BP神經(jīng)網(wǎng)絡(luò)和GM(1,n)模型在吉林省四平市建設(shè)用地面積預(yù)測(cè)中的應(yīng)用比較

孟祥健, 李秀霞

(吉林師范大學(xué) 旅游與地理科學(xué)學(xué)院, 吉林 四平 136000)

BP神經(jīng)網(wǎng)絡(luò)和GM(1,n)模型在吉林省四平市建設(shè)用地面積預(yù)測(cè)中的應(yīng)用比較

孟祥健, 李秀霞

(吉林師范大學(xué) 旅游與地理科學(xué)學(xué)院, 吉林 四平 136000)

[目的] 科學(xué)準(zhǔn)確地預(yù)測(cè)城市建設(shè)用地,有利于把握城市發(fā)展的速度,了解城市化發(fā)展進(jìn)程,為相關(guān)政府部門掌握土地利用情況,制定土地總體規(guī)劃提供科學(xué)依據(jù)。[方法] 把四平市作為研究對(duì)象,從“城市—農(nóng)村”合力視角構(gòu)建影響因子,利用因子分析探討影響建設(shè)用地?cái)U(kuò)張的相關(guān)性,對(duì)指標(biāo)進(jìn)行篩選,在此基礎(chǔ)上利用BP神經(jīng)網(wǎng)絡(luò)和灰色模型對(duì)四平市2012,2013和2014年建成區(qū)面積進(jìn)行預(yù)測(cè),最后對(duì)預(yù)測(cè)結(jié)果進(jìn)行比較分析。[結(jié)果] 通過預(yù)測(cè)與比較分析可知,BP神經(jīng)網(wǎng)絡(luò)結(jié)果的相對(duì)誤差分別為0.8%,1.1%和2%,而灰色GM(1.1)模型預(yù)測(cè)結(jié)果相對(duì)誤差分別為0.04%,0%和3.2%。可以看出,BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)出的結(jié)果與實(shí)際相比較誤差均在2%以內(nèi)。[結(jié)論] BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的結(jié)果較精確,運(yùn)用該方法可以有效提高預(yù)測(cè)的精度。

BP神經(jīng)網(wǎng)絡(luò); 建設(shè)用地; 預(yù)測(cè); 吉林省四平市

文獻(xiàn)參數(shù)： 孟祥健, 李秀霞.BP神經(jīng)網(wǎng)絡(luò)和GM(1,n)模型在吉林省四平市建設(shè)用地面積預(yù)測(cè)中的應(yīng)用比較[J].水土保持通報(bào)，2017,37(1)：173-176.DOI:10.13961/j.cnki.stbctb.2017.01.031； Meng Xiangjian, Li Xiuxia. Comparison of GM(1,n) and BP neural network model in predicting construction lands in Siping City， Jilin Province[J]. Bulletin of Soil and Water Conservation, 2017,37(1)：173-176.DOI:10.13961/j.cnki.stbctb.2017.01.031

隨著中國社會(huì)經(jīng)濟(jì)的快速發(fā)展，城市化、工業(yè)化的不斷推進(jìn)，為了滿足不斷發(fā)展的城市經(jīng)濟(jì)，城市用地不斷擴(kuò)張，造成農(nóng)地資源大量減少，糧食安全問題受到威脅。為保障糧食安全，維護(hù)社會(huì)穩(wěn)定，必須對(duì)城市建設(shè)用地規(guī)模進(jìn)行科學(xué)準(zhǔn)確地預(yù)測(cè)。

