第 卷 年 专辑 月 中国管理科学 , , 文章编号 一 《 一 一 基于 的 神经网络煤炭需求预测模型 胡雪棉 , 赵 国浩 山西 财经 大 学管理 科学与工 程 学院 , 山西 太原 摘 要 煤炭是 中国的基础能源 , 支撑着 国 民经 济的商邃发展 。 在未来 的一 段 时期 , 煤炭的基础 能源 地 位不 会 改 变 。 要合理利用煤炭资源 , 保证我国经 济的健康发展 , 煤炭错求 的预测必 不 可少 。 近 年来煤炭需求的预测存在一 技术的双 隐层 神经 网络对煤炭需求进 行模拟分析 , 通过实际数据检验和 定的不足 , 精度较低 。 本文基 于 实证 分析 , 预测 了未来五 年的煤炭需求量 。 关扭词 前馈 · 神经 网络 煤炭需求 预侧 棋型 中圈分类号 价 文献标识 码 引言 以 上 。 煤炭是世界 上 储量最 多 , 分布最广 的常规 能源 。 世纪 年代 以来 , 世 界煤炭产量 在 一 亿 吨 之 间 , 在 世 界 一 次 性 能 源 生 产 和 消 费 总 量 中约 占 , 是世界经 济发 展 的重 要 动力 支柱 川 。 从 中国 能源 系统实 际运 行看 , 自进人 世 纪 年代末期 国 民经 济高速增长 以来 , 煤炭 在 一 次能源 消费量 中 以 上 的煤炭 消费用 的 比 重 一 直在 于 国民经 济 中的 主体 —生 产建设 。 因 此 可 以 说 , 煤炭产业 支撑着 国 民 经 济 的 高速 发 展 工’〕。 煤 炭在 我 国经 济与社 会发 展 中起 着重 要 的作用 。 但是 , 长 期 以来 由于 缺乏 科 学 的规 划 , 供需 失衡 的矛 盾 一 直 影 响着 煤炭 工 业 和 国 民经 济 的健康发 展 。 在新 的经 济形 势下 , 必 须保证 煤 炭 生 产 和 需 求 的总体平衡 和 长期平衡 , 其 中做好 煤 炭 的 需求 预 测 是 一 个 重要 方 面 。 科 学地 进行煤 炭 需求 预 测 , 可 以 克服或消除煤 炭生 产过剩 的现象 , 保证 经 济健 康稳 定 快 速 发展 的 需 求 。 常用 的预测方法 有类 比法 、趋势外推法 、消费 弹性 系 数 法 、 主 要 消 耗 部 门 预 测 法 、 回 归 分 析 法 〔‘ 了、 时 间序 列 预 测 法 、 灰 色 系 统 模 型 预 测 法 〔’,’ , 组 合预 测 仁’ , 以及 神经 网络预 测 法 ’ 等 。 近 些 年来 国内一 些 专家和研 究 单位 曾采用不 同 的方法 对 我 国的煤炭需 求做 过 大 量 研 究 工 作 , 但 由 于采用 的方 法和所 取 的基 础 数据不 同 , 预 测结 果 差 异 较大 , 且 预测精度都较低 。 由此 可 见 , 关于煤炭需 求预测 的方法选 择上 , 仍然存在着一 定 的不 足 , 需要 寻找 更准确 、 更科学 、更有效的预 测方 法 。 影 响煤炭需求的 因素有很 多 , 它们之 间存在着 复杂的关 系 , 而 不 是线性或 简单 的非线性 关 系 。 因 此 不 能用线性或简单非线性 函数来描述 。 这 也 是 为 什么 目前 煤 炭 需 求 预 测 的 精 度 较 低 的 问 题 所 在 。 神经 网络是 一 种神经 网络学 习算法 , 通 常 预 先假 定 网络 的结构 已经 确定 , 即 已 知计算单元 的层 数 , 每 层 的单元 数 目及 单元 之 间 的 连 接 , 当输 入 输 出 之 间 是非线性关系及 训 练数据 充 足 的情 况 下 , 它 可 以 出 色完成不 同领 域 的 间题 〔’〕。 神经 网 络 对 复 杂 的 非 线性 问题 具 有较好的描 述 能力 , 所 以 , 应用 神经 网络 方法 通 过 样 本学 习 可 以 掌握 煤炭需 求量 与其影 响 因 素之 间复 杂 的 函 数 关 系 可 能 是 高度 的 非 线 性 关 系 。 这种 函数关 系 比传统 的高度 简化 了的 函 数 关 系相 比更加接 近 实 际 。 因 此 , 神经 网 络 预 测 的精度 就较 高 , 预测 结果 的可靠性 就较 大 〔’ 。 本文 建 立 了 技术 的双 隐层 神经 网 络 来 预 测 中 国 基 于 煤炭 需求的分析模 型 , 探 讨 中 国 未 来 五 年 煤 炭 需 求 变 动趋 势 , 为煤 炭 资 源 管理 提 供基 础 资料 和 决 策支 持 。 收稿 日期 作者简介 胡雪棉 , 一 一 修 订 日期 一 一 神经 网络 的墓 本 原 理 一 , 女 汉 族 , 陕西 西安人 , 山西 财经 大学 管理科 学 与工 程 学 院 , 硕 士研究生 , 研究方向 项 目管理 与技术经 济评价 神 经 网 络 即 基 于 误 差 反 向 传 播 

