本文關(guān)鍵詞：北京市能源消費(fèi)預(yù)測(cè)方法比較研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：能源是人類生存和發(fā)展的重要物質(zhì)保障。隨著經(jīng)濟(jì)發(fā)展和人們生活的需要,人類對(duì)能源消費(fèi)的需求不斷增長(zhǎng),在全球范圍內(nèi)出現(xiàn)了能源緊缺的現(xiàn)象。北京是我國(guó)第二大能源消耗城市,每年消耗的能源總量在不斷增長(zhǎng),而其自身又是一個(gè)能源資源匱乏的城市,能源對(duì)外依存度很高,由此產(chǎn)生的能源供需矛盾日益嚴(yán)重。因此做好北京市能源消費(fèi)總量的預(yù)測(cè)工作具有十分重要的意義。目前學(xué)術(shù)界中有多種能源消費(fèi)預(yù)測(cè)方法,不同的預(yù)測(cè)方法往往具有不同的精度和特點(diǎn),然而很少有學(xué)者在研究能源消費(fèi)預(yù)測(cè)時(shí)對(duì)不同的預(yù)測(cè)方法進(jìn)行比較,因此如何從眾多方法中挑選最合適的方法來預(yù)測(cè)北京市能源消費(fèi)總量也是一個(gè)亟待解決的問題。 基于此,本文分析了北京市能源消費(fèi)情況,在比較常用能源消費(fèi)預(yù)測(cè)方法的基礎(chǔ)上,選取了趨勢(shì)外推法、回歸分析法、時(shí)間序列法、灰色預(yù)測(cè)法、RBF神經(jīng)網(wǎng)絡(luò)法、BP神經(jīng)網(wǎng)絡(luò)法及Elman神經(jīng)網(wǎng)絡(luò)法來構(gòu)建北京市能源消費(fèi)總量預(yù)測(cè)模型,并選取部分年份作為檢驗(yàn)樣本進(jìn)行預(yù)測(cè)精度檢驗(yàn)。隨后使用平均相對(duì)誤差絕對(duì)值、均方誤差和泰爾不等系數(shù)及檢驗(yàn)樣本的實(shí)際相對(duì)誤差絕對(duì)值對(duì)7個(gè)單一預(yù)測(cè)模型進(jìn)行擬合精度和預(yù)測(cè)精度比較,得到的結(jié)論是：BP神經(jīng)網(wǎng)絡(luò)、ARIMA(1,1,1)模型和Elman神經(jīng)網(wǎng)絡(luò)模型的擬合精度和預(yù)測(cè)精度均相對(duì)最高�？紤]到組合模型所具備的優(yōu)點(diǎn),在比較現(xiàn)有組合方法的基礎(chǔ)上,使用BP神經(jīng)網(wǎng)絡(luò)、ARIMA(1,1,1)模型和Elman神經(jīng)網(wǎng)絡(luò)模型構(gòu)建了基于均方誤差非最優(yōu)權(quán)重組合法的組合模型一和基于最小誤差平方和為目標(biāo)函數(shù)最優(yōu)權(quán)重線性組合法的組合模型二,并分別選取檢驗(yàn)樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)精度檢驗(yàn)。在比較分析了組合模型和單一模型的整體擬合精度和效果后,得到的結(jié)論為：組合模型能夠綜合利用各單一模型的信息,提高預(yù)測(cè)工作中的整體精度,且能使預(yù)測(cè)精度保持在相對(duì)穩(wěn)定的范圍內(nèi),使得模型的擬合及預(yù)測(cè)效果具有較強(qiáng)的穩(wěn)定性；組合模型二優(yōu)于組合模型一。最后使用ARIMA(1,1,1)模型、BP神經(jīng)網(wǎng)絡(luò)模型、Elman神經(jīng)網(wǎng)絡(luò)模型和組合模型二對(duì)北京市2012-2020年能源消費(fèi)總量發(fā)展趨勢(shì)進(jìn)行了預(yù)測(cè)。
【關(guān)鍵詞】：北京市能源消費(fèi)總量 常用預(yù)測(cè)方法 組合預(yù)測(cè)方法 預(yù)測(cè)方法比較
【學(xué)位授予單位】：北京林業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2013
【分類號(hào)】：F426.2;F224
【目錄】：