目前，國內(nèi)外學(xué)者對(duì)建設(shè)用地規(guī)模預(yù)測(cè)進(jìn)行了大量研究，如鄭峰[1]運(yùn)用定額指標(biāo)法、陳國建等[2]運(yùn)用趨勢(shì)預(yù)測(cè)法、孫秀鋒等[3]運(yùn)用回歸預(yù)測(cè)法、灰色系統(tǒng)預(yù)測(cè)模型、朱明倉等[4]運(yùn)用ARIMA模型、高凱等[5]運(yùn)用平均增長(zhǎng)率法、唐晶等[6]運(yùn)用趨勢(shì)預(yù)測(cè)法、王希營(yíng)等[7]運(yùn)用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法、朱希剛[8]運(yùn)用馬爾科夫鏈分析法、閆閃閃等[9]運(yùn)用灰色系統(tǒng)、張曉瑞等[10]運(yùn)用RBF神經(jīng)網(wǎng)絡(luò)對(duì)建設(shè)用地規(guī)模進(jìn)行了預(yù)測(cè)。目前，中國城市建設(shè)用地預(yù)測(cè)已從定性向定量轉(zhuǎn)變，從單因素向多因素轉(zhuǎn)變，從單一方法向綜合方法轉(zhuǎn)變，這些為學(xué)者下一步研究奠定基礎(chǔ)。

但目前缺少從“城市—農(nóng)村”合力視角，構(gòu)建影響建設(shè)用地?cái)U(kuò)張的影響因子，綜合運(yùn)用相關(guān)分析、BP神經(jīng)網(wǎng)絡(luò)和灰色預(yù)測(cè)等多種方法進(jìn)行比較研究。因此，筆者擬以四平市為研究對(duì)象，對(duì)其建設(shè)用地規(guī)模進(jìn)行預(yù)測(cè)，以期為相關(guān)政府部門掌握土地利用情況，制定土地總體規(guī)劃提供科學(xué)依據(jù)。

1 研究區(qū)概況與研究方法

1.1 研究區(qū)概況

四平市位于松遼平原中部，吉林省西南部，遼、吉、蒙3省(區(qū))交界處。四平市區(qū)地理位置為東經(jīng)124°15′45″—124°34′40″，北緯42°57′15″—43°14′45″，東、北與吉林省梨樹縣為鄰，西、南與遼寧省昌圖縣接壤?，F(xiàn)轄鐵東和鐵西2區(qū)、公主嶺和雙遼2市、梨樹和伊通2縣以及四平經(jīng)濟(jì)開發(fā)區(qū)、遼河農(nóng)墾管理區(qū)、四平紅嘴高新技術(shù)開發(fā)區(qū)3區(qū)，總面積14 323 km2，總?cè)丝?28.1萬人，其中市區(qū)人口58.7萬人。截至2014年底，四平市全市地區(qū)生產(chǎn)總值實(shí)現(xiàn)1 310億元，同比增長(zhǎng)8%；社會(huì)消費(fèi)品零售總額實(shí)現(xiàn)511億元，同比增長(zhǎng)13.7%；全口徑財(cái)政收入突破100億元，同比增長(zhǎng)5.2%；市本級(jí)全口徑財(cái)政收入完成56.2億元，同比增長(zhǎng)7%；完成固定資產(chǎn)投資800億元，同比增長(zhǎng)18%；新建續(xù)建億元以上項(xiàng)目281個(gè)，10億元以上項(xiàng)目26個(gè)，工業(yè)增加值實(shí)現(xiàn)600億元，同比增長(zhǎng)6.2%。2014年城市建設(shè)用地面積為54 km2，與2005年的37.6 km2相比增加了43.6%，城市建設(shè)用地規(guī)模不斷擴(kuò)大。

1.2 研究方法

1.2.1 BP神經(jīng)網(wǎng)絡(luò)的原理 BP神經(jīng)網(wǎng)絡(luò)是一種適于非線性模式識(shí)別和分類預(yù)測(cè)問題的人工神經(jīng)網(wǎng)絡(luò)[11]。它是由輸入層、隱含層和輸出層組成。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程由2部分組成：正向傳播和反向傳播。正向傳播時(shí)，樣本由輸入層經(jīng)過隱含層逐層處理，最終傳向輸出層。每一層神經(jīng)元只影響下一層神經(jīng)元的輸出狀態(tài)。若輸出層輸出的結(jié)果與期望得到的輸出不符，則轉(zhuǎn)向反向傳播階段[10]。將輸出的誤差沿著輸入的路徑返回，通過修改各層神經(jīng)元的權(quán)值，調(diào)整誤差大小，直到誤差達(dá)到目標(biāo)為止。