中国管理科学 年 算 法 的 多 层 前 馈 网 络 一 简称 神经 网络 模型 是在 年由斯坦福大学 的鲁梅尔哈特 等提出来的 , 全 称 为 算法 。 算法解决 了多层 网络模 型 中隐含层 的连 接权 问题 , 提高了神经 网络的学习 和记忆功能 , 尤其 异或 问题 , 逐 步成为神经 网络应用最 解决了 为广泛 的典型 模 型 之 一 。 神经 网络模 型 是 由输 人层 、输出层 和若干隐含层 组 成的前 向连接模型 , 同 层各神经元 间互 不 连 接 , 相邻层 的神经 元 通 过权 重 连接且 为全互 连结构 。 有输 入 信号 时 , 要 首 先 向前 传播到隐层节点 , 再传至 下一 隐层 , 直至 最终传输至 输出层节点输 出 , 信号的传播是逐 层递进的 , 且 每经 过一 层都要 由相应的特性 函数进行变换 。 由于信号 一 直是 向前传播直 至 输 出层 , 所 以 神经 网络模 型 是一 种前馈 网络 。 神经 网络 的学 习 过程 包 括 正 向传播和反 向传播两 部分 。 当给定 网络一 个输人 模式时 , 它 由输人 层至 隐含层 并进行计算 , 且 向下一 层传递 , 这样逐 层 传递 和计算 , 最 后 到输 出层 , 产 生 一 个输 出模式 , 这 是一个逐 层状 态更新 的过 程 , 称 为 正 前 向传播 。 如 果 实 际输 出模 式 与期 望 输 出模 式有误差 , 那么 就将误 差 信号 沿 原 来 的连接通 路从 输 出层 至 输人 层 逐 层 传送 , 并 根 据误 差 值修改 各层 的连接权值 , 重 复迭 代 , 使误差 减小 , 直 至 满足条件 为止 , 这个过 程 称 为 反 向传播 。 当所 有训练模 式都 网络 已 经 学 习好 。 需要 满足 要 求 时 , 我们认 为 指出的是 , 一 旦 网络学 习 好 了 , 运 用 时就 只需要 正 向传播 , 不 再 进行反 向传播 。 基于 型构建 的 神经 网络煤炭摇求模 煤炭招求的影响因素确定 煤炭需求量受诸多因素的影响 。 本文 中将煤炭 需求量作为被解 释变 量 以 往年的煤炭消费量 为相 应年份的实际需求量 , 解释变量为 增长率 、燃 料购进价格指数 、煤炭 占能源 消费的 比重 、煤炭生产 量 、煤炭消费增 长率 、 煤炭工 业 固定资产投 资 、 煤炭 消费弹性 系数 经 济 每增加 一 个百 分 比煤炭 消费增加或减少 的百 分 比 、 采掘业 工 人 数量 、 采掘 业 工 人 的工 资 。 煤炭作为一 种重 要 的能源 , 其需求 量在很大程度上 受 国 民经 济发展 水平的影响 , 又 同 时对经 济产生 影 响 , 因此 应将 增长率 , 煤炭消 费弹性 系数作为解 释变量 。 而煤炭需求量在一 定程 度上 受煤炭生 产量 的影 响 , 所 以将煤炭生产量作为 其影 响因素 。 能源 不 只是煤炭 , 还 有 石 油 、 天 然气 、 水能 、 电能等 , 因此 煤炭需求量与其在能源消费中的 比重 息息相关 。 按 照 一 般需 求理 论 , 价格是不 可 缺 少 的重 要变量 , 因此我们将价格指数纳人解释变量 。 根据柯布一 道格拉斯 函数 的意 义 可 以知道 , 生 产过 程 中生 产要素主要 包 括 劳 动 者 、劳动资料 和 劳动对 象 。 所 以为了在煤炭需求预测 中有更充足 的数据分 析 , 本文也 将工 人数量 、工 资和 固定资产投资额作为 神经 网络 的分析数据 , 以达到更好的分析结果 。 模型 的建立 在本文 中 , 把 一 年的煤炭需求量 以及 所确定 的各影 响 因素指标 的历 史 数 据作为样本 , 如 表 所 示 。 了一︸,山月月呀呢︸,矛︸旧碑户产︺碑︸吧一夕夕夕夕夕夕,日卜日卜日卜日﹄日卜日卜日﹂日卜日日卜 ,布,才︸︸‘︸‘。 亡﹄‘﹃声印产,矛,口一了,,口 ,山,,矛一了,夕 衰 , 一 年煤炭消 费 及 其影晌因索 ,,者‘众﹄︸乙矛 ‘丹︸,口肉工、 …… 洲洲 洲 资源来 源 中国统计年鉴 》 一 一 汤 ﹄一“︸ ,于 一 一 一 一 。 

