基于MLR、GM(1,1)和PCA-BP三种模型的连云港建设用地需求量预测研究
|
摘要
建设用地需求量预测对合理规划建设用地规模以及有效控制建设用地数量具有重要意义。本文应用多元线性回归模型(MLR)、GM(1,1)灰色系统模型和基于主成分分析的BP神经网络模型(PCA-BP)建立3种预测模型对2020年连云港的建设用地需求量进行预测。结果表明:3种模型的预测精度均较高,其中PCA-BP神经网络模型预测的平均绝对误差(MAE)、误差均方根(RMSE)以及平均相对误差(MRE)在3种模型中均最小,预测精确度最高,多元线性回归模型次之,灰色GM(1,1)模型略低;根据精度评价结果最终确定以3种模型预测结果的平均值作为2020年连云港建设用地需求量的预测值,得出预测结果为189506.02 hm~2。
Construction land demand prediction plays a significant role in planning the scale of construction land legitimately and controlling the number of construction land effectively. In this paper, three kinds of prediction models that multivariate linear regression(MLR), GM(1,1) gray model and BP neural network model(PCA-BP) based on principal component analysis are established to predict the construction land demand of Lianyungang in 2020. The results show: The prediction accuracy of the three models are all relatively high, for the three models, the average absolute error(MAE), root mean square error(RMSE) and the mean relative error(MRE) of the PCA-BP neural network model prediction are all smaller than the other two models, the accuracy of this prediction model is the highest, followed by multiple linear regression model, gray GM(1,1) model is slightly lower; Finally choose the average of the prediction results of the three models as the predicted value of Lianyungang construction land demand in 2020, the prediction result is 189,506.02 ha.
Construction land demand prediction plays a significant role in planning the scale of construction land legitimately and controlling the number of construction land effectively. In this paper, three kinds of prediction models that multivariate linear regression(MLR), GM(1,1) gray model and BP neural network model(PCA-BP) based on principal component analysis are established to predict the construction land demand of Lianyungang in 2020. The results show: The prediction accuracy of the three models are all relatively high, for the three models, the average absolute error(MAE), root mean square error(RMSE) and the mean relative error(MRE) of the PCA-BP neural network model prediction are all smaller than the other two models, the accuracy of this prediction model is the highest, followed by multiple linear regression model, gray GM(1,1) model is slightly lower; Finally choose the average of the prediction results of the three models as the predicted value of Lianyungang construction land demand in 2020, the prediction result is 189,506.02 ha.
引文
[1] 乔劲松.抚松县建设用地需求量预测研究[D].东北师范大学,2015.
[2] 张晓瑞,方创琳,王振波,等.基于RBF神经网络的城市建成区面积预测研究——兼与BP神经网络和线性回归对比分析[J].长江流域资源与环境,2013,22(6):691-697.
[3] 陈荣昆.潜江市建设用地需求量预测研究[D].华中师范大学,2011.
[4] 荣联伟,师学义,杨静.土地利用规划中建设用地预测方法比较[J].中国人口.资源与环境,2014,24(11):199-203.
[5] 常丹青. 县级土地利用规划中建设用地预测方法研究[D].西南大学,2010.
[6] 王蓉,张仁陟,陈英. 基于多元回归分析和灰色模型的康乐县城乡建设用地预测[J].甘肃农业大学学报,2012,47(1):134-139.
[7] 赵燕娜,张群,马玉兰.灰色--BP网络组合预测模型在小样本问题中的应用[J].统计与决策,2007(3):14-15.
[8] 梁武,陈美球,黄宏胜,等. 鄱阳湖滨湖地区人口城镇化与土地城镇化协调性研究[J].土地经济研究,2016,(01):47-63.
[9] 祝明霞,王文彩.城市建设用地需求预测—以九江市为例[J].西南师范大学学报(自然科学版),2015,40(6):74-79.
[10] 谢汀,伍文,邓良基,等.基于PCA-RBF神经网络的成都市建设用地需求预测[J]. 西南大学学报(自然科学版),2014,36(11):183-190.
[11] 陈荣昆. 潜江市建设用地需求量预测研究[D].华中师范大学,2011.
[12] 郝思雨,谢汀,伍文,等.基于RBF神经网络的成都市城镇建设用地需求预测[J].资源科学,2014,36(6):1220-1228.
[2] 张晓瑞,方创琳,王振波,等.基于RBF神经网络的城市建成区面积预测研究——兼与BP神经网络和线性回归对比分析[J].长江流域资源与环境,2013,22(6):691-697.
[3] 陈荣昆.潜江市建设用地需求量预测研究[D].华中师范大学,2011.
[4] 荣联伟,师学义,杨静.土地利用规划中建设用地预测方法比较[J].中国人口.资源与环境,2014,24(11):199-203.
[5] 常丹青. 县级土地利用规划中建设用地预测方法研究[D].西南大学,2010.
[6] 王蓉,张仁陟,陈英. 基于多元回归分析和灰色模型的康乐县城乡建设用地预测[J].甘肃农业大学学报,2012,47(1):134-139.
[7] 赵燕娜,张群,马玉兰.灰色--BP网络组合预测模型在小样本问题中的应用[J].统计与决策,2007(3):14-15.
[8] 梁武,陈美球,黄宏胜,等. 鄱阳湖滨湖地区人口城镇化与土地城镇化协调性研究[J].土地经济研究,2016,(01):47-63.
[9] 祝明霞,王文彩.城市建设用地需求预测—以九江市为例[J].西南师范大学学报(自然科学版),2015,40(6):74-79.
[10] 谢汀,伍文,邓良基,等.基于PCA-RBF神经网络的成都市建设用地需求预测[J]. 西南大学学报(自然科学版),2014,36(11):183-190.
[11] 陈荣昆. 潜江市建设用地需求量预测研究[D].华中师范大学,2011.
[12] 郝思雨,谢汀,伍文,等.基于RBF神经网络的成都市城镇建设用地需求预测[J].资源科学,2014,36(6):1220-1228.