基于BP神经网络与时间序列分析模型的中国能源消费趋势预测开题报告

1.1研究背景

能源是一个国家经济增长和人民生活水平不断提升的动力之源，是推动社会进步的必要资源，在我国现代化建设中日益彰显出其重要地位。自改革开放以来，我国经济增长迅速，能源消费量也呈现出爆炸式增长的趋势，1987年我国能源消费总量为57155万吨标准煤，到2020年已经增长至487000万吨标准煤增长率高达752%。随着能源需求量的逐渐增加，若无限制地进行消耗必将是中国最终处于能源紧缺状态同时对生态环境造成严重的破坏。目前，我国正处于经济转型的关键节点，致力于制定如何才能提高能源效率，更好地控制能源消费数量、推进可持续发展战略的规划。合理地对我国能源消费现状进行分析以及科学对我国未来能源消费趋势进行预测分析，有利于把握我国能源消费情况，制定更加合理长远的能源规划，促进经济平稳发展，推动建设环境友好型、资源节约型社会的战略目标，继续处于国际重要地位。

1.2.研究意义

1.2.1理论意义

能源消费预测相关研究是一个长久的研究主题，而现有的关于能源消费预测的研究结果还存在许多缺陷，在研究者采取不同的分析理论和预测模型时，得到的结果也大相径庭，在单一模型预测以及组合模型预测之间存在巨大误差，以及当选取的组合模型的权重不同时，其结果也存在较大差异，因此，随着理论知识的不断丰富以及预测模型的不断完善，进一步进行能源消费预测对现有研究结果的补充，使得能源消费预测研究结果更加完善。

1.2.2现实意义

为实现中华民族伟大复兴的中国梦，建设有中国特色社会主义社会，中国必须坚持节约资源和保护环境的基本国策，而近几十年来，我国能源消费持续高涨，在促进我国经济社会不断进步的同时也带来了环境的污染和破坏。因此对我国未来能源消费趋势预测，有助于促进我国长期能源战略的制定，对制定能源开发和利用政策有着一定的现实意义。

2.1研究内容

首先搜集我国的能源消费相关数据，并查找大量文献资料确立合适的数据分析模型以及相关的模型知识，在此基础之上建立GM(1,1)模型、ARIMA模型以及BP神经网络模型三个预测模型，同时将三个单一预测模型进行组合构建一个组合预测模型进行分析，最后对所建立的模型分析结果进行比较，选取最后分析模型结果得出结论，并根据模型的能源消费预测结果提出相关建议。具体如下：

（1）通过《中国统计年鉴》中的我国能源消费数量、能源强度、结构以及产业结构等数据，对我国能源消费历史趋势以及现状进行分析。

（2）利用文献研究法总结归纳现有的能源消费预测分析方法、通过系统学习掌握GM(1,1)模型、ARIMA模型以及BP神经网络模型的运用原理以及具体使用方法，同时充分了解各个模型的优缺点，对分析结果进行合理使用。

（3）深入了解组合模型的相关构建方法和适用范围，建立GM(1,1)模型、ARIMA模型和BP神经网络模型、三者结合的组合模型进行分析，为单一预测模型的结果进行补充。

（4）利用2000年-2021年的中国能源消费总量、经济水平、人口规模、能源结构以及产业结构能数据，建立上述的单一预测和组合预测模型。

（5）利用近几年的能源消费数据对所建立的预测模型结果进行拟合，进行预测误差分析并进行比较，得出最优分析模型。

（6）通过最有分析模型的分析结果，对我国未来的能源消费趋势进行预测。

（7）根据模型预测结果对我国未来的能源消费方案提出可行性建议。

2.2拟解决的关键问题

（1）我国能源消费数据相关指标的选取。

（2）能源消费预测模型的选取以及组合模型构建的权重制定。

（3）相关分析模型知识的学习以及运用。

（4）模型误差对比以及优化模型结果的可信性。

（5）根据模型结果提出可行性建议。

2.3写作提纲

本文内容共分为5章，具体内容安排如下：

第一章为绪论，首先结合现有的国家政策以及发展趋势、介绍本文研究的背景、目的及意义，其次对能源消费预测研究现状进行分析，最后介绍本文所使用的研究方法、内容、以及研究的创新之处和可能的不足之处。

第二章着重对我国能源消费现状、能源消费相关理论知识和预测方法进行分析。

第三章分别介绍GM(1,1)模型、ARIMA模型和BP神经网络模型基于能源消费数据建立以及分析方法。

第四章为基于第三章中三个单一预测模型的构建，对我国的能源消费趋势进行预测，并利用组合模型进行预测，最后比较四种分析方法的分析结果和误差，选取最优分析模型得出具体的预测值。