采用BP神經(jīng)網(wǎng)絡(luò)對(duì)城市建設(shè)用地面積進(jìn)行預(yù)測(cè)，根據(jù)的是其映射原理。對(duì)映射樣本集合X和Y，可以假設(shè)其存在樣本F，公式為：

Yi=F(X1，X2，X3，…，Xn)

(1)

為尋求F的最佳映射值，BP網(wǎng)絡(luò)將樣本集合的輸入、輸出轉(zhuǎn)化為非線性優(yōu)化，通過簡(jiǎn)單的非線性函數(shù)的復(fù)合，建立一個(gè)高度的非線性映射關(guān)系，實(shí)現(xiàn)F值最優(yōu)逼近。

1.2.2 灰色預(yù)測(cè)原理 灰色系統(tǒng)理論認(rèn)為，離散的數(shù)據(jù)總蘊(yùn)含著某種內(nèi)在規(guī)律，通過部分已知信息的生成，開發(fā)去了解、認(rèn)識(shí)整體，實(shí)現(xiàn)對(duì)系統(tǒng)運(yùn)行行為和演化規(guī)律的正確把握和描述。具體步驟如下：

(1) 設(shè)原始時(shí)間序列：X(0)={x(0)(1),x(0)(2),x(0)(3),…,x(0)(n)}。

(4) 構(gòu)造數(shù)據(jù)矩陣和數(shù)據(jù)向量。

(5) 解白化方程，得時(shí)間響應(yīng)式：

2 預(yù)測(cè)過程

2.1 基于“城市—農(nóng)村”合力視角確定影響因子

城市拉力和農(nóng)村推力兩者共同合力影響城市建設(shè)用地?cái)U(kuò)張，而非單一影響因素的結(jié)果?；凇俺鞘小r(nóng)村”合力視角，構(gòu)建影響建設(shè)用地?cái)U(kuò)張的影響因子。根據(jù)國內(nèi)相關(guān)學(xué)者研究成果，結(jié)合四平地域特點(diǎn)，確定城市方面的影響因子為: (1) 城市人均住房面積； (2) 城市公共汽車擁有量； (3) 城市人口；(4) 自然增長(zhǎng)率； (5) 城市化率； (6) 凈遷移率； (7) 城市人均可支配收入； (8) 城市第二產(chǎn)業(yè)產(chǎn)值； (9) 城市第三產(chǎn)業(yè)產(chǎn)值； (10) 城市人均GDP； (11) 城市固定資產(chǎn)投資； (12) 外商數(shù)量； (13) 外資投入； (14) 文化事業(yè)機(jī)構(gòu)數(shù)。

農(nóng)村方面的影響因子為： (15) 農(nóng)民純收入； (16) 農(nóng)村第一產(chǎn)業(yè)產(chǎn)值； (17) 非農(nóng)業(yè)產(chǎn)值； (18) 農(nóng)業(yè)人口； (19) 人均耕地面積； (20) 農(nóng)用機(jī)械總動(dòng)力。利用四平市統(tǒng)計(jì)年鑒(2011—2015年)獲取相關(guān)數(shù)據(jù)。運(yùn)用SPSS軟件進(jìn)行相關(guān)分析，結(jié)果見表1。

由表1可以看出， (1) 城市人均住房面積； (2) 城市公共汽車擁有量； (3) 城市人口； (6) 凈遷移率； (12) 外商數(shù)量； (13) 外資投入； (14) 文化事業(yè)機(jī)構(gòu)數(shù)； (18) 農(nóng)業(yè)人口與建設(shè)用地規(guī)模相關(guān)性較弱，其他12項(xiàng)指標(biāo)與建設(shè)用地規(guī)模相關(guān)性較高，可以用作指標(biāo)進(jìn)行預(yù)測(cè)。

