BP神经网络预测在乌鲁木齐市可持续发展中的应用分析

陈志强 万建江

【摘要】本文通过对乌鲁木齐市24个指标组成的城市的发展演变指标（1994年到 2014年21年的数据）进行研究，对研究区内影响城市可持续发展的因子进行定量的分析和预测，通过构建人工神经网络（三次BP神经网络结构）使其自学习、“掌握”不同时段的经济系统发展历程的运行参数，逐渐成为系统结构和功能的映射集成。以不同经济发展水平参数输人网络，通过监测网络各层的联接权重，计算转移函数，便可获得经济指标的动态变化特征态势，最终得到城市在未来6年发展状况的预测结果。

【关键词】 BP人工神经网络 乌鲁木齐市可持续发展 应用分析

Analysis of the application in the sustainable development of Urumqi city BP neural network prediction

Chen Zhiqiang

（Hydro group in Xinjiang bingtuan Xinjiang Urumqi 833200）

[Abstract] in this paper， through the development of composition of the 24 indicators of Urumqi city city evolution index （1994 to 2014 21 years of data） were studied in the research area， on the influence factor of sustainable development of the city is analyzed and quantitative forecast， by constructing the artificial neural network （BP neural network structure of three） make it self learning "master，" in different periods of economic development course of operating parameters， gradually become the mapping integration system structure and function. With the parameters of different levels of economic development input network， through the connection weights of each layer of the monitoring network， the calculation of transfer functions， the trend of dynamic change characteristics can obtain economic indicators， finally get the prediction results of city in the next 6 years the development status.

[keyword] BP artificial neural network sustainable development in Urumqi City Application Analysis

1 烏鲁木齐市自然地理概况

新疆维吾尔自治区首府―乌鲁木齐市位于亚欧大陆腹地，天山北麓中段，准噶尔盆地南端，是世界上离海最远的城市，也是第二座亚欧大陆桥中国西部的枢纽，市区东南西三面环山，北面为平缓的冲积平原，地势东南高，西北低，自然坡度12‰～15‰，海拔680 m～920m。

乌鲁木齐市深居内陆，远离海洋，属于中温带大陆干旱气候区。气候特征为：温差大，寒暑变化剧烈；降水量少，且随高度垂直递增；市区冬季寒冷漫长，夏季炎热干燥，四季分配不均。降水主要来自西部水汽，其次是北冰洋南下水汽。市区东南高，西北低，高山区有冰川、积雪，降水量较多，为主要降水区；低山带、平原为农业区，但降水少，天气干旱，一般蒸发量都大于降水量，市区的17年平均蒸发量是降水量的7.8倍，全市人均占有水资源728立方米，

通过以上的年降水、降水距平、温度、相对湿度等一般趋势分析，可以看出：乌鲁木齐市区的降水明显增多，温度呈上升趋势，最高、最低温度变化都呈上升趋势，尤其是最低温度上升趋势比较明显，乌鲁木齐市区最近51年的整体气候变化趋势朝暖干方向发展。

2 人工神经网络

人工神经网络（ANN）是属于人工智能范畴的一种计算技术，它根据人们对生物神经网络的研究成果设计出来，具有良好的数学描述，可以方便的用计算机程序加以模拟。

人工神经网络以其具有自学习、自组织、较好的容错性和优良的非线性逼近能力，多数人工神经网络模型是采用误差反传算法或其变化形式的网络模型（简称BP网络）。由于BP神经网络具有优良的非线性逼近能力，神经网络在数值预测方面，它不需要预先确定样本数据的数学模型，仅通过学习样本数据即可以进行相当精确的预测。

2.1 BP神经网络及改进

BP算法是非循环多级网络的训练算法，其学习过程由正向传播和反向传播组成，输入值经过非线性变换从输入层经隐单元逐层处理，并传向输出层，每一层神经元的状态将影响到下一层神经元状态，如果在输出层不能得到期望的输出，则转入反向传播，通过修改各神经元权值，使误差信号最小。

人工神经网络模型是由人工神经元按照某种模式联接而构成的。通常，人工神经网络模型主要由三个因素决定：神经元特性、网络的拓扑结构以及学习或训练规则。典型的BP网络由三层构成，如图1所示。

图1 三层BP神经网络结构图

如图1所示，对于三层BP神经网络，其输入向量为X=（X1，X2，…Xn）T，输出向量为O=（O1，O2，…，Om）T，输入层为n个神经元，隐藏层为h个神经元，输出层为m个神经元，Wij为输入层和隐藏层之间的连接权重，Wjk为隐藏层和输出层之间的连接权重，其中n即为输入向量维数，m即为输出向量维数。

