应用组合模型对我国能源消费的预测

鉴于我国能源消费系统的复杂性及非线性特征,分别采用神经网络和时间序列两种方法建立我国能源消费总量的单项预测模型,并对各模型进行了检验,模型的检验结果表明建立的模型可以作为预测未来能源消费量的有效工具.根据标准差法对各模型的结果进行权重分配,建立我国能源消费的组合预测模型,组合预测模型既克服单一模型的缺陷,又提高了预测精度,之后应用此模型对我国未来六年的能源消费进行预测,2015年我国能源消费总量将会达到41.9亿吨标准煤.     

基于神经网络组合模型的能源消费量预测研究

为了提高预测的精度,将神经网络组合预测模型应用于能源消费总量预测中,通过建立RBF、ELM、BP神经网络预测模型,用熵值法确定组合预测模型的加权系数,建立神经网络组合预测模型.利用安徽省统计年鉴获得的1991～2007年安徽省能源消费总量进行检验仿真,结果表明组合预测模型的误差较小,精度较高,预测结果更接近于实际情况.     

我国能源生产总量组合预测研究

围绕我国2005-2014年的能源生产总量数据,利用最小组合预测模型预测未来三年我国能源生产总量.研究结果表明,组合预测模型的误差小于单项预测,能准确预测未来三年我国能源生产总量的上涨趋势和增长率.     

我国区域能源总量控制及优化配置研究

针对我国能源消费总量的合理控制,以能源消耗总量的主要影响因素为切入点,结合我国目前能源消耗的形势及其特点,建立灰色预测模型,对我国下一轮经济周期能源消费总量进行预测.最终建立ZGD-DEA效率模型,得到充分利用有限资源的最优分配方案.     

安徽省城镇居民人均消费的组合预测

在灰色预测、回归预测和时序预测基础上,建立1990到2009年安徽省居民人均消费组合预测模型,并通过误差指标评价体系对组合模型和单项预测模型进行评价,结果表明组合预测模型的各误差指标远低于三种单项预测模型预测误差指标值。最后预测了我省近三年城镇居民人均消费值并进行了评价。     

基于灰色RBF网络的我国能源消费预测

利用我国能源消费总量的历史数据,采用灰色预测法建立预测模型,再利用径向基(RBF)神经网络对灰色预测模型结果进行预测,以作为其最终的预测值.实验结果表明,灰色RBF网络模型在预测精度方面优于单一的灰色模型.该模型计算简便,有较高的拟合和预测精度,拓宽了灰色模型的应用范围.     

组合预测模型在安徽省粮食产量预测中的应用

利用安徽省粮食产量的历史数据,分别采用一元线性回归、指数曲线及神经网络方法建立了安徽省粮食产量的预测模型。以此为基础,建立了安徽省粮食产量的组合预测模型,并对模型的适用性进行了检验。最后,应用该模型对安徽省未来10年的粮食产量进行了预测。结果表明,组合预测模型可以作为安徽省未来粮食产量预测的有效工具。     

基于IOWA算子的我国粮食产量组合预测研究

以1978—2018年我国粮食产量数据为样本,提出基于IOWA算子的组合预测模型,对我国未来5年的粮食产量进行预测。首先建立时间序列ARIMA模型、Holt-winters加法模型和多元线性回归模型,运用3个单项预测模型对1978—2018年间我国的粮食产量进行拟合,然后基于IOWA算子建立以误差平方和最小为准则的组合预测模型,最后运用基于IOWA算子组合预测模型对我国未来5年的粮食产量进行预测。结论表明:基于IOWA算子的组合预测模型具有更高的预测效果,能够使得单项预测模型提供的有效信息得到全面利用,更精准地预测我国粮食产量;我国未来5年的粮食产量还会持续增加,并且每年的平均增长速度为1.3%。     

基于组合预测模型的我国天然气需求预测

在世界能源低碳化的要求下,天然气以其碳含量优势成为低碳能源的重要组成部分,天然气需求预测也随之成为焦点.运用多项式趋势面分析法与GM(1,1)灰色预测法对原始数据序列进行处理,并将两模型下处理后的数据以及二氧化碳排量数据拟合回归方程建立组合预测模型,随后以我国2003—2011年人口、GDP、天然气消费量及二氧化碳排量数据作为原始数据序列进行实例分析,通过残差检验发现,该组合预测模型的预测精度在99.96%以上,属于较好的预测模型,预测数据可靠.最后,运用该模型对2012—2018年我国的天然气需求量进行预测.     

基于IOWHA算子的对外直接投资组合预测

在引用诱导有序加权调和平均(IOWHA)算子组合预测模型的基础上,首先分别使用ARIMA模型、灰色预测模型、多元线性回归模型对我国对外直接投资(OFDI)进行预测,然后建立基于IOWHA算子的组合预测模型和评价指标体系;结果显示:IOWHA组合预测模型优于3种单项预测;运用组合预测模型预测我国未来4年的OFDI值,预测值表明未来几年,我国OFDI仍处于增加状态,增幅较大;最后给出相关结论及建议。     

基于最优加权法的航空货运量组合预测

以1997～2007年我国航空货运量的统计数据为基础,采用灰色GM(1,1)模型和回归分析模型进行组合优化,建立了基于最优加权法的航空货运量组合预测模型,并对组合预测模型进行检验.检验结果表明,组合预测模型是有效的、可靠的,具有较高的预测精度,可应用于实际预测.     