依據(jù)相關(guān)分析結(jié)果，四平市建設(shè)用地模型規(guī)模的驅(qū)動(dòng)模型可表示為：

Y=F(X1，X2,X3,…，X12)

(2)

式中:Y——四平市建設(shè)用地規(guī)模;X——各驅(qū)動(dòng)因素。

表1 各指標(biāo)與城市建設(shè)用地之間相關(guān)程度

2.2 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)和訓(xùn)練過程

2.2.1 數(shù)據(jù)標(biāo)準(zhǔn)化 為了消除不同因子之間量綱和數(shù)值大小的差異而造成誤差，以避開神經(jīng)元傳遞函數(shù)的飽和區(qū)，使樣本數(shù)據(jù)落在[0,1]區(qū)間，從而加快整個(gè)網(wǎng)絡(luò)的收斂速度達(dá)到最佳學(xué)習(xí)效果。

其表達(dá)式為

這節(jié)課的主題是“WHAT MAKES A GOOD QUESTION？”（怎樣能提出一個(gè)好問題？）。問題一出，同行的老師禁不住悄悄問：“這是歷史課嗎？”這時(shí)，老師假設(shè)情境：假如你遇到一位多年前來自中國的移民，你想問他些什么問題？什么樣的問題是一個(gè)好問題？老師要求每個(gè)學(xué)生寫出五個(gè)問題。寫完后，兩三人一組交流，再進(jìn)行班級(jí)交流，學(xué)生踴躍舉手發(fā)言。至此，我們才反應(yīng)過來，原來這位老師是把歷史知識(shí)當(dāng)成了問題探究的素材，我們不禁暗自叫好。

(3)

2.2.2 網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)設(shè)置 BP網(wǎng)絡(luò)結(jié)構(gòu)的確定包括輸入層、隱含層和輸出層網(wǎng)絡(luò)神經(jīng)元的確定。基于BP神經(jīng)網(wǎng)絡(luò)原理和驅(qū)動(dòng)力分析，以X1-X12為輸入層神經(jīng)元，構(gòu)建一個(gè)3層神經(jīng)網(wǎng)絡(luò)。隱含層節(jié)點(diǎn)數(shù)的確定一般有以下經(jīng)驗(yàn)公式：

(3)n1=log2n，其中，n為輸入單元數(shù)。

以上3個(gè)公式僅能為隱層單元數(shù)的確定提供參考，但無法得到最佳的隱層單元數(shù)目，需要通過足夠多次網(wǎng)絡(luò)訓(xùn)練將那些不起作用的隱單元剔除，并通過誤差對(duì)比，確定最佳的隱含層神經(jīng)元個(gè)數(shù)，避免過擬合現(xiàn)象發(fā)生，同時(shí)將建設(shè)用地面積作為輸出神經(jīng)元。

根據(jù)BP算法經(jīng)驗(yàn)設(shè)定以下參數(shù)：最大訓(xùn)練次數(shù)10 000次；允許誤差為0.0 001。

2.2.3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練及檢驗(yàn) 以2001—2010年數(shù)據(jù)作為學(xué)習(xí)樣本，將相關(guān)指標(biāo)輸入進(jìn)行學(xué)習(xí)訓(xùn)練。將2011年數(shù)據(jù)作為測(cè)試樣本檢驗(yàn)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的準(zhǔn)確性，用其預(yù)測(cè)結(jié)果與實(shí)際值進(jìn)行比較分析誤差，直至調(diào)整到實(shí)際值與誤差控制在一定范圍內(nèi)，再用訓(xùn)練好的網(wǎng)絡(luò)對(duì)2012,2013和2014年的數(shù)據(jù)進(jìn)行預(yù)測(cè)。經(jīng)過反復(fù)試算，當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)確定為12—12—1時(shí)，即當(dāng)網(wǎng)絡(luò)隱含層神經(jīng)元個(gè)數(shù)為12個(gè)，輸入層傳遞函數(shù)為logsig,輸出層傳遞函數(shù)為tansig，采用動(dòng)態(tài)調(diào)整的方法防止模型過度優(yōu)化，模型測(cè)試結(jié)果顯示2010年四平市建設(shè)用地規(guī)模為48.3 km2，與實(shí)際面積相差1.1 km2，與實(shí)際誤差2.3%，停止網(wǎng)絡(luò)訓(xùn)練固定此模型進(jìn)行預(yù)測(cè)。