专辑 赵国浩 基 于 的 神经 网络煤炭需求预测模型胡雪棉 表 中各字母 分别代表 增 长率 燃料购进价格指数 。 煤炭在能源消耗中的比重 煤炭生产量 万 吨 采掘业 工 人数 万人 采掘业人均工 资 元 人 煤炭工 业 固定 资产投资 万 元 煤炭消费弹性 系数 煤炭消费增长率 煤炭 消费量 万 吨 归 一 化后 的数据用 对应 的大写字母 表示 基 于 , 一 , 的 神经 网 络共有 四 层 输人 层 , 双 隐含层 和输 出层 。 其 中 , 输 人 层 为煤炭需求的各 增 长率 、燃料 购进 价格 指数 、 煤炭 影 响 因素 , 即 占能源 消费 的 比重 、 煤炭 生 产量 、 煤炭 消费增 长率 、 煤炭工 业 固定 资产投资 、煤炭消费弹性 系数 、采掘业 工 人 数量 、采掘业 工 人 的工 资 , 共 维 。 将其用 , , 表示 。 本文 经 过 大量 仿真 验证 , 双 隐含 层 网络的估计误 差 比单 隐含 层 网络 有 所 减 小 , 其改 善程度 比在培训 误 差 方 面 要 大 , 说 明 双 隐含层 网络 的泛化 能力较高 。 为 了保证 神经 网络 预测 的精 度 , 本文增加 了隐含层层 数 , 保证 了映射关系的正 确 实现 。 隐含层节 点数 的选择与应用 对象的具体问题 有关 , 在不 同的情况 下 可 能选 择不 同的 隐含层 节点 数 。 一 般来说网络隐含层节点数太少 , 神经 网络 将不 能建立 复杂 的 映射关 系 , 使 神经 网络 培 训 不 出来 , 或不 能识别 以前没 有 的样 本 , 容错性差 神经 网络节 点数 过 多 , 又 使 神 经 网络学 习 时 间 过 长 , 误 差 也 不 一 定 最 小 , 因 此 神经 网 络应 有 一 个 最 佳 隐含层节 点数 。 在试 验 中初 选 隐含层 节 点数可 按 二 沂石万 式或 式 确定大 致 范 围 〔川 式 中 为 隐含层节 点数 , 为输人 层 节 点数 , 为输 出层节点 数 , 为 一 之 间的整数 。 本文 采用实验方法 进 行 确定 , 最 终隐含层 的节 点 数 分别 为 、 。 物 出层 只有一 维 , 即 为 煤 炭 需 求 预 测 量 , 将 其设 为 。 此 时 , 神经 网络模 型 稳定 且 可 获得较好 的结 果 。 煤 炭需 求预 测 神经 网络 结 构 图 如 图 所 示 。 其 中 为各层 间的权 值 。 实例 分 析 初 始 数 据 处 理 针 对 神经 网络本身的特征 , 为使 神经 网 从凡执 肠 尸 一 一 月 ” 图 神经 网络结构图 络收敛效果 明显 , 将输人 、输 出样本数据进行归 一 化 处 理 , 使其分布 于 一 之 间 。 归 一 化 的具体作用 是 归纳统一 样本的统计分布性 。 神经 网络是 以 样本在 事件中的统 计 分布率来进行训 练 概 率计算 和 预 测 的 , 归一 化是统 一 在 一 之 间 的统 计概 率分 布 。 由于煤炭 消费 弹性 系 数 和煤炭 消 费 增 长 率有 正 有 负 , 所 以 先将其加 , 再 进行 归 一 化处 理 。 本 文 采用 尸 , 二 。 尸 , 当处 理 的数 据小 于 ’“ 时 , 数 据 就 可 用 上 面 的 公式归一 化处理 。 进行归 一 化处理 。 归一 化 后 的数 据如表 和 表 所 示 。 其 中 、 分 别表 示 每 增加 煤炭 消费量 是原 来 的百 分之 几 和 煤 炭 消 费 是上 年 的百 分之 几 的归一 化数据 。 的 网络训 练 基于 本 文采用单步和 多步预测 。 单步预测 的 网络 训 年 的输 人 练 , 其输人 输 出分别 为表 中 归一 化数据及 表 中 年 的输 出归 一 化 数据 。 