第五章为根据模型分析结果对我国的能源消费政策的制定提出参考意见。

对于能源消费问题的研究，国内外学者大多从能源消费数量的影响因素入手进行分析，通过实证分析法证明其与经济增长的联系以及构建预测模型对未来的消费趋势进行预测。

3.1 能源消费与经济增长的关系分析

随着可持续发展战略的提出，许多学者在进行经济增长影响因素的分析时，在原有的技术进步、劳动、资本等因素的基础之上加入了环境因素。现有的研究主要从理论分析和实证分析两个方面进行体现能源消费与经济增长的联系。

在理论分析方法中，大多学者采用建立经济增长理论构建分析模型，探求能源消费与经济增长之间的联系。其中左文鼎（2014）在对罗默的内生技术进步经济增长模型的研究基础上，将能源作为一种如同劳动、资本一样的独立生产要素引入生产函数，探究在能源的约束下，经济如何才能实现可持续增长 ^{REF _Ref86052073 \r \h \* MERGEFORMAT [1]}。崔百胜和朱麟（2016）在构建能源约束和碳排放约束下的内生经济增长模型时引入了使用可替代能源生产的中间产品，分析了中国如何能在不影响经济增长水平的情况下控制能源消费总量 ^{REF _Ref86052088 \r \h \* MERGEFORMAT [2]}。汪泽波等（2017），在内生增长理论的模型中，将能源消费和环境污染因素纳入生产函数的构建中，建立起城镇化发展与经济增长之间的联系，分析绿色城市的发展路径 ^{REF _Ref86052096 \r \h \* MERGEFORMAT [3]}。 在实证分析方法中，主要是通过出口、能源消费数据与经济增长数据构建计量模型进行分析。其中，张竞雪（2018）并未采用传统的灰色关联度分析法进行研究，而是用Eviews对我国的经济增长和能源消费量进行协整关系分析和格兰杰因果检验，结果表明煤炭与能源消费总量与我国的经济增长呈现正相关 ^{REF _Ref86052105 \r \h \* MERGEFORMAT [4]}。李鹏雁和许文秀（2020），通过VECM模型分析得出可再生能源与实际GDP之间的关系，指出在未来可再生能源消费是经济增长的一大源泉 ^{REF _Ref86052115 \r \h \* MERGEFORMAT [5]}。刘宇和王俊平（2021）通过对1980-2017年湖北省经济数据以及能源消费数据构建向量自回归模型，研究发现出口、经济增长能源消费之间存在长期均衡关系，在短期能源消费对经济增长起着一定的促进作用，但在长期能源消费量的增加反而会阻碍经济的可持续发展 ^{REF _Ref86052123 \r \h \* MERGEFORMAT [6]}。

从上述分析中可以看出，采用不同的模型分析能源消费与经济增长之间的关系时可得出不同的结果，但总体上可以得出能源消费与经济增长之间存在紧密的联系的共同结论。

3.2能源预测模型的分析

在能源消费预测分析中 ，主要采用单一模型和组合模型两种方法进行分析。单一模型主要是利用灰色预测法、情景预测法、时间序列分析法、神经网络等研究方法。如Spillonne和Chateau(1981)采用情景预测法对美国的能源需求量进行预测 ^{REF _Ref86052131 \r \h \* MERGEFORMAT [7]}。Willtinget al.(1998)运用投入产出法研究了1969年到1989年之间荷兰的能源数量趋势 ^{REF _Ref86052138 \r \h \* MERGEFORMAT [8]}。季琳（2016）使用河北省1980年至2012年的能源消费数量数据，利用ARIMA模型对河北省能源消费量进行预测 ^{REF _Ref86052145 \r \h \* MERGEFORMAT [9]}。马彪（2019）利用最小二乘支持向量机的方法计算了我国能源数量，反映了各因素对能源消费总量的影响 ^{REF _Ref86052151 \r \h \* MERGEFORMAT [10]}。邹方政和王莉（2021）使用灰色预测模型（GM(1,1)）对四川省十四五规划期间的能源消费量进行了预测 ^{REF _Ref86052156 \r \h \* MERGEFORMAT [11]}。