表2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果 km2

在使用DPS系統(tǒng)前要先對(duì)序列進(jìn)行平滑和比界區(qū)檢驗(yàn)。

2.3.1 平滑檢驗(yàn) 由P(k)=X(k-1)/X(k)計(jì)算得到P(k)=(0.994 6, 0.986 8, 1.018 9,1.000, 1.000, 1.000, 1.082, 0.997 5, 1.217)?(0.135 3,7.389),因此,本序列平滑,可作灰色預(yù)測(cè)。

基于以上的分析，2001—2011年數(shù)據(jù)以此輸入DPS系統(tǒng)中，在工具欄中選擇“GM(1，1)模型”，根據(jù)提示建立GM(1，1)預(yù)測(cè)模型為：

x(t+1) =518.535 338 e0.066 833t-480.935 338

模型精確檢驗(yàn)值為C=0.485 7(好)，p=0.800 0(好)表明上述模型可以預(yù)測(cè)。

3 結(jié)果與分析

由表3可知四平市2012—2014年建設(shè)用地面積預(yù)測(cè)結(jié)果，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的相對(duì)誤差分別為0.8%，1.1%和2%；灰色GM(1.1)模型預(yù)測(cè)結(jié)果相對(duì)誤差分別為0.04%，0%和6%。從預(yù)測(cè)結(jié)果來看，2012,2013年灰色GM(1.1)模型預(yù)測(cè)結(jié)果比BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的精度高，而2014年灰色GM(1.1)模型遠(yuǎn)遠(yuǎn)低于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果，究其原因，灰色GM(1.1)模型是單一維度預(yù)測(cè)，所以最初預(yù)測(cè)結(jié)果相對(duì)誤差少，以后越來越大，到2014年相對(duì)誤差達(dá)到6%；而BP神經(jīng)網(wǎng)絡(luò)是多因子進(jìn)行預(yù)測(cè)，建立高度的非線性映射關(guān)系，有效地提高了其預(yù)測(cè)的精準(zhǔn)程度，使2014年BP神經(jīng)網(wǎng)絡(luò)相對(duì)誤差只有2%，因此綜合判斷BP神經(jīng)網(wǎng)絡(luò)相對(duì)于灰色GM(1.1)模型預(yù)測(cè)的結(jié)果，其預(yù)測(cè)準(zhǔn)確性更高，更科學(xué)合理。

表3 四平市2011—2014年建設(shè)用地面積預(yù)測(cè)結(jié)果合理性分析

4 結(jié)論與討論

4.1 結(jié) 論

(1) 基于“城市—農(nóng)村”合力視角，構(gòu)建影響建設(shè)用地?cái)U(kuò)張的20個(gè)影響因子，用相關(guān)分析對(duì)其相關(guān)性進(jìn)行研究。研究結(jié)果顯示： (1) 城市人均住房面積; (2) 城市公共汽車擁有量; (3) 城市人口； (7) 凈遷移率； (12) 外商數(shù)量； (13) 外資投入； (14) 文化事業(yè)機(jī)構(gòu)數(shù)； (18) 農(nóng)業(yè)人口與建設(shè)用地規(guī)模相關(guān)性較弱； (4) 而城市化率； (5) 城市人口； (6) 城市自然增長(zhǎng)率； (8) 城市第二產(chǎn)業(yè)產(chǎn)值； (9) 城市第三產(chǎn)業(yè)產(chǎn)值； (10) 城市人均GDP； (11) 城市固定資產(chǎn)投資； (15) 農(nóng)民純收入； (16) 農(nóng)村第一產(chǎn)業(yè)產(chǎn)值； (17) 農(nóng)村非農(nóng)產(chǎn)業(yè)產(chǎn)值； (19) 耕地面積； (20) 農(nóng)用機(jī)械總動(dòng)力這12項(xiàng)指標(biāo)與建設(shè)用地規(guī)模相關(guān)性較高。

