高级检索

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

基于支持向量机模型的北京市能源需求预测研究

张跃军,周彬,王丽

downloadPDF
文章导航> bob手机在线登陆学报（社会科学版）> 2013> (3): 8-12
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[J]. bob手机在线登陆学报（社会科学版）, 2013, (3): 8-12.
引用本文: 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[J]. bob手机在线登陆学报（社会科学版）, 2013, (3): 8-12.
shu
ZHANG Yuejun, ZHOU Bin, WANG Li. Energy Demand Projection Based on Support Vector Machine Model: Evidence from Beijing[J]. Journal of Beijing Institute of Technology (Social Sciences Edition), 2013, (3): 8-12.
Citation: ZHANG Yuejun, ZHOU Bin, WANG Li. Energy Demand Projection Based on Support Vector Machine Model: Evidence from Beijing[J].Journal of Beijing Institute of Technology (Social Sciences Edition), 2013, (3): 8-12.
shu

基于支持向量机模型的北京市能源需求预测研究

  • 1.

    bob手机在线登陆 管理与经济学院 能源与环境政策研究中心, 北京 100081

  • 2.

    bob手机在线登陆 光电学院, 北京 100081

  • 3.

    中国人民银行 营业管理部, 北京 100045

基金项目:

国家自然科学基金资助项目(71001008, 71273028, 71020107026);高等学校博士学科点专项科研基金资助项目(20101101120041);教育部人文社会科学研究基金资助项目(09YJC630011);北京市优秀bob真人app下载资助计划(2011D009011000008)

Energy Demand Projection Based on Support Vector Machine Model: Evidence from Beijing

  • 1.

    Center for Energy and Environmental Policy Research, School of Management and Economics, Beijing Institute of Technology, Beijing 100081, China

  • 2.

    School of Optoelectronics, Beijing Institute of Technology, Beijing 100081, China

  • 3.

