由以上两种方法的比较结果可以看出，对于复杂经济对象的模拟预测，采用BP神经网络模型的预测结果最好，网络运行效率高，预测结果更精确。因此，选择BP神经网络模型对中国未来5年汽车产量作出预测。

根据中国汽车工业协会数据分析，2014年中国汽车产量保持平稳增长，同比增长7.3%，由此我们可以预计未来5年中国汽车产量的具体情况。2014年汽车工业企业主要经济主要经济指标呈现较快增长趋势，其中工业总产值、工业增加值比上年同期虽增幅减缓，但均增长10%、9.2%。随着新能源汽车的不断发展，中国汽车工业总产值和工业增加值预计在未来5年会持续攀升。2014年中国汽车企业个数和年末从业人员增长率为1.2%、2.4%，而新能源汽车和互联网汽车的出现，预计未来5年汽车企业个数和从业人员会逐渐增多。由以上变量的变化情况，我们可以通过BP神经网络模型对未来5年中国汽车产量作出进一步预测，预测结果见表13。

由此结果可以看出，中国汽车产量在未来5年会继续呈逐年上升的趋势。另外，我国汽车产业水平、自主创新能力以及自主品牌汽车占国内市场份额的比重不断提高。中国已成为世界第二大汽车消费国，第三大汽车生产国，第一大潜在市场。未来十年。中国对小型汽车的需求量将年增30%左右，约有近1.5亿人具有购车能力，汽车私人消费逐渐成为主流，汽车进入家庭已成为必然。随着政府全面出台支持发展新能源汽车的政策，企业对产品的升级改进和社会对新能源汽车认可度的提升，汽车产量也会随之增长。

问题的提出

通过4.1对自变量的主成分分析，剔除了一些数据，保留了累计贡献率达99%的主要成分数据，到输入数据从10组减到了4组，由此可以知道原始数据存在很大的冗余度，以此来消除各主成分之间的冗余信息，降低了BP神经网络的输入维数，简化其拓扑结构，从而提高可以汽车产量的训练速度以及预测精度[11]。因此，选用主成分分析后的4组数据来建立神经网络模型。

将这些数据分为3个部分，分别用于训练、验证和测试。将1993年-2010年的数据用于训练网络和验证网络，2011年和2012年的数据用于测试网络，输出预测值。

神经网络建立与训练

一切前期工作做好后，开始建立BP神经网络。选取1993年-2008年中国汽车产量的数据作为BP神经网络的训练数据，建立一个三层BP神经网络，即输入层、输出层和隐含层。网络输入层神经元为4个，输出层神经元为1个。建立神经网络......

结论

本文运用了多元回归分析法和BP神经网络模型来对中国汽车产量进行分析、比较和预测。我们可以从多元回归分析的预测结果中看出，多元回归分析其模型比较简单，但对资料的要求比较多，需掌握多个变量的历史数据和其发展趋势，但无法反映出与非线性影响因素之间的关系，所以导致预测结果失真。而BP神经网络很好的解决了这个问题，实现非线性静态映射，不用研究发展趋势，只需要输入和输出数据就能很好的作出预测。同时，BP神经网络在其局部或者部分神经元受到损坏后对全局的训练结果不会造成很大影响。