(2) 以四平市2001—2011年社會(huì)統(tǒng)計(jì)資料預(yù)測(cè)2012,2013和2104年建成區(qū)面積數(shù)據(jù)，同時(shí)利用灰色預(yù)測(cè)進(jìn)行對(duì)比，利用BP神經(jīng)網(wǎng)絡(luò)和灰色GM(1.1)模型預(yù)測(cè)分別進(jìn)行預(yù)測(cè)，結(jié)果顯示：BP神經(jīng)網(wǎng)絡(luò)結(jié)果的相對(duì)誤差分別為0.8%，1.1%和2%，而灰色GM(1.1)模型預(yù)測(cè)結(jié)果相對(duì)誤差分別為0.04%，0%和6%。

(3) 究其原因，灰色GM(1.1)模型是單一維度預(yù)測(cè)，所以最初預(yù)測(cè)結(jié)果相對(duì)誤差少，以后越來越大，到2014年相對(duì)誤差達(dá)到6%；而BP神經(jīng)網(wǎng)絡(luò)是多因子進(jìn)行預(yù)測(cè)，建立高度的非線性映射關(guān)系，有效地提高了其預(yù)測(cè)的精準(zhǔn)程度，使2014年BP神經(jīng)網(wǎng)絡(luò)相對(duì)誤差只有2%，綜合判斷BP神經(jīng)網(wǎng)絡(luò)相對(duì)于灰色GM(1.1)模型預(yù)測(cè)的結(jié)果，準(zhǔn)確性更高，更科學(xué)合理。

4.2 討 論

(1) 由于灰色預(yù)測(cè)中只使用單一維度進(jìn)行預(yù)測(cè)，導(dǎo)致信息比較片面，不能完整地預(yù)測(cè)影響建設(shè)用地變化的多方面因素，因此，預(yù)測(cè)結(jié)果的精度較低。

(2) 運(yùn)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建設(shè)用地預(yù)測(cè)，通過反復(fù)訓(xùn)練，根據(jù)各因素對(duì)建設(shè)用地面積的不同影響程度調(diào)整其參數(shù)，最終建立高度的非線性映射關(guān)系，有效地提高了其預(yù)測(cè)的精準(zhǔn)程度。

(3) 利用BP神經(jīng)網(wǎng)絡(luò)方法也存在收斂速度慢，可能陷入局部極小點(diǎn)的弱點(diǎn)。因此，遺傳算法、退火算法以及組合預(yù)測(cè)等新的算法和途徑，將待于進(jìn)一步研究和探討[12]。

[1] 鄭峰.海南省年土地2000需求結(jié)構(gòu)預(yù)測(cè)及土地宏觀開發(fā)戰(zhàn)略研究[J].資源科學(xué),1994,16(1):20-28.

[2] 陳國建,刁承泰,黃明星,等.重慶市區(qū)城市建設(shè)用地預(yù)測(cè)研究[J].長(zhǎng)江流域資源與環(huán)境,2002,11(5):404-408.

[3] 孫秀鋒,刁承泰,何丹.我國城市人口、建設(shè)用地規(guī)模預(yù)測(cè)[J].現(xiàn)人文城市研究,2005,12(10):18-51.

[4] 朱明倉,楊韜.城鎮(zhèn)建設(shè)用地需求預(yù)測(cè)與配置研究[J].資源開發(fā)與市場(chǎng),2007,23(1):10-12.

