本站小編為你精心準備了RBF神經網絡的城鎮建設用地預測參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《資源科學雜志》2014年第六期

1研究區概況

成都市位于四川盆地西部，是西南地區的科技、商貿、金融中心，交通、通信樞紐。近年來，成都市經濟實力穩步提升，地區生產總值由1996年的772.27億元增加到2011年的6854.58億元，年均增長率為15.67%。伴隨經濟總量的迅速增長，研究區建設用地規模呈加速擴張態勢。據成都市土地利用變更調查數據以及第二次土地調查數據顯示，1996-2011年間，成都市建設用地規模由2.07萬hm2增加到12.44萬hm2，城鎮建設用地總量凈增長10.37萬hm2，年均增長6913hm2，其中在2008-2009年間由于“5.12汶川地震”和分類標準差異等原因，出現了城鎮建設用地的“突變”增長（圖1）。不難想象，隨著天府新區建設的進行和“五大興市戰略”的逐步實施，必然需要土地提供保障。科學預測成都市城鎮建設用地需求，既能為社會經濟快速發展提供必要的土地支撐，又能合理控制建設用地擴張速度，保護有限的土地尤其是耕地資源。

2數據來源與研究方法

2.1數據來源

本文的社會經濟數據主要來源于《中國城市統計年鑒》（1997-2012年），《四川統計年鑒》（1997-2012年），《成都統計年鑒》（1997-2012年）等；城鎮建設用地面積數據主要來自變更調查數據（1996-2008年）和第二次土地調查數據（2009-2011年）。

2.2研究方法

2.2.1灰色關聯分析從目前現有的定量篩選主要驅動力的方法來看，均值、多因素相關分析、灰色關聯分析（GRA）和因素分析等方法均能實現。其中，多因素統計分析新方法-灰色關聯分析不失為一種較好的方法，它能夠較好地度量各個相關因素之間的關聯程度，可以克服傳統多元相關分析和多元回歸分析的缺陷，是一種能夠較好地解決多因子關聯關系的一種重要數學方法[17]，其計算公式為[9]：

2.2.2GM（1，1）模型在弱化原始數據的隨機性，建立灰色模塊的基礎上，應用微分擬合法，直接將時間序列轉化為微分方程，從而建立發展變化模型，它是一種利用不足信息建立可能充分信息模型的途徑。其計算表達式為GM（1，1）模型誤差檢驗一般常采用后驗差檢驗法，后驗差檢驗是殘差分布統計特性的檢驗，包括均方差比值和小誤差概率兩項即C和P。

2.2.3rbf神經網絡模型一種具有單隱層的3層前饋網絡，能以任意精度逼近任意連續函數，與廣泛應用的BP神經網絡模型相比，在學習速度、參數設置等問題上具有明顯優點[20，21]。其模型結構如圖2所示。RBF的網絡學習過程分為非監督學習與監督學習兩個階段。非監督學習階段采用K-means聚類法對訓練樣本的輸入量進行聚類，找出聚類中心Ci及α參數，然后進行監督學習。由于當Ci以及α確定之后，RBF網絡從輸入到輸出就成了一個線性方程組，因此監督學習階段采用最小二乘法求解輸出權重Wj，其算法步驟為：（1）用最小、最大規范化方法，使屬性歸一到網絡的處理范圍。（2）用徑向基函數計算隱含層的輸出值Yh。（3）求輸出層第j個神經元的輸出值Yj。其公式為：

2.2.4預測精度評價采用平均絕對誤差（MAE）和誤差均方根（RMSE）兩項指標來評價模型預測精度，其計算公式如下。

3結果與分析

3.1指標選擇與數據預處理為更好的反映成都市城鎮建設用地的整體變化趨勢，同時達到降低數據波動的目的，將社會經濟數據和建設用地面積數據轉換成年變化率的形式，并對具有“突變”特征的年份數據（1998年、2003年、2006年和2009年）進行剔除，并結合研究區社會經濟發展現狀和相關研究成果對指標進行選擇，并對其數據進行預處理，最終得到表1。

3.2GM（1，1）模型預測對表1年份對應的城鎮建設用地面積做一次累加處理，再利用Matlab7.1軟件建模求解重要參數a，u值，最終構建得出累加值的預測方程：根據公式（10），首先對灰色系統GM（1，l）預測模型進行精度檢驗，即對模型預測的累加值進行檢驗，檢驗結果如表2所示，C=0.22、P=1且經過一次殘差序列分析后平均相對誤差最小，說明所得的模型的精度很好。再根據公式（3）對表2中的累加值預測結果進行還原可以得到成都市2015年和2020年城鎮建設用地的需求量預測值分別為242232.98hm2和532402.61hm2。