• 摘要4-5
• ABSTRACT5-10
• 1 緒論10-18
• 1.1 研究背景及意義10-11
• 1.2 國(guó)內(nèi)外能源預(yù)測(cè)方法研究綜述11-15
• 1.3 研究思路、技術(shù)路線及研究?jī)?nèi)容15-17
• 1.3.1 研究思路15
• 1.3.2 技術(shù)路線15-16
• 1.3.3 研究?jī)?nèi)容16-17
• 1.4 數(shù)據(jù)來源及分析軟件17
• 1.5 本章小節(jié)17-18
• 2 北京市能源消費(fèi)狀況分析18-25
• 2.1 北京市能源消費(fèi)總量情況分析18-19
• 2.2 北京市各產(chǎn)業(yè)能源消費(fèi)情況分析19-20
• 2.3 北京市主要能源品種消費(fèi)情況分析20-24
• 2.3.1 煤炭消費(fèi)分析20-21
• 2.3.2 電力消費(fèi)分析21-22
• 2.3.3 天然氣消費(fèi)分析22-23
• 2.3.4 各類油制品消費(fèi)分析23-24
• 2.4 本章小節(jié)24-25
• 3 能源消費(fèi)預(yù)測(cè)方法比較和選擇25-31
• 3.1 能源消費(fèi)預(yù)測(cè)方法的比較25-29
• 3.2 北京市能源消費(fèi)總量預(yù)測(cè)方法的選擇29-30
• 3.3 本章小節(jié)30-31
• 4 北京市能源消費(fèi)總量單一預(yù)測(cè)模型的建模與比較31-57
• 4.1 能源消費(fèi)總量概念界定31
• 4.2 北京市能源消費(fèi)總量趨勢(shì)外推模型建模分析31-34
• 4.2.1 樣本數(shù)據(jù)及模型表達(dá)式的選取31-32
• 4.2.2 北京市能源消費(fèi)總量趨勢(shì)外推模型的確定32-34
• 4.2.3 北京市能源消費(fèi)總量趨勢(shì)外推模型擬合精度分析34
• 4.3 北京市能源消費(fèi)總量回歸分析模型建模分析34-38
• 4.3.1 變量選取與模型建立34-35
• 4.3.2 參數(shù)檢驗(yàn)與模型修正35-37
• 4.3.3 北京市能源消費(fèi)總量多元回歸模型的確定37
• 4.3.4 北京市能源消費(fèi)總量多元回歸模型擬合精度分析37-38
• 4.4 北京市能源消費(fèi)總量隨機(jī)時(shí)間序列模型建模分析38-42
• 4.4.1 單位根檢驗(yàn)和白噪聲檢驗(yàn)38-40
• 4.4.2 北京市能源消費(fèi)總量隨機(jī)時(shí)間序列模型確定40-41
• 4.4.3 北京市能源消費(fèi)總量ARIMA(1,1,1)模型擬合精度分析41-42
• 4.5 北京市能源消費(fèi)總量GM(1,1)模型建模分析42-47
• 4.5.1 樣本數(shù)據(jù)選取42-43
• 4.5.2 模型擬合及參數(shù)檢驗(yàn)43-46
• 4.5.3 模型修正及樣本數(shù)據(jù)修正46
• 4.5.4 北京市能源消費(fèi)總量GM(1,1)模型的確定46-47
• 4.5.5 北京市能源消費(fèi)總量GM(1,1)模型擬合精度分析47
• 4.6 北京市能源消費(fèi)總量RBF神經(jīng)網(wǎng)絡(luò)法建模分析47-49
• 4.6.1 北京市能源消費(fèi)總量RBF神經(jīng)網(wǎng)絡(luò)模型構(gòu)建47-49
• 4.6.2 北京市能源消費(fèi)總量RBF神經(jīng)網(wǎng)絡(luò)模型擬合精度分析49
• 4.7 北京市能源消費(fèi)總量BP神經(jīng)網(wǎng)絡(luò)法建模分析49-52
• 4.7.1 北京市能源消費(fèi)總量BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建49-51
• 4.7.2 北京市能源消費(fèi)總量BP神經(jīng)網(wǎng)絡(luò)模型擬合精度分析51-52
• 4.8 北京市能源消費(fèi)總量ELMAN神經(jīng)網(wǎng)絡(luò)法建模分析52-53
• 4.8.1 北京市能源消費(fèi)總量Elman神經(jīng)網(wǎng)絡(luò)模型構(gòu)建52
• 4.8.2 北京市能源消費(fèi)總量Elman神經(jīng)網(wǎng)絡(luò)模型擬合精度分析52-53
• 4.9 北京市能源消費(fèi)總量單一預(yù)測(cè)模型精度比較分析53-56
• 4.9.1 常用精度評(píng)價(jià)指標(biāo)介紹和比較53-54
• 4.9.2 北京市能源消費(fèi)總量單一模型擬合精度比較分析54-55
• 4.9.3 北京市能源消費(fèi)總量單一模型預(yù)測(cè)樣本精度比較分析55-56
• 4.10 本章小節(jié)56-57
• 5 北京市能源消費(fèi)總量組合預(yù)測(cè)模型的建模與比較57-65
• 5.1 常用構(gòu)建組合模型方法的比較與選擇57-58
• 5.1.1 常用構(gòu)建組合模型方法的比較57
• 5.1.2 北京市能源消費(fèi)總量組合預(yù)測(cè)模型的方法選擇57-58
• 5.2 北京市能源消費(fèi)總量組合模型一的建模分析與擬合精度分析58-60
• 5.2.1 北京市能源消費(fèi)總量組合模型一的建模分析58-59
• 5.2.2 北京市能源消費(fèi)總量組合模型一的擬合精度和預(yù)測(cè)樣本精度分析59-60
• 5.3 北京市能源消費(fèi)總量組合模型二的建模分析與擬合精度分析60-62
• 5.3.1 北京市能源消費(fèi)總量組合模型二的建模分析60-61
• 5.3.2 北京市能源消費(fèi)總量組合模型二的擬合精度和預(yù)測(cè)樣本精度分析61-62
• 5.4 組合模型與單一預(yù)測(cè)模型的對(duì)比分析62-63
• 5.5 本章小節(jié)63-65
• 6 北京市能源消費(fèi)總量預(yù)測(cè)分析65-67
• 7 結(jié)論與展望67-69
• 7.1 結(jié)論67
• 7.2 展望67-69
• 參考文獻(xiàn)69-71
• 個(gè)人簡(jiǎn)介71-72
• 導(dǎo)師簡(jiǎn)介72-73
• 獲得成果目錄清單73-74
• 致謝74

