能源是人类社会赖以生存和发展的物质基础,在国民经济中具有重要的战略地位。随着社会经济的发展,能源的需求越来越大,因此需要对能源的使用进行有效的管理。能源消费预测是能源供需管理的理论前提,建立可靠的能源消费预测模型显得尤为...能源是人类社会赖以生存和发展的物质基础,在国民经济中具有重要的战略地位。随着社会经济的发展,能源的需求越来越大,因此需要对能源的使用进行有效的管理。能源消费预测是能源供需管理的理论前提,建立可靠的能源消费预测模型显得尤为重要。目前,已有的能源消费量预测模型主要包括单一模型和混合模型两大类。本研究提出了基于数据分组处理(group method of data handling,GMDH)的混合预测模型GHFM。该模型首先使用基于GMDH的自回归模型在原始能源消费时间序列上建模,预测其线性趋势,并得到残差序列(非线性子序列)。考虑到非线性子序列预测的复杂性,分别建立BP神经网络、支持向量回归机、遗传规划和RBF神经网络模型,再运用GMDH在非线性子序列上建立选择性组合预测模型,得到非线性子序列的组合预测值。最后,将两个部分的预测值进行整合得到总的能源消费量预测值。选取中国统计年鉴2014能源统计数据中的中国能源消费总量和石油消费总量数据进行实证分析,结果表明,GHFM模型与其他模型相比具有更好的预测效果。最后,给出了使用GHFM模型对2015-2020年中国能源消费总量的样本外预测值。展开更多
文摘能源是人类社会赖以生存和发展的物质基础,在国民经济中具有重要的战略地位。随着社会经济的发展,能源的需求越来越大,因此需要对能源的使用进行有效的管理。能源消费预测是能源供需管理的理论前提,建立可靠的能源消费预测模型显得尤为重要。目前,已有的能源消费量预测模型主要包括单一模型和混合模型两大类。本研究提出了基于数据分组处理(group method of data handling,GMDH)的混合预测模型GHFM。该模型首先使用基于GMDH的自回归模型在原始能源消费时间序列上建模,预测其线性趋势,并得到残差序列(非线性子序列)。考虑到非线性子序列预测的复杂性,分别建立BP神经网络、支持向量回归机、遗传规划和RBF神经网络模型,再运用GMDH在非线性子序列上建立选择性组合预测模型,得到非线性子序列的组合预测值。最后,将两个部分的预测值进行整合得到总的能源消费量预测值。选取中国统计年鉴2014能源统计数据中的中国能源消费总量和石油消费总量数据进行实证分析,结果表明,GHFM模型与其他模型相比具有更好的预测效果。最后,给出了使用GHFM模型对2015-2020年中国能源消费总量的样本外预测值。