[5] 高凱,雷磊.土地利用規(guī)劃中建設(shè)用地需求量預(yù)測(cè)模型研究:以葫蘆島市為例[J].社會(huì)發(fā)展,2010,12(6):64-65.

[6] 唐晶,周勇.基于灰色系統(tǒng)理論的城鎮(zhèn)建設(shè)用地預(yù)測(cè)模型的研究:以湖北潛江市為例[J].安徽農(nóng)業(yè)科學(xué),2008,36(24):10607-10609.

[7] 王希營(yíng),付梅臣,劉宗強(qiáng).土地利用規(guī)劃中建設(shè)用地需求量預(yù)測(cè)的兩種模型比較:以東方市為例[J].資源與產(chǎn)業(yè),2009,11(5):87-91.

[8] 朱希剛.土地利用總體規(guī)劃中建設(shè)用地需求量預(yù)測(cè)模型研究:以克拉瑪依市為例[D].烏魯木齊:新疆大學(xué),2010.

[9] 閆閃閃,王衛(wèi)偉,余迪毅.基于灰色系統(tǒng)的湖北黃石市建設(shè)用地預(yù)測(cè)[J].農(nóng)業(yè)與技術(shù),2012,32(5):166-168.

[10] 張曉瑞,方創(chuàng)琳,王振波,等.基于RBF神經(jīng)網(wǎng)絡(luò)的城市建成區(qū)面積預(yù)測(cè)研究:兼于BP神經(jīng)網(wǎng)絡(luò)和線性回歸對(duì)比分析[J].長(zhǎng)江流域資源與環(huán)境,2013,22(6):691-697.

[11] 鐘珞,饒文碧,鄒承明.人工神經(jīng)網(wǎng)絡(luò)及其融合應(yīng)用技術(shù)[M].北京:科學(xué)出版社,2007.

[12] 郭杰,歐名豪,劉瓊,等.基于BP神經(jīng)網(wǎng)絡(luò)的南通市建設(shè)用地需求預(yù)測(cè)[J].資源科學(xué),2009,31(8):1355-1361.

Comparison of GM(1,n) and BP Neural Network Model in Predicting Construction Lands in Siping City， Jilin Province

MENG Xiangjian, LI Xiuxia

(SchoolofTourismandGeographicalSciences,JilinNormalUniversity,Siping,Jilin136000，China)

[Objective] The paper aims to compare the accurracy of BP neutral network and GM(1,n) in predicting construction land changes, which is beneficial to understand the urban development and provide refernces for general land planning. [Methods] With Siping City as the research object, we selected impact factors with the perspective of “city-rural integration” and used factor analysis to estimate the influence of construction land expansion and choose indicators. We then simulated and compared the predictions of construction land in 2012, 2013 and 2014 in Siping City using the BP neural network and grey model. [Results] The relative error with BP neural network was 0.8%, 1.1% and 2%, and the gray GM(1.1) model was 0.04%, 0% and 3.2% respectively. The BP neural network are better than GM(1.1) model. [Conclusion] BP neural network can provide a higher accuracy.

BP neural network; construction land; predicition; Siping City of Jilin Province

2016-05-17

2016-10-14

吉林省科技廳項(xiàng)目“吉林省統(tǒng)籌城鄉(xiāng)發(fā)展中農(nóng)民土地權(quán)益保障研究”(20120691)； 吉林省社科資助項(xiàng)目“吉林省產(chǎn)業(yè)空間結(jié)構(gòu)與資源環(huán)境耦合機(jī)制及調(diào)控研究”(2012BS60)

孟祥健(1991—),男(漢族),遼寧省鐵嶺市人,碩士研究生,主要研究方向?yàn)樽匀毁Y源開發(fā)與利用。E-mail:mxj372233805@qq.com。

李秀霞(1964—),女(漢族),吉林省四平市人,博士,碩士生導(dǎo)師,主要從事土地利用與開發(fā)研究。E-mail:jykxzz@163.com。

B

1000-288X(2017)01-0173-04

F299.22