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前10條

1 周仲禮,馮文新,龔灝,雍自權(quán),劉樹根;基于小波神經(jīng)網(wǎng)絡(luò)模型的中國(guó)能耗預(yù)測(cè)[J];成都理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年05期

2 楊波;趙遵廉;陳允平;韓啟業(yè);;基于小波變換的邊際電價(jià)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)新模型[J];電力系統(tǒng)自動(dòng)化;2007年12期

3 顧潔;應(yīng)用小波分析進(jìn)行短期負(fù)荷預(yù)測(cè)[J];電力系統(tǒng)及其自動(dòng)化學(xué)報(bào);2003年02期

4 徐軍華,劉天琪;基于小波分解和人工神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)[J];電網(wǎng)技術(shù);2004年08期

5 馮述虎,侯運(yùn)炳;基于時(shí)序分析與神經(jīng)網(wǎng)絡(luò)的能源產(chǎn)量預(yù)測(cè)模型[J];遼寧工程技術(shù)大學(xué)學(xué)報(bào);2003年02期

6 許榮勝;基于灰色系統(tǒng)理論的我國(guó)石油消費(fèi)需求預(yù)測(cè)研究[J];國(guó)際石油經(jīng)濟(jì);2005年04期

7 梁巧梅,魏一鳴,范英,Norio Okada;中國(guó)能源需求和能源強(qiáng)度預(yù)測(cè)的情景分析模型及其應(yīng)用[J];管理學(xué)報(bào);2004年01期

8 李泓澤;郭森;王寶;;北京市能源消費(fèi)與生產(chǎn)的灰色關(guān)聯(lián)分析及能源需求預(yù)測(cè)[J];能源技術(shù)經(jīng)濟(jì);2012年05期

9 李博;靳取;;三種能源需求預(yù)測(cè)方法的比較分析——以四川省為例[J];吉林工商學(xué)院學(xué)報(bào);2009年01期

10 劉勇;汪旭暉;;ARIMA模型在我國(guó)能源消費(fèi)預(yù)測(cè)中的應(yīng)用[J];經(jīng)濟(jì)經(jīng)緯;2007年05期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 孫群;全國(guó)能源需求問題預(yù)測(cè)的若干方法及其比較[D];安徽大學(xué);2010年

2 任麗娜;基于Elman神經(jīng)網(wǎng)絡(luò)的中期電力負(fù)荷預(yù)測(cè)模型研究[D];蘭州理工大學(xué);2007年

  本文關(guān)鍵詞：北京市能源消費(fèi)預(yù)測(cè)方法比較研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：342922