2.2 BP神经网络算法的实现

第一步：初始化权值和阀值。即对神经网络的各层结点赋初值。

第二步：对样本信息进行训练：

Step1. 给出输入信息向量P和目标向量T

Step2. 对输入向量P进行标准化。

Step3. 计算隐含层和输出层的实际输出

Step4. 求目标向量与实际输出的偏差。

Step5. 若误差在要求内到Step10

Step6. 计算隐含层单元误差。

Step7. 求误差梯度。

Step8. 对权值和阈值进行修改，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，逐次地向输入层传播去进行计算。再经过正向传播过程，这两个过程反复进行使得误差信号最小。

Step9. 回到Step3

Step10. 计算全部误差是否满足要求，若满足则学习结束，否则回Step6

第三步：输入信息向量X，经仿真计算预测输出向量Y。

2.3 多层前馈型网络

多层前馈型网络是由输入层、输出层以及若干隐含层节点互连而成的一种多层网。它的输入和输出是在[0，1]或[-1，1]之间连续取值的，每个处理单元对输入的加权和yj加以S型函数处理后得到其活性输出。

对多层前馈型网络的训练所采用的算法是反向传播训练算法（简称BP算法），这是一种有导师的学习方法。它利用均方误差和梯度下降法来实现对网络连接权值的修正。对网络权值修正的目标是使网络实际输出与规定输出之间的均方误差（MSE）减小。

2.4 运用神经网络预测

2.4.1 预测算法思想

运用BP算法进行数值预测的思路可简单描述为：

1.收集一定规模的样本集，采用BP算法进行训练，使网络收敛到预定的精度；

2.将网络权值矩阵保存到一存储介质中，例如文本文件或者数据库；

3.对于待预测数据的输入部分，从存储介质中读出网络连接权值矩阵，然后通过BP神经网络的前向传播算法计算网络输出，经过处理即是预测出来的数值向量。

在本文中输入神经网络的数据样本即为乌鲁木齐城市的人口、水资源、工业、农业、城市环境、水资源子系统、农业子系统的统计指标数据。

2.4.2 训练样本集数据处理

由于BP神经网络的输出值在0～1之间，所以应该对学习样本数据进行一定的压缩处理，使之满足网络计算的要求。为了减少计算误差，一般可以将将输入数据压缩在（-1，1）范围内。

2.4.3 样本集输入数据的选取

样本数据集应该满足三个方面的特性，一是密切相关性，这是要求输入数据与输出数据之间有密切的函数关系，前者的变化对后者会产生明显的影响；二是输入数据无冗余性，这要求输入的数据彼此间是独立的，从输入向量的一个或数个分量不能确定的计算出其它分量；三是可比性，这要求待预测的数值与样本集中的数据有一定共性，可比性的另一重含义是尽量要求待预测数值和样本集数据来源相同。神经网络可处理海量数据，并且要求数据具有代表性，使得所有数据组合起来足够反映出输入数据和输出数据之间的“映射”关系。

2.4.4 神经网络预测

神经网络在进行预测分析时它有下面几个优点：1.体现了非线性关系的隐式表达，不需要建立复杂经济系统的显示关系和数学模型；2.容错性好，可以处理数据、信息不全的预测问题，而由于经济历史的原因，数据、资料不全的情况在实际中经常遇到。

2.5 BP神经网络在MATLAB中的实现

2.5.1 Matlab神经网络工具箱及其相关函数简介

BP神经网络设计时，需要确定网络的拓扑结构（隐层的层数及各层的神经元的数目）及其神经元的变换函数，网络的初始化，误差计算，学习规则及网络训练，训练参数及训练样本的归一化处理等方面的工作，在Matlab6.5神经网络工具箱中，有对应的函数完成所涉及到的全部计算任务。

2.5.2 训练数据的导入方法

要对BP网络进行训练，必须准备训练样本。对样本数据的获取，有以下几种方法供选择，具体采用那种方法，取决于数据的多少、数据文件的格式等。用元素列表方式直接输入数据、创建数据文件，通过Matlab提供的装载数据函数，从数据文件中读取。

