神经网络和卡尔曼算法在石油需求预测中的应用 - bob手机在线登陆

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

神经网络和卡尔曼算法在石油需求预测中的应用

孙梅,邓星,董同明

文章导航> bob手机在线登陆学报（社会科学版）> 2013> (6): 10-15

孙梅, 邓星, 董同明. 神经网络和卡尔曼算法在石油需求预测中的应用[J]. bob手机在线登陆学报（社会科学版）, 2013, (6): 10-15.

引用本文:

孙梅, 邓星, 董同明. 神经网络和卡尔曼算法在石油需求预测中的应用[J]. bob手机在线登陆学报（社会科学版）, 2013, (6): 10-15.

SUN Mei, DENG Xing, DONG Tongming. Application of Neural Networks and Kalman Algorithm in Oil Demand Prediction[J]. Journal of Beijing Institute of Technology (Social Sciences Edition), 2013, (6): 10-15.

Citation:

SUN Mei, DENG Xing, DONG Tongming. Application of Neural Networks and Kalman Algorithm in Oil Demand Prediction[J].Journal of Beijing Institute of Technology (Social Sciences Edition), 2013, (6): 10-15.

神经网络和卡尔曼算法在石油需求预测中的应用

1.
江苏大学能源发展与环境保护战略研究中心, 江苏镇江 212013

基金项目:

国家自然科学基金资助项目（71073071;71273119）

Application of Neural Networks and Kalman Algorithm in Oil Demand Prediction

1.
Jiangsu University Center for Energy Development and Environmental Protection, Jiangsu University, Zhenjiang Jiangsu 212013, China

摘要:分析中国1978—2009年影响石油需求的8个相关指标数据。将指标分成3组，通过每组指标的数据分别用广义回归神经网络和误差反向传播神经网络（GRNN和BPNN）方法对2013年的中国石油需求量进行预测，并对其预测结果进行比较。进一步采用神经网络平均影响值（Mean Impact Value，MIV）方法，从影响石油需求时间序列的相关指标数据中筛选出对石油需求影响最大的5个变量。用选出的5个变量，根据AIC准则确定了时间序列的阶数，并建立了石油需求的AR时间序列模型。采用卡尔曼滤波算法和Rauch-Tung-Striebel（RTS）算法对AR模型进行了后验估计。卡尔曼滤波算法使得模型参数得以更新，且相关仿真结果表明，对于AR模型的输出起到较好的修正作用，从而提高了模型的预测精度。
- 石油需求预测/
- 神经网络/
- 自回归模型/
- 卡尔曼滤波/
- RTS算法
Abstract:This paper analyzes the eight indicators which affected oil demand from the year 1978 to 2009. Setting the indicators into three groups and applying different group data, China's oil demand is estimated in 2013 by the method of generalized regression neural network(GRNN) and back propagation neural network(BPNN). Five indicators which have great influence on oil demand are picked via Mean Impact Value method. Based on the five variables, the order of autoregressive(AR)model is established by employing Akaike information criterion. A posteriori estimation of the AR model is carried out by the Kalman algorithm and Rauch-Tung-Striebel(RTS) algorithm. The results indicate that Kalman filter algorithm could amend the AR model well by updating the parameters and improve the accuracy of the prediction.
- oil demand/
- neural network/
- autoregressive model/
- Kalman/
- RTS algorithm

