色模型，这种基于线性时间序列的建模方法自身存在固有的缺陷，由于图书馆借阅流量受到多种因素的影响，是一个复杂的非线性动力学过程，线性预测模型不能很好地揭示其内在运行规律，因此影响了其预测精度[5]。神经网络鲁棒性很强，有着强大的非线性逼近能力，在非线性时间预测领域得到了广泛的应用[6]。神经网络有很多种，其中用得较多的有 BP 神经网络与 RBF 神经网络，RBF 神经网络结构简单，非线性逼近能力强，运算速度快，應用极为广泛[7]。但是 RBF 神经网络在进行非线性预测时，网络输出权重、隐单元中心和宽度等参数直接影响预测精度。为了更精确地预测高校图书馆图书借阅流量，在讨论中利用粒子群优化算法（ParticleSwarmOptimization，PSO）具有很强的并行处理能力，可以有效避开神经网络陷入早熟收敛，从而搜索到最优的 RBF 神经网络参数[8]。针对传统线性方法在进行高校图书馆图书借阅流量预测中的不足，提出粒子群算法优化 RBF 神经网络的高校图书馆图书借阅流量预测方法（PSO RBFNN⁃）。结果表明，PSO RBFNN⁃提高了图书馆图书借阅流量预测精度，可以及时把握图书借阅流量的动态变化，对图书馆工作人员与设备配备动态管理、确定馆藏资源建设的重点和方向，提高工...