3.3RBF模型預測（1）主要驅動因子的篩選。應用DPS9.5版軟件中的灰色關聯分析模塊，對表1中城鎮建設用地變化率與初選26個社會經濟指標變化率做灰色關聯分析，得到結果如表3所示。結果顯示城鎮建設用地與社會經濟指標變化率灰色關聯度排序為x7>x15>x18>x16>x25>x3>x10>x8>x19>x12>x14>x23>x26>x22>x1>x11>x17>x5>x20>x21>x2>x4>x6>x9>x13>x24。本次研究中選取與影響城鎮建設用地面積變化率關聯度大于0.7的社會經濟指標作為主要驅動因子，共有15個。（2）主成分分析。應用SPSS19.0軟件中的因子分析功能對15個主要驅動因子變化率進行提取主成分處理，以達到降維和去除因子共線性的作用，共可以提取10個主成分PC1到PC10，累計貢獻率為100%，各主成分得分值見表4。（3）主因子預測。應用SPSS19.0軟件中的曲線估計功能構建15個主要驅動因子值與時序的最 優擬合方程（表5），利用最優方程對主要驅動因子值進行預測，最后結合成分得分系數矩陣可反算得出各主成分得分預測值（表6）。（4）RBF神經網絡運算。以提取的10個主成分的得分值作為輸入樣本，輸入層節點數設置為10，以城鎮建設用地變化率作為輸出樣本，輸出層節點數設置為1，輸入輸出樣本皆進行歸一化處理，選取1997年、1999年和2004年數據為檢測樣本，其余各年數據為訓練樣本（表6），之后應用Matlab7.1軟件中提供的函數newrb對網絡進行訓練，其中關鍵參數隱含節點數和擴展常數最佳值通過不斷試驗獲得，其結果分別為5.0和0.8，最終模型訓練誤差值為0.00750848，用訓練好的模型對樣本進行檢測，其結果（變化率還原為面積）如表7所示，成都市2015年和2020年城鎮建設用地的需求量預測值分別為145986.10hm2和182321.26hm2。

3.4精度評價與趨勢分析

3.4.1模型預測精度評價以樣本實際面積和兩種模型對樣本的預測值分別為橫軸x和縱軸y，建立直角坐標系（圖3），則每一個實際面積都可以找到一個相應位置的模型預測值。如果模型預測值等于實際面積，則在直角坐標系中，該坐標點落在y=x這條直線上，偏離直線y=x越遠，則預測誤差越大[14]。從圖3可以看出，RBF神經網絡模型對樣本的擬合結果明顯優于GM（1，1）模型，擬合度更高。進一步用平均絕對誤差（MAE）和誤差均方根（RMSE）兩項指標對所有參與模擬樣本的模擬預測精度進行評價（表8）。經計算RBF神經網絡模型和GM（1，1）模型的MAE分別為161.63和10610.92，RMSE分別為206.16和13055.01。再次證明了RBF神經網絡模型較GM（1，1）模型具有更好的預測精確度，故本次城鎮建設用地需求預測方法選擇RBF神經網絡模型。

3.4.2變化趨勢分析城鎮建設用地近期2015年預測值比2011年現狀增加了21537.29hm2，年均增加5384.30hm2，年均增長率為4.07%；遠期2020年預測值比2015年現狀增加了36335.16hm2，年均增加7267.03hm2，年均增長率為4.55%；1996-2011年城鎮建設用地面積增加了103765.60hm2，年均增加6917.71hm2，年均增長率為12.71%。由此不難看出，2011年后成都市城鎮建設用地面積增速將會變緩，這主要是因為當前世界經濟已經進入深度轉型調整期，受國際經濟環境的影響，我國經濟正在轉展進入一個中速增長期，經濟工作的重心落到了提高增長質量和效益的位置上，加之成都市周邊城鎮可擴展區域已捉襟見肘，“嚴格控制增量、挖潛盤活存量”，城鎮的發展方向必然會由平面擴張向立體空間轉變。但是成都市政府新近提出了“交通先行”，加快健全城鄉基礎設施的重要批示，同時“天府新區”也在規劃打造，優化人居環境也作為了工作重點來抓，不難想像隨著交通網絡的健全、“天府新區”的開工建設和生態環境的改善，成都市未來的城鎮建設用地需求量必將與日俱增。

4結論與討論

（1）為更好地反映成都市城鎮建設用地的整體變化趨勢，本文提出了將直接預測面積轉換為間接預測面積變化率再反算面積的一種新思路，將經濟數據和城鎮建設用地面積數據轉換成年變化率，能夠顯著降低數據的波動性，為模型預測提供良好基礎。（2）在成都市城鎮建設用地需求預測中，RBF神經網絡模型的MAE（161.63）、RMSE（206.16）遠遠低于GM（1，1）模型的MAE（10610.92）、RMSE（13055.01）且線性擬合效果更佳，說明RBF神經網絡模型是建設用地需求預測的有效方法之一。（3）預測結果顯示2011年后城鎮建設用地需求量將呈現緩慢增長態勢，近期2015年比2011年現狀將增加21537.29hm2，遠期2020年預測值比2015年現狀將增加36335.16hm2。預測結果可為區域土地資源可持續利用和土地利用總體規劃的制定提供科學的參考依據。而建設用地的需求量始終受到供給量的制約，而政策因素存在難以量化的問題，應在預測基礎上結合土地復墾、土地整理等合理調控，緩解城市發展與生態及糧食安全之間的矛盾，提高土地集約利用水平，達到可持續發展的戰略目標。（4）RBF神經網絡模型是在技術方法層面上對城鎮建設用地需求預測的一種嘗試，在對具有“突變”特征數據進行剔除的前提下，基于平穩數據開展預測研究，應用效果較好。但同時也發現在數據“突變”的情況下，該模型預測效果不盡如人意，還需在此基礎上對RBF神經網絡模型進一步優化。同時這僅是以成都市特定時空范圍內為例進行的分析，研究結果是否具有普適性還需進一步研究與探討。

作者：郝思雨謝汀伍文高雪松鄧良基李啟權單位：四川農業大學資源環境學院成都市國土規劃地籍事務中心