基于IOWA算子的中国能源消费总量的组合预测

本文利用多元回归模型、指数模型、灰色预测这三种方法分别对我国的能源消费做了预测,然后利用IOWA算子,运用诱导有序加权平均方法,对这三种模型的预测值进行了组合.实证结果显示,基于IOWA算子的组合预测的精度比三种方法各自的精度要高,而且精度比较稳定,达到了预期的水平.在此基础上,运用IOWA算子组合预测了2013年的能源消费总量,以期为相关部门制定能源政策和宏观经济的运行提供有用的参考信息.     

基于IOWA算子的我国居民消费水平组合预测研究

为了研究我国居民消费水平的变化趋势,将预测我国未来4年（2020—2023年）的居民消费水平,选择的样本数据是从2002—2019年这18年间的我国居民消费水平,构造基于ARIMA(2,1,1)模型、Holt Winters无季节模型以及多元回归模型的诱导有序加权算术平均(IOWA)算子组合预测模型,主要运用使偏差平方和最小的组合预测优化方法预测我国未来4年（2020—2023年）的居民消费水平,并对诱导有序加权算术平均IOWA算子组合预测模型进行了有效性评价;以新发展格局的内循环和外循环为依据,寻找解释变量并建立多元回归模型;研究发现：IOWA算子组合预测模型预测精度大于各单项预测模型,并且各项误差均显著低于单项预测模型,未来4年我国居民消费水平不会有大幅度波动,但有小幅度下降的趋势。     

基于IOWHA算子的中国货币供应量组合预测模型研究

选取1990年—2015年的中国货币供应量数据,分别使用ARMA模型、指数平滑模型、多元线性回归模型对我国货币供应量(M2)进行单项预测,并在此基础上引入诱导有序加权调和平均(IOWHA)算子建立组合预测模型,然后建立评价指标体系以比较各类单项预测方法和组合预测方法的预测精度。评价体系显示IOWHA组合预测模型优于3种单项预测;最后用组合预测模型对2016年—2020年我国的货币供应量M2进行预测。结果表明:未来几年,我国的货币供应量仍然处于递增状态,增幅较大。     

基于ARIMA模型的全国能源消费的短期预测

目的:根据全国能源历史消费数据来预测未来能源消费,为科学制定能源规划及经济发展战略提供建议。方法:选取1953-2011年的全国能源消费总量数据,运用ARIMA(1,1,3)模型预测未来4年的能源消费量。结果:2012年至2015年的能源消费量依次为354948.40、371466.8、392505.06、413849.93(万吨标准煤)。结论:预测结果表明国家制定的能源消费总量控制目标比较合理。但是我国仍需要更多的措施来实现这一目标。     

一种基于神经网络模型的中国能耗预测

通过对中国能源消费增长率的数据分析,运用LM(Levenberg-Marquardt)优化算法,结合BP网络,建立了相应的中国能耗增长率的神经网络模型,对中国能费增长率进行了拟合,并对未来能耗总量进行了预测。通过实际数据与测试数据的统计分析表明,该模型具有极强的拟合精度,对中国能源消费需求总量的预测有较高的可信度。     

中国能源消费的时间序列分析

对1978-2010年中国能源消费总量进行时间序列分析,采用时序分析的ARIMA模型和Autoregressive模型对其拟合建模,并对这两类模型的拟合效果和预测效果进行了比较.模型的残差检验和参数显著性检验结果表明模型是适用的,同时表明中国能源消费总量存在短期自相关性,并在短期内还将保持较快的增长速度.     

交通能源需求量组合预测模型研究

本文尝试将组合预测法应用于我国交通能源需求量的预测,以提高预测精度．通过赋予合理权重,将误差修正模型、非线性回归模型和多元回归模型加权组合建立组合预测模型．对各模型进行平均绝对百分误差（MAPE）、希尔不等系数（Theil IC）和均方根误差（RMSE）等指标的比较,证明单一模型经过组合能够提高预测精度．     

基于多元线性回归对我国煤炭消费量的分析

煤炭是我国的主要能源,我国经济飞速发展离不开煤炭资源的大量消费。收集近15年的统计数据,基于SPSS多元线性回归分析,建立多元线性回归模型并对模型进行检验修正。该模型避免了复杂的推导过程,有较高的准确度。根据预测模型得出了影响煤炭消费量的主要因素以及未来变化趋势。     

甘肃省直接生活能源消费碳排放分析及预测

利用排放系数和对数平均D氏指数(LMDI)分解法对甘肃省直接生活能源消费碳排放量和影响因素进行了计算和分析,并结合多种方法建立了预测模型.研究结果显示:(1)2000—2010年,碳排放量呈现整体增加的趋势,增幅为55.14%,在各种能源中煤的碳排放居于首位.就城乡结构而言,城镇的人均碳排放量高于农村,但由于农村人口基数大,其碳排放总量却高于城镇;(2)人均消费水平和能源消费强度分别对人均碳排放起到正向促进和负向抑制作用,城镇居民消费水平的提高和城镇人口比例的逐年上升以及城镇能源消费强度的下降和城镇消费在总消费比例的增加是根本原因;(3)以GM(1,1)预测模型和三次多项式模型为基础的组合预测模型,具有精度高、偏差小、预测结果较合理等优点,具有一定应用潜力.