    Business Management, The People’s Bank of China, Beijing 100045 China

  • 摘要:北京市能源需求系统具有非线性、历史数据较少而影响因素众多等复杂特征, 而支持向量机模型在解决小样本、非线性及高维模式识别问题方面具有突出优势。为此, 引入支持向量机模型对北京市1978-2010年能源需求进行建模, 并据此对2012-2020年能源需求量进行预测。结果表明:支持向量机模型能有效拟合北京市能源需求系统的复杂变化趋势, 比其他传统方法有更高的预测精度。研究发现, 2012-2020年北京市能源需求量逐年增加, 年均增速2.75%;另外, 北京市能源需求的增速在“十三五”期间会比“十二五”期间略有趋缓。
    Abstract:The energy demand system of Beijing has a number of features including nonlinearity, limited historical data and numerous drivers, while the Support Vector Machine(SVM) model owns unique advantage in small samples, nonlinear and high-dimensional pattern recognition. Therefore, the SVM model is employed to fit the related historical data about energy demand in Beijing from 1978-2010 and then project the energy demand during 2012-2020. The results indicate that the projection power of SVM model evidently outweighs that of other traditional and commonly-used models, which can effectively consider the complex features in energy demand system of Beijing. Additionally, the projection results also suggest that Beijing’s energy demand may increase year by year during 2012-2020, with the average annual growth rate 2.75%; and its growth rate may appear relatively slower in the 13th Five-Year Plan period than that in the 12th Five Year Plan period.
  • [1] Inglesi R. Aggregate electricity demand in South Africa: conditional forecasts to 2030[J]. Applied Energy, 2010, 87(1):197-204.
    [2] Celiktas M S, Kocar G. From potential forecast to foresight of Turkey’s renewable energy with Delphi approach[J]. Energy, 2010, 35(5):1973-1980.
    [3] Daly H E, Gallachóir B P. Modelling future private car energy demand in Ireland[J]. Energy Policy, 2011, 39(2):7815-7824.
    [4] Ｕ¨nler A. Improvement of energy demand forecasts using swarm intelligence: the case of Turkey with projections to 2025[J]. Energy Policy, 2008, 36(6):1937-1944.
    [5] Suganthi L, Samuel A A. Energy models for demand forecasting-a review[J]. Renewable and Sustainable Energy Reviews, 2012, 16(2):1223-1240.
    [6] Huang Y, Bor Y J, Peng C Y. The long-term forecast of Taiwan’s energy supply and demand: LEAP model application[J]. Energy Policy, 2011, 39(11): 6790-6803.
    [7] Ediger V S, Akar S. ARIMA forecasting of primary energy demand by fuel in Turkey[J]. Energy Policy, 2007, 35(3):1701-1708.
    [8] Kucukali S, Baris K. Turkey’s short-term gross annual electricity demand forecast by fuzzy logic approach[J]. Energy Policy, 2010, 38(5):2438-2445.
    [9] Kran M S, Ｏ¨zceylan E, Gündüz M, Paksoy T. A novel hybrid approach based on particle swarm optimization and ant colony algorithm to forecast energy demand of Turkey[J]. Energy Conversion and Management, 2012, 53(1):75-83.
    [10] Yu S, Wei Y M, Wang K. China’s primary energy demands in 2020: predictions from an MPSO-RBF estimation model[J]. Energy Conversion and Management, 2012, 61:59-66.
    [11] Yu S, Zhu K, Zhang X. Energy demand projection of China using a path-coefficient analysis and PSO-GA approach[J]. Energy Conversion and Management, 2012, 53(1):142-153.
    [12] Kumar U, Jain V K. Time series models (Grey-markov, grey model with rolling mechanism and singular spectrum analysis) to forecast energy consumption in India[J]. Energy, 2010, 35(4):1709-1716.
    [13] Murat Y S, Ceylan H. Use of artificial neural networks for transport energy demand modeling[J]. Energy Policy, 2006, 34(17): 3165-3172.
    [14] 张兴平, 汪辰晨, 张帆. 北京市能源消费的因素分解分析[J]. 工业技术经济, 2012(1):13-18.
    [15] 胡军峰, 赵晓丽, 欧阳超. 北京市能源消费与经济增长关系研究[J]. 统计研究, 2011(3):79-85.
    [16] 张峰, 刘伟. 北京市能源消费预测与政策建议[J]. 中国人口·资源与环境, 2008, 18(3):99-102.
    [17] 邓乃扬, 田英杰. 数据挖掘中的新方法: 支持向量机[M]. 北京: 科学出版社, 2004.
  • [1] 唐葆君, 王崇州, 邹颖, 吴郧.中国能源经济指数演进及趋势预测. bob手机在线登陆学报（社会科学版）, 2023, 25(2): 28-35.doi:10.15918/j.jbitss1009-3370.2023.9064
    [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] 郝宇, 巴宁, 盖志强, 晏国耀.经济承压背景下中国能源经济预测与展望. bob手机在线登陆学报（社会科学版）, 2020, 22(2): 1-9.doi:10.15918/j.jbitss1009-3370.2020.7302
    [4] 郝宇, 赵明远, 高尚.新贸易形势下中国能源经济预测与展望. bob手机在线登陆学报（社会科学版）, 2019, (2): 12-19.doi:10.15918/j.jbitss1009-3370.2019.7291
    [5] 刘玉敏, 刘莉, 任广乾.基于GA-SVR模型的中国上市公司融资风险预测. bob手机在线登陆学报（社会科学版）, 2019, (4): 73-81.doi:10.15918/j.jbitss1009-3370.2019.1835
    [6] 张金良, 李德智, 谭忠富.基于混合模型的国际原油价格预测研究. bob手机在线登陆学报（社会科学版）, 2019, (1): 59-64.doi:10.15918/j.jbitss1009-3370.2019.2061
    [7] 郝宇, 王泠鸥, 吴烨睿.新时代能源经济预测与展望. bob手机在线登陆学报（社会科学版）, 2018, (2): 8-14.doi:10.15918/j.jbitss1009-3370.2018.5212
    [8] 王春枝, 赵国杰, 王维国, 于扬.MIDAS模型与EQW模型预测精度的比较——以资产价格的经济增长效应为例. bob手机在线登陆学报（社会科学版）, 2017, (6): 95-102.doi:10.15918/j.jbitss1009-3370.2017.2349
    [9] 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
    [10] 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. bob手机在线登陆学报（社会科学版）, 2013, (6): 10-15.
    [11] 于灏, 杨瑞广, 张跃军, 汪寿阳.城市客运交通能源需求与环境排放研究——以北京为例. bob手机在线登陆学报（社会科学版）, 2013, (5): 10-15.
    [12] 冯颖, 张炎治.销售价格影响需求的易变质产品动态定价模型. bob手机在线登陆学报（社会科学版）, 2012, (5): 6-10.
    [13] 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.
    [14] 范恩海, 郑婷兰.“十二五”期间城市住房的需求量研究——以山西省为例. bob手机在线登陆学报（社会科学版）, 2012, (5): 64-70.
    [15] 刘华军.品牌持续性的动态需求函数模型与案例解释. bob手机在线登陆学报（社会科学版）, 2011, (4): 33-38.
    [16] 杨小平, 韩金伟.基于挣值管理有效模型的挣值动态预测研究. bob手机在线登陆学报（社会科学版）, 2010, (4): 48-52.
    [17] 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.
    [18] 郑治伟, 孟卫东.基于支持向量机的重庆市主导产业选择研究. bob手机在线登陆学报（社会科学版）, 2010, (5): 84-89.
    [19] 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.
    [20] 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.
  • 加载中
WeChat 点击查看大图
计量
  • 文章访问数:955
  • HTML全文浏览量:1
  • PDF下载量:950
  • 被引次数:0
出版历程
  • 收稿日期:2012-12-05
  • 刊出日期:2013-05-22