Matlab可与EXCEL通过加载与EXCEL的工具箱进行数据传递。在城市仿真中采用BP神经网络进行数值预测具有广阔的前景，預测误差不超过5%。

3 神经网络在乌鲁木齐市可持续发展中的应用

城市的发展演变系统具有非线性的特征，在考虑模型构建时，选择了BP网络模型。BP网络是一种多层前馈神经网络，在BP网络中，神经元的变换函数是S型函数，输出量为0到1之间的连续量，乌鲁木齐城市可持续发展人工神经网络结构模型是由24个输入，24个输出构成的BP网络结构。

本研究所采用的神经网络结构图见图2。

图 2 本研究所采用的神经网络结构图

从图中可以看出，本文神经网络结构有24个输入，对应的是（降水量、总人口、GDP、人均GDP、人均居住面积、工业总产值、固定资产投资、行政区域面积、工业用地、人均公共绿地面、园林绿地面积、建成区绿化覆盖率、适龄少年儿童入学率、居住面积、人均储蓄存款余额、在岗职工平均工资、每万人拥有在校大学生数、全年用电总量、排放达标量、工业粉尘排放量、达标率、工业废水排放达标量、工业废水排放量、达标率）24个指标体系，通过权值矩阵及偏移量连接至隐层1，经过tansig激励函数变换，函数输出又与隐层2的权值矩阵与偏移矩阵连接，后经线性激励后输出24个预测数据。

以Matlab语言中的人工神经网络工具箱为工具进行可持续发展的预测。编制了如下程序：在指标预测曲线图中，从1994年到2014年是采集的水资源子系统、农业子系统、人口子系统、工业子系统、土地子系统、自然、环境子系统等24个指标体系实际数据绘制的曲线，从2015年到2021年是用人工神经网络预测得到的曲线。

人工神经网络的训练过程为：先用1994年到2014年24个指标的数据作为网络的输入，用1995年到2015年24个指标的数据作为网络的输出，组成训练集对网络进行训练，使之误差达到满意的程度，用这样训练好的网络进行预测。

随着训练次数的增加，网络的误差逐渐趋向于预先设定的误差目标（图中红色虚线代表网络总体误差）。程序中设定训练误差目标为0.001，在训练次数达到7000次后，网络总体误差为0.000999704。

4 乌鲁木齐城市可持续发展指标预测过程

用人工神经网络进行预测的过程为：用1994年到2014年数据作为网络的输入，预测2015年到2021年各指标的输出；接着用刚得到的数据即1994年到2014年数据作网络的输人，预测2015年到2021年各指标的输出；然后用刚得到的数据作为网络的输入，预测1997年到2016年的各指标的输出。依此类推，这样就得到2015-2021年的预测值。

图1至图 3是部分乌鲁木齐城市可持续发展指标统计指标及神经网络法预测图。从图中可以看出：用人工神经网络进行城市的发展演变发展预测时，具有较高的精度，曲线的前面部分几乎重合。

图1 乌鲁木齐行政区域面积 K

图 2乌鲁木齐儿童入学率

图 3乌鲁木齐年降水量

结论：

通过采用Matlab、EXCEL、Erdas、Arcgis等软件进行数据分析处理，通过一般趋势分析、神经网络方法进行预测，从1994年到2014年采集的24个指标体系实际数据绘制的曲线，从2015年到2021年是用人工神经网络预测得到的曲线。得出了乌鲁木齐21年来的变化特征和未来的变化趋势。通过神经网络进行预测分析研究，从而为城市发展提供科学依据和调控的可操作性。

参考文献

[1] 袁榴艳.新疆城市发生发展研究.西北农林科技大学学报.2003

[2] 焦立成，神经网络应用与实现[M]，西安电子科技大学出版社，1992

[3] 郑君里，人工神经网络[M]，清华大学出版社，1990

[4] 蒋宗礼，人工神经网络导论[M]，北京：高等教育出版社，2001

[5] 阎平凡，张长水.人工神经网络与模拟进化计算[M].北京：清华大学出版社，2001.

[6] 郝明亮，徐建英.人工神經网络在环境科学中的应用研究[J].上海环境科学，1999，18

[7] 胡守仁等，神经网络导论[M]北京：国防科技大学出版社，1993

[8] 王伟.人工神经网络原理——入门与应用[M]北京：北京航空航天大学出版社，1995

[9] 杨德刚，倪天麒，李新， 新疆城市经济规模与结构对可持续发展的影响，干旱区地理[J]，2001.9

[10] 赖先齐，秦莉，张风华， 新疆城市农业建设与可持续发展，中国生态农业学报[J]， 2002.12