为了避免单一模型产生的系统误差，提高预测精度，学者们又采取了组合预测的方法来进行分析。文炳洲和索瑞霞（2016）利用三次指数平滑模型、灰色预测模型以及构建BP神经网络，同时采用了Shapley的权重分配法来确立各个模型的权重系数，从而构建能源消费预测的组合模型 ^{REF _Ref86052163 \r \h \* MERGEFORMAT [12]}。张俊深和袁程炜（2016）在GM(1,1)灰色预测模型理论的框架之下，将进行累加处理过后的时间序列数据进行修正，同时在加入各种非线性参数变量的组合的BP神经网络模型进行能源消费趋势预测。其模型结果表明，修正过后的GM(1,1)模型与BP神经网络模型的结合使得预测的精度更高。同时随着我国经济实力的不断上升，能源消费的需求量在不断增加，并且能源消费需求量与多种因素存在相关性 ^{REF _Ref86052180 \r \h \* MERGEFORMAT [13]}。张超（2017）运用时间序列分析以及灰色预测理论的组合模型对我国十三五期间的能源消费总量进行预测，利用标准差法计算出GM(1,1)模型以及ARIMA(3,2,3)模型的权重，进而计算出组合预测模型的相对误差，其结果比单一预测模型的拟合效果更优 ^{REF _Ref86052189 \r \h \* MERGEFORMAT [14]}。谢小军等（2019）在原有的ARIMA模型的基础之上，将BP神经网络纳入分析对能源消费进行预测，并且结果表明其精度优于单一模型 ^{REF _Ref86052198 \r \h \* MERGEFORMAT [15]}。陈芳等（2021）选取了灰色系统预测模型、BP神经网络以及三次平衡模型的组合模型来对安徽省未来五年的能源消费量进行预测，其结果表明相对于单一预测模型来说，组合预测模型的精度更高，误差更小，更加适合于我国能源消费预测 ^{REF _Ref86052205 \r \h \* MERGEFORMAT [16]}。高迪等（2021）采取将ARIMA与BP神经网络模型结合，同时利用情景分析法起来对上海市工业的能源消费需求进行预测，其预测结果显示，采用组合模型降低预测结果的平均相对误差，其分析涉及范围更加全面广泛 ^{REF _Ref86052214 \r \h \* MERGEFORMAT [17]}。

2.3文献评述

综上所述，无论是理论分析法还是实证分析法，国内外学者均十分重视能源消费问题，并对此进行了大量的研究。同时采用组合模型进行预测的精度显著高于单一模型的预测精度。因此，本文选取了2000年至2020年的中国能源消费数量的历史数据，分别建立灰色预测模型以及ARIMA模型进行预测，同时结合BP神经网络模型对我国未来十年的能源消费数量进行预测。

[1]左文鼎.基于能源约束的内生经济增长理论研究[J].经济问题,2014(03):32-36.

[2]崔百胜,朱麟.基于内生增长理论与GVAR模型的能源消费控制目标下经济增长与碳减排研究[J].中国管理科学,2016,24(01):11-20.

[3] 汪泽波,陆军,王鸿雁.如何实现绿色城镇化发展?——基于内生经济增长理论分析[J].北京理工大学学报(社会科学版),2017,19(03):43-56.

[4] 张竞雪.我国能源消费与经济增长关系的实证分析——基于时序数据的协整检验和Granger因果检验[J].齐齐哈尔大学学报(哲学社会科学版),2018(04):69-71.

[5]李鹏雁,许文秀.中国可再生能源消费与经济增长实证分析[J].节能技术,2020,38(04):365-370.

[6] 刘宇,王俊平.湖北省出口、能源消费与经济增长的动态关系——基于协整与VAR模型的实证分析[J].特区经济,2021(09):137-142.

[7] B. Lspillonne,B. Chateau. The medee models for long term demand forecasting[J]. Socio-EconomicPlanning Sciences,1981,15(2):53-58.

[8] Harry.C.Wilting,W. Biesiot,Henri.C.Moll.Trendsin Dutch Energy intensities for the period 1969-1988[J].Energy Policy,1998,23(10):815-822.

[9] 季琳.基于ARIMA模型的河北省能源消费预测[J].商,2016(29):296.

[10] 马彪.基于最小二乘支持向量机的我国能源消费计算方法[J].工业技术经济,2019,38(06):139-144.

[11] 邹方政,王莉.基于GM(1,1)模型的四川省“十四五”能源消费预测[J].节能,2021,40(08):62-64.

[12] 文炳洲,索瑞霞.基于组合模型的我国能源需求预测[J].数学的实践与认识,2016,46(20):45-53.

[13] 张俊深,袁程炜.基于BP神经网络与修正GM(1,1)模型的能源消费组合预测[J].统计与决策,2016(05):90-93.

[14] 张超. 基于组合模型的我国能源消费预测研究[D].湖南大学,2017.

[15] 谢小军,邱云兰,时凌.基于ARIMA和BP神经网络组合模型的能源消费预测[J].数学的实践与认识,2019,49(10):292-298.

[16] 陈芳,张书勤,刘松涛,胡槐生,张翔.基于组合模型的安徽省能源消费预测及对策[J].铜陵学院学报,2021,20(02):9-15.

[17] 高迪,任庚坡,李琦芬,毛俊鹏,桂雄威.基于驱动因素分解的能源消费预测——以上海市为例[J].重庆理工大学学报(自然科学),2021,35(09):269-277.