基于支持向量机模型的北京市能源需求预测研究

  • 1. bob手机在线登陆 管理与经济学院 能源与环境政策研究中心, 北京 100081
  • 2. bob手机在线登陆 光电学院, 北京 100081
  • 3. 中国人民银行 营业管理部, 北京 100045
    • 基金项目:

    国家自然科学基金资助项目(71001008, 71273028, 71020107026);高等学校博士学科点专项科研基金资助项目(20101101120041);教育部人文社会科学研究基金资助项目(09YJC630011);北京市优秀bob真人app下载资助计划(2011D009011000008)

  • 收稿日期:2012-12-05
  • 刊出日期:2013-05-22

摘要:北京市能源需求系统具有非线性、历史数据较少而影响因素众多等复杂特征, 而支持向量机模型在解决小样本、非线性及高维模式识别问题方面具有突出优势。为此, 引入支持向量机模型对北京市1978-2010年能源需求进行建模, 并据此对2012-2020年能源需求量进行预测。结果表明:支持向量机模型能有效拟合北京市能源需求系统的复杂变化趋势, 比其他传统方法有更高的预测精度。研究发现, 2012-2020年北京市能源需求量逐年增加, 年均增速2.75%;另外, 北京市能源需求的增速在“十三五”期间会比“十二五”期间略有趋缓。

English Abstract

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[J]. bob手机在线登陆学报（社会科学版）, 2013, (3): 8-12.
引用本文: 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[J]. bob手机在线登陆学报（社会科学版）, 2013, (3): 8-12.
shu
ZHANG Yuejun, ZHOU Bin, WANG Li. Energy Demand Projection Based on Support Vector Machine Model: Evidence from Beijing[J]. Journal of Beijing Institute of Technology (Social Sciences Edition), 2013, (3): 8-12.
Citation: ZHANG Yuejun, ZHOU Bin, WANG Li. Energy Demand Projection Based on Support Vector Machine Model: Evidence from Beijing[J].Journal of Beijing Institute of Technology (Social Sciences Edition), 2013, (3): 8-12.
shu
参考文献 (17)

目录

    /

      返回文章
      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  百度统计

        Baidu
        map