基于改进神经网络算法的建设用地面积预测方法技术

本发明专利技术公开基于改进神经网络算法的建设用地面积预测方法，包括如下几个步骤：步骤一、收集各年度待预测地区建设用地面积及其影响因素样本数据；步骤二、构建含一层隐含层的三层结构反向传播神经网络，以影响因素项数作为输入层节点数、以1作为输出层节点数，结合试凑法和以下公式求解得到一组隐含层节点数；步骤三、训练模型，步骤四、模型定型，比较各假设模型相应的测定系数、变异系数，以其中精度最高的假设模型作为预测未来建设用地面积的定型模型。模型。模型。

【技术实现步骤摘要】
基于改进神经网络算法的建设用地面积预测方法


[0001]本专利技术涉及一种基于改进神经网络算法的建设用地面积预测方法，属于数据预测


技术介绍

[0002]随着乡村振兴战略的提出，社会越来越关注村镇的可持续健康发展，建设用地面积作为表征其发展的最基本指标之一，能否把握某地区各影响因素与建设用地面积变化之间的关系，并对该地区的用地面积进行预测，是本专利技术的基本出发点。
[0003]建设用地面积变化受多种驱动因子的影响和制约，是一个动态的、非线性与多反馈回路的复合系统。现有的建设用地面积预测模型大多是线性回归模型，该模型需要先判断变量之间是否是线性关系，不能很好的拟合非线性数据，无法准确提取建设用地面积变化规律。
[0004]神经网络作为一个高度复杂的非线性动力学习系统，特别适合处理需要同时考虑许多因素的、不精确的信息处理问题，具有良好的非线性映射能力。