[1]	Yu Shiwei,Zhu Kejun. A hybrid procedure for energy demand forecasting in China[J]. Energy,2012,1(37):396-404.
[2]	Yu Shiwei,Wei Yiming,Wang Ke. A PSO-GA optimal model to estimate primary energy demand of China[J]. Energy Policy,2012(42):329-340.
[3]	Tang Xu, Zhang Baosheng, Mikael Höök,Feng Lianyong. Forecast of oil reserves and production in Daqing oilfield of China[J].Energy,2010,35(7):3097-3102.
[4]	Toshihide Ito, Youqing Chen, Shoichi Ito, Kaoru Yamaguchi. Prospect of the upper limit of the energy demand in China from regional aspects[J].Energy,2010,35(12):5320-5327.
[5]	Yetis Sazi, Murat, Halim Ceylan. Use of artificial neural networks for transport energy demand modeling[J]. Energy policy,2006,34(17):3165-3172.
[6]	孙伟, 李柏年. BP神经网络在安徽省GDP预测中的应用[J]. 科技和产业,2009,9(9):90-92.
[7]	吕彬, 曾洁. 基于BP神经网络的电力负荷预测研究[J]. 现代商贸工业,2009(21):254-255.
[8]	刘映, 张岐山. 能源消费的——时序神经网络预测模型[J]. 能源与环境,2006(5):26-28.
[9]	邢小军, 周德群. 中国能源需求预测函数:主成份辅助的协整分析[J]. 数理统计与管理,2008,27(6):945-951.
[10]	Geem Z W, Roper W E. Energy demand estimation of South Korea using artificial neural network[J]. Energy Policy,2009,37 (10):4049-4054.
[11]	王珏, 鲍勤. 基于小波神经网络的中国能源需求预测模型[J]. 系统科学与数学,2009,29(11):1542-1551.
[12]	张跃军, 王婧, 王姿懿, 张璐, 王小越. 2013年国际原油价格分析与趋势预测[J]. bob手机在线登陆学报:社会科学版, 2013, 15(1):1-4.
[13]	高大启. 有教师的线性基本函数前向三层神经网络结构研究[J].计算机学报, 1998, 21(1):80-86.
[14]	史峰, 王小川, 郁磊, 李洋, 张延亮. MATLAB神经网络30个案例分析[M]. 北京:北京航空航天大学出版社, 2010.
[15]	邓自立. 卡尔曼滤波与维纳滤波:现代时间序列分析方法[M]. 哈尔滨:哈尔滨工业出版社,2001.
[16]	Rauch H E, Tung F,Striebel C T. Maximum likelihood estimates of linear dynamic systems[J]. AIAA Journal, 1965, 8(3):1445-1450.

[1]	陈征, 周智博.应急预算法制的反思与展望. bob手机在线登陆学报（社会科学版）, 2021, 23(5): 133-140.doi:10.15918/j.jbitss1009-3370.2021.1502
[2]	廖华, 向福洲.中国“十四五”能源需求预测与展望. bob手机在线登陆学报（社会科学版）, 2021, 23(2): 1-8.doi:10.15918/j.jbitss1009-3370.2021.7348
[3]	罗琦, 孙超.中国银行间利率向市场利率谱系的传导效率——基于非线性自回归分布滞后模型和中、美、欧对比. bob手机在线登陆学报（社会科学版）, 2020, 22(4): 70-80.doi:10.15918/j.jbitss1009-3370.2020.3284
[4]	邢李志, 文献, 董现垒, 关峻.基于共引网络理论的产业需求竞争网络. bob手机在线登陆学报（社会科学版）, 2016, (4): 78-85.doi:10.15918/j.jbitss1009-3370.2016.0411
[5]	焦建玲, 韩晓飞, 李兰兰, 朱俊红.减排约束下的中国石油需求预测. bob手机在线登陆学报（社会科学版）, 2015, (1): 48-52.doi:10.15918/j.jbitss1009-3370.2015.0107
[6]	邹艳芬.能源消费波动特征分析——基于门限分位点回归模型. bob手机在线登陆学报（社会科学版）, 2014, (3): 38-42.
[7]	何森雨, 杨瑞广, 梁晓捷, 赵鲁涛, 梁巧梅.国际石油价格长期趋势预测系统的研制与应用. bob手机在线登陆学报（社会科学版）, 2013, (3): 13-20.
[8]	唐葆君, 郑茜.中国电动汽车配套基础设施布局需求侧研究——基于Logit回归的消费偏好分析. bob手机在线登陆学报（社会科学版）, 2013, (4): 14-20.
[9]	张跃军, 周彬, 王丽.基于支持向量机模型的北京市能源需求预测研究. bob手机在线登陆学报（社会科学版）, 2013, (3): 8-12.
[10]	赵富强, 刘金兰, 彭悦.PLS算法的顾客满意度指数模型. bob手机在线登陆学报（社会科学版）, 2012, (1): 56-59,65.
[11]	曹萍, 陈福集.GA-灰色神经网络的区域物流需求预测. bob手机在线登陆学报（社会科学版）, 2012, (1): 66-70.
[12]	张瑾, 李德煌, 邵明星.国防技术成果军转民多元线性回归模型研究. bob手机在线登陆学报（社会科学版）, 2011, (5): 72-77.
[13]	党跃臣, 徐娟.基于matlab的网民数量预测模型研究. bob手机在线登陆学报（社会科学版）, 2010, (2): 47-49.
[14]	刘炳胜, 王雪青, 林丽.基于PCA-BP神经网络组合的中国建筑业竞争力预测. bob手机在线登陆学报（社会科学版）, 2010, (6): 61-64.
[15]	杨晗熠, 吴育华.组合预测模型在城市垃圾产量预测中的研究与应用. bob手机在线登陆学报（社会科学版）, 2009, (2): 54-57.
[16]	赵静娴, 杜子平.基于神经网络和决策树相结合的信用风险评估模型研究. bob手机在线登陆学报（社会科学版）, 2009, (1): 76-79.
[17]	封云, 马军海.供应链需求预测的非线性方法研究. bob手机在线登陆学报（社会科学版）, 2008, (5): 82-86.
[18]	陈婧, 韩伯棠, 姜莹.基于BP神经网络的多元化战略选择方法研究. bob手机在线登陆学报（社会科学版）, 2006, (3): 79-81.
[19]	曾凤章, 王元华.神经网络在顾客满意度测评中的应用. bob手机在线登陆学报（社会科学版）, 2005, (1): 45-47.
[20]	张华雨, 韩伯棠.人工神经网络在预测集成中的应用研究. bob手机在线登陆学报（社会科学版）, 2001, (3): 15-17.