多步预测 的 网 络 训 练 , 其输人 输 出分 别 为表 年 的 输 入 归 一 化 数 据 及 表 中 年 的 输 出 归 一 化 数 据 。 单 步 和 多 步 预 年 的数 据作为 网络训 练 完 毕后 的 检 验 测 均 取 中 一 一 一 一 样 本 。 本文 的 网络学 习算法 采用 算 法 , 算法 是 为 了 训 练 网 络 而 提 出 的最 最 快 速 算 法 〔” 〕。 训 练 的 收 敛 误 差 平 方 和 取 为 , 训 练 的 最 大 次 数设 为 , 显 示 迭 代次 。 经 过 数 为 , 多次运 行后 得 到 网络学 习 率 为 训 练后 , 神经 网 络 收 敛 。 将 训 练 好 的 神 经 网 络权 值及 阀值 保 存 , 以 便 进 行 接 下 来 的 需 求 预 测 。 训 练结 果 如 图 和 图 所 示 。 误 差 分 析 采 用 年 的煤炭 消费 量 和 炭需 求量 进 行 比较 , 作 单 步 和 多 步 测 的误 差 分析 。 年 的预 测 煤 神 经 网 络 预 

中国管理科学 表 输入归一 化数据 , 以洲】 以拼 拓 年份 出份出份出物年抽年物 , 裹 输 出归一 化傲据 口以 】 的 年 洲场 佣 加 《兀旧 阅 加 ,图衰 多步网络训练结果 单步预 侧误 差 分 析 年份 实际归一 值 实际值 年份 预侧归一 值 预侧值 误差 图 单步网络训练结 果 单步 、 多步预测 的误 差 分析 如表 和表 所 示 。 , 由此 说 明 单 步和 多步 预测 的误 差 均小 于 神经 网络训 练成功 , 可 用 于进 行 预测 。 表 多步预 侧 误 趁分析 年 份 实 际 归 一 值 实际值 年份 预测 归一 值 顶侧值 误差 加 

专辑 赵国浩 基于 的 神经 网络煤炭需求预测模型胡雪棉 摇 求预 测 用 单 步 神经 网络对 进 行预测 , 用 多步神经 网络对 需求进行预测 。 结果见表 。 社 , 年 的煤炭需 求 量 年 的煤炭 一 〔 〕杜 贵成 , 王 永玲 我 国煤炭资 源 中长期 预测【 〕东北 财经 大学 学报 , , 一 【 」李德波 , 叶旭东 , 柳春明 年和 年全 国煤 炭需求 预 侧 〔 煤炭经 济研 究 , 一 衰 ‘ 预 侧结果《单位 万 吨 〔 〕李世祥 , 吴巧生 我国煤炭需求 函数 回 归模型 的建立 及需 求预 测【 〕中国煤炭 , , 一 一 【 〕荆全忠 , 苏同营 基 于灰色理 论的煤炭需求预侧模型研究【 山东科技大学学报 , , 一 一 【 〕孙国文 , 尹 光 志 基 于 灰 色 系统 理 论 的重 庆 市煤 炭 消 费 预 侧 〕重庆大学学报 , , 一 〔 〕赵 国浩 资源管理 系统工 程理 论 与实践【 北 京 经 济管理 出 版社 , 【 宁云 煤炭需求预 测 的 复合小 波神经 网络模 型【 煤炭学 报 , , 一 【 〕萤春胜 , 刘 滨霞 , 杨 金 明 改 进 的 神 经 网络 顶 浏 地 表 沉 陷 〔 〕辽 宁工 程大学学报 , 一, 一 〔 〕彭建 良 煤炭消费盘 顶侧 的人 工 神经 网络 方法 汇 中 国矿 业 大学学报 , , 一 〔 张 立 明 人 工 神经 网络的模型及其应用 汇 】上 海 复 亘大学 出 版社 , 【 」 雌 , , , 一 , 年份 单步 多步 加 结语 采用 基 于 的 神经 网络 进行煤炭需求 预测 , 计算机 编程 语 言简单 , 调 试 方便 , 程 序运 行 效 率较高 , 误 差 小 于 , 预 测 精度 较 高 , 因 此 基 于 的 神经 网络煤炭需求预 测 具 有 一 定 的实 际应用 价值 。 采用 双 隐层 的 神经 网络 , 是 对 神经 网络 的一 种优化 , 可使其泛化 能力得 到提高 。 随着 时 间 的推进 , 可 以 增 加 神 经 网络 的输 人 , 以 此来减少 其误 差 , 从 而提高预测能力 。 参考文 献 〔 」张宝 明 中国煤 炭 工 业 改 革 与发 展 【 〕北 京 煤炭 工 业 出版 毗 , , 铭 , ’ , 二肠 , · , , ’ ,