技术实现思路

[0005]专利技术目的：针对现有技术中存在的问题与不足，本专利技术提供一种基于改进神经网络算法的建设用地面积预测方法，以弥补现有预测方法的不足，更好地把握某地区各影响因素与建设用地面积变化之间的关系，提高建设用地面积预测的精度。
[0006]技术方案：基于改进神经网络算法的建设用地面积预测方法，其特征在于：包括如下步骤：
[0007]步骤一、收集数据——收集各年度待预测地区建设用地面积及其影响因素样本数据；
[0008]步骤二、构建网络——构建含一层隐含层的三层结构反向传播神经网络，以影响因素项数作为输入层节点数、以1作为输出层节点数，
[0009]结合试凑法和以下公式求解得到一组隐含层节点数；
[0010][0011]m＝log2n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0012][0013]其中，m：隐含层节点数；n：输入层节点数；l：输出层节点数；α：1
‑
10之间的常数；
[0014]步骤三、训练模型，具体包括：
[0015]第一步、将收集的样本数据按前、中、后时间顺序分为训练集、验证集和测试集，对模型进行假设，并确定所述反向神经网络的输入与输出；
[0016]第二步、用训练集中的样本数据分别训练不同隐含层节点数的各所述神经网络，正向计算各层单元的激活值、反向计算各层单元激活值误差、计算代价函数关于各参数的偏导项，利用梯度下降法更新参数矩阵、重复所述正向计算与反向计算，直至各所述神经网
络的预测输出值与实际值误差在5％以内，固定此时的参数，进而确定相应的假设模型；
[0017]第三步、将验证集样本数据分别输入各假设模型，预测相应的建设用地面积值，当误差大于5％时，重新训练该模型，当误差小于5％时，进入下一步，以此来对模型进行验证。
[0018]第四步、将测试集样本数据分别输入各假设模型，得到相应的预测建设用地面积值；
[0019]步骤四、模型定型——比较各假设模型相应的测定系数、变异系数，以其中精度最高的假设模型作为预测未来建设用地面积的定型模型。
[0020]本专利技术进一步限定的技术特征为：在步骤四中，所述测定系数的计算包括如下几个步骤：
[0021]A1，获取所预测年份的土地面积影响因数样本数据；
[0022]A2，计算每个神经网络模型的估计值；
[0023]A3，计算样本数据的总平方和TSS，计算公式用方程(4)；
[0024]A4，计算残差平方和RSS，计算公式用方程(5)；
[0025]A5，最终计算测定系数R2，计算公式用方程(6)；
[0026][0027][0028][0029]其中，m代表神经网络预测的次数，y代表所预测年份的实际样本输出值，代表神经网络模型的估计值，代表样本的平均值。
[0030]作为优选，在步骤四中，变异系数反映了数据的离散程度，其计算公式如下：
[0031][0032]其中，σ是一组数据的标准差，μ是该组数据的平均值。
[0033]作为优选，在步骤四中，若神经网络模型的变异系数远小于15％，则固定其计算参数为有效性参考值。
[0034]作为优选，在步骤四中，分析各神经网络模型算法的测定系数对应的测定系数值，越接近于1则表明该神经网络模型对实际规律的非线性拟合效果越好，则该神经网络模型可用以预测建设用地的面积。
[0035]作为优选，所述建设用地面积变化的假设模型可表示为公式(8)：
[0036]y＝h
θ
(x1,x2,x3,x4,x5,x6,x7,x8,x3,x
10
,x
11
,x
12
,x
13
,x
14
)
ꢀꢀꢀꢀ
(8)
[0037]上述公式可简写为
[0038]y＝h
θ
(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0039]式中：y表示雅安市建设用地面积；x1、x2、x3、x4、x5、x6、x7、x8、x9、x
10
、x
11
、x
12
、x
13
和x
14
分别为GDP、总人口、农业总产值、林业总产值、牧业总产值、渔业总产值、第二产业总值、工业产值、第三产业产值、交通运输仓储和邮政业、金融业、房地产业、批发和零售业及人均
国内生产总值；θ表示假设模型中所含参数的整体。
[0040]有益效果：与现有技术相比，本专利技术具有以下优点：
[0041]1)通过改进反向传播神经网络模型，提供了一种更科学地运用大数据分析发掘用地数据的隐含非线性规律的方法，并可用于提取建设用地面积变化规律，并对改进后的反向传播神经网络算法模拟结果的有效性进行了验证，大大提高了建设用地面积预测的精度。
[0042]2)提前设定预测输出值与实际值误差在5％以内，能有效改进反向传播神经网络容易陷入局部极小值的问题。
[0043]3)反向传播神经网络采用三层结构，设定隐含层层数为1，采用试凑法与公式结合的方法来确定隐含层神经元节点个数，这能更好的确定反向传播神经网络的隐含层层数以及隐含层单元数，简化了应用反向传播神经网络进行数据预测的步骤。
[0044]4)分析测定系数、变异系数以验证改进后的反向传播神经网络算法模拟结果的有效性，有效则用其进行预测，无效则将该模型舍去，加入此步骤防止了不准确预测情况的出现。
附图说明
[0045]图1为本专利技术实施例设定预测输出值与实际值相对误差在20％以内的神经网络误差函数曲线；
[0046]图2为本专利技术实施例设定预测输出值与实际值相对误差在10％以内的神经网络误差函数曲线；
[0047]图3为本专利技术实施例设定预测输出值与实际值相对误差在5％以内的神经网络误差函数曲线；
[0048]图4为本专利技术实施例使用不同神经网络分别进行1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进神经网络算法的建设用地面积预测方法，其特征在于：包括如下步骤：步骤一、收集数据——收集各年度待预测地区建设用地面积及其影响因素样本数据；步骤二、构建网络——构建含一层隐含层的三层结构反向传播神经网络，以影响因素项数作为输入层节点数、以1作为输出层节点数，结合试凑法和以下公式求解得到一组隐含层节点数；m＝log2n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，m：隐含层节点数；n：输入层节点数；l：输出层节点数；α：1
‑
10之间的常数；步骤三、训练模型，具体包括：第一步、将收集的样本数据按前、中、后时间顺序分为训练集、验证集和测试集，对模型进行假设，并确定所述反向神经网络的输入与输出；第二步、用训练集中的样本数据分别训练不同隐含层节点数的各所述神经网络，正向计算各层单元的激活值、反向计算各层单元激活值误差、计算代价函数关于各参数的偏导项，利用梯度下降法更新参数矩阵、重复所述正向计算与反向计算，直至各所述神经网络的预测输出值与实际值误差在5％以内，固定此时的参数，进而确定相应的假设模型；第三步、将验证集样本数据分别输入各假设模型，预测相应的建设用地面积值，当误差大于5％时，重新训练该模型，当误差小于5％时，进入下一步，以此来对模型进行验证。第四步、将测试集样本数据分别输入各假设模型，得到相应的预测建设用地面积值；步骤四、模型定型——比较各假设模型相应的测定系数、变异系数，以其中精度最高的假设模型作为预测未来建设用地面积的定型模型。2.根据权利要求1所述的基于改进神经网络算法的建设用地面积预测方法，其特征在于：在步骤四中，所述测定系数的计算包括如下几个步骤：A1，获取所预测年份的土地面积影响因数样本数据；A2，计算每个神经网络模型的估计值；A3，计算样本数据的总平方和TSS，计算公式用方程(4)；A4，计算残差平方和RSS，计算公式用方程(5)；A5，最终计算测定系数R2，计算公式用方程(6)；A5，最终计算测定系数R2，计算公式用方程(6)；A5，最终计算测定系数R2，计算公式用方程(6)；其中，m代...

【专利技术属性】
技术研发人员：高磊，周亚州，赵静瑶，祝晓凡，郭凯睿，黄勇，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：