WeChat

点击查看大图

计量

文章访问数:748
HTML全文浏览量:2
PDF下载量:1065
被引次数:0

神经网络和卡尔曼算法在石油需求预测中的应用

1. 江苏大学能源发展与环境保护战略研究中心, 江苏镇江 212013

基金项目:

国家自然科学基金资助项目（71073071;71273119）

收稿日期:2013-06-13
刊出日期:2013-12-19

关键词:

石油需求预测/

自回归模型/

卡尔曼滤波/

摘要:分析中国1978—2009年影响石油需求的8个相关指标数据。将指标分成3组，通过每组指标的数据分别用广义回归神经网络和误差反向传播神经网络（GRNN和BPNN）方法对2013年的中国石油需求量进行预测，并对其预测结果进行比较。进一步采用神经网络平均影响值（Mean Impact Value，MIV）方法，从影响石油需求时间序列的相关指标数据中筛选出对石油需求影响最大的5个变量。用选出的5个变量，根据AIC准则确定了时间序列的阶数，并建立了石油需求的AR时间序列模型。采用卡尔曼滤波算法和Rauch-Tung-Striebel（RTS）算法对AR模型进行了后验估计。卡尔曼滤波算法使得模型参数得以更新，且相关仿真结果表明，对于AR模型的输出起到较好的修正作用，从而提高了模型的预测精度。

English Abstract

孙梅, 邓星, 董同明. 神经网络和卡尔曼算法在石油需求预测中的应用[J]. bob手机在线登陆学报（社会科学版）, 2013, (6): 10-15.

引用本文:

孙梅, 邓星, 董同明. 神经网络和卡尔曼算法在石油需求预测中的应用[J]. bob手机在线登陆学报（社会科学版）, 2013, (6): 10-15.

SUN Mei, DENG Xing, DONG Tongming. Application of Neural Networks and Kalman Algorithm in Oil Demand Prediction[J]. Journal of Beijing Institute of Technology (Social Sciences Edition), 2013, (6): 10-15.

Citation:

SUN Mei, DENG Xing, DONG Tongming. Application of Neural Networks and Kalman Algorithm in Oil Demand Prediction[J].Journal of Beijing Institute of Technology (Social Sciences Edition), 2013, (6): 10-15.

参考文献 (16)

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回

作者相关

写作规范

友情链接

总访问量: 今日访问量:

版权所有：bob手机在线登陆学术期刊中心

主管单位: 中华人民共和国工业和信息化部主办单位: bob手机在线登陆地址: 北京市海淀区中关村南大街5号

本系统由北京仁和汇智信息技术有限公司开发