基于ARIMA模型的土地储备量预测方法、装置及存储介质制造方法及图纸

本发明专利技术公开了基于ARIMA模型的土地储备量预测方法、装置及存储介质，所述方法包括：采集待预测指标变量规定时间段内的指标数据，作为训练数据集；将训练数据集为分解趋势分量、周期分量及残差分量，对趋势分量进行平稳性检验；以预处理后的趋势分量作为输入，构建土地储备量预测的ARIMA模型并对其检验；将设定的待预测指标变量的未来时间长度输入到所述ARIMA模型，得到目标预测值；将目标预测值与周期分量序列叠加得到实际预测值，并通过预设的评价标准对实际预测值评价。本发明专利技术通过分析某时间段内土地出让量的变化规律，能够预测未来时间内土地出让量的序列值，以此作为未来时间内土地储备量的数据参考，为土地储备平衡提供了更有效的客观依据。了更有效的客观依据。了更有效的客观依据。

【技术实现步骤摘要】
基于ARIMA模型的土地储备量预测方法、装置及存储介质


[0001]本专利技术涉及数据挖掘的
，特别是基于ARIMA模型的土地储备量预测方法、装置及存储介质的


技术介绍

[0002]随着我国城市化进程的快速推进，城乡建设用地资源日益紧缺，土地储备作为土地资源集约利用和优化配置的宏观调控手段，在规范和培育土地市场、增加财政收入、促进城市规划的合理实施等方面扮演着越来越重要的角色，受到社会各界的高度重视。但由于我国土地储备制度尚处于发展阶段，目前缺乏科学的土地储备规划，呈现“即储即供”的短期运作特点，土地储备量的多少没有一个客观的评价标准作为参考，这就造成了土地储备在时间上的不平衡性，土地储备的宏观调控作用受到很大限制，因此，土地储备数量的客观预测对自然资源管理部门制定三年储备计划、发挥土地储备的宏观调控作用至关重要，是保障区域社会经济健康、稳定发展的关键因素。
[0003]目前对土地储备量的预测是欠缺的且受主观性影响较大，常用的方法如线性预测方法、灰色预测等方法，实用性较差，预测结果不稳定且误差较大，无法很好地兼容时序数据变化规律并且易忽视土地储备周期性的特点。

技术实现思路

[0004]本专利技术的目的就是解决现有技术中的问题，提出基于ARIMA模型的土地储备量预测方法、装置及存储介质，通过分析自然资源管理部门土地储备量的变化规律，能够预测未来某一时间内的土地储备数量的变化序列值，为保持土地储备平衡、发挥其宏观调控作用提供了更有效的数据参考。
[0005]为实现上述目的，本专利技术提出了基于ARIMA模型的土地储备量预测方法，包括以下步骤：
[0006]步骤一：采集待预测指标变量在规定时间段内的指标数据，作为训练数据集；
[0007]步骤二：将训练数据集预处理分解得到趋势分量序列、周期分量序列、残差分量序列，将预处理后的训练数据集作为输入，构建土地储备量预测的ARIMA模型；
[0008]步骤三：将设定的待预测指标变量的未来时间长度，和选取的已通过d阶差分后的平稳序列，共同输入到所述ARIMA模型，计算得到目标预测值，并将所述目标预测值与周期分量序列进行叠加，得到实际预测值。
[0009]作为优选，所述训练数据集包括指标数据序列X
train
＝{x1,x2,x3,
…
x
n
}和时间序列t
i
＝{t1,t2,t3…
t
n
}，其中，x
n
、t
n
分别为第n个指标数据、时间数据；所述训练数据集的预处理的具体步骤为：将训练数据集分解为趋势分量序列、周期分量序列、残差分量序列，分解后的训练数据集X
train
＝{T1,T2,
…
T
n
}+{S1,S2,
…
S
n
}+{R1,R2,
…
R
n
}，
[0010]其中，T
n
、S
n
、R
n
分别为第n个指标数据序列分解出来的趋势分量、周期分量和误差项。
[0011]作为优选，所述构建土地储备量预测的ARIMA模型的具体步骤为：确定ARIMA模型的参数p，d，q和其他相关参数，构建ARIMA模型的预测公式；
[0012]确定参数p，d，q，具体步骤为：
[0013]将预处理得到的趋势分量序列进行平稳性检验和d阶差分处理，直至得到平稳序列，确定参数d；
[0014]在得到平稳序列后，分别利用PACF方法和ACF方法确定参数p和参数q；
[0015]确定其他相关参数，具体步骤为：
[0016]在确定参数p，d，q后，ARIMA模型的预测公式表示为：
[0017][0018]其中，Y
i
为第i个目标预测值，μ为常数项，α
j
为p阶自回归过程的系数，ε
i
、ε
i
‑
j
均为误差常数，β
j
为q阶移动平均过程误差项系数；
[0019]加上预处理得到的周期分量序列后，ARIMA模型的预测公式表示为：
[0020][0021]其中，S
j
为周期分量序列。
[0022]作为优选，预测方法还包括以下步骤：
[0023]对步骤二中构建的所述ARIMA模型进行残差正态性检验和残差序列独立性检验；
[0024]对步骤三中的所述目标预测值和所述实际预测值进行误差计算，得到标准差和相对误差，结合标准差和相对误差，对所述实际预测值进行评价。
[0025]本专利技术还提出了基于ARIMA模型的土地储备量预测装置，包括：
[0026]数据采集模块，用于采集待预测指标变量在规定时间段内的指标数据，作为训练数据集；
[0027]构建模型模块，用于以进行预处理后的训练数据集作为输入，构建土地储备量预测的ARIMA模型；
[0028]结果预测模块，用于将设定的待预测指标变量的未来时间长度，和选取的已通过d阶差分后的平稳序列，共同输入到所述ARIMA模型，计算得到目标预测值并将目标预测值与周期分量序列进行叠加，得到实际预测值。
[0029]作为优选，预测装置还包括数据预处理模块，用于将训练数据集进行数据处理，以达到构建土地储备量预测模型的要求；经所述数据预处理模块处理后的训练数据集为X
train
＝{T1,T2,
…
T
n
}+{S1,S2,
…
S
n
}+{R1,R2,
…
R
n
}，
[0030]其中，T
n
、S
n
、R
n
分别为第n个指标数据序列分解出来的趋势分量、周期分量和误差项；
[0031]模型检验模块，用于对土地储备量预测的ARIMA模型拟合程度大小的检测，确保模型的有效性；所述模型检验模块用于对所述ARIMA模型进行残差正态性检验和残差序列独立性检验；
[0032]结果检验模块，用于对实际预测值的有效性进行检验；所述结果检验模块用于对所述目标预测值和所述实际预测值进行误差计算，得到标准差和相对误差，结合标准差和相对误差，对所述实际预测值进行评价。
[0033]作为优选，所述构建模型模块构建土地储备量预测的ARIMA模型的具体步骤为：确
定ARIMA模型的参数p，d，q和其他相关参数，构建ARIMA模型的预测公式：
[0034]将预处理得到的趋势分量序列进行平稳性检验和d阶差分处理，直至得到平稳序列，确定参数d；在得到平稳序列后，分别利用PACF方法和ACF方法确定参数p和参数q；确定其他相关参数，具体包括：在确定参数p，d，q后，ARIMA模型的预测公式表示为：
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于ARIMA模型的土地储备量预测方法，其特征在于：包括以下步骤：步骤一：采集待预测指标变量在规定时间段内的指标数据，作为训练数据集；步骤二：将训练数据集预处理分解得到趋势分量序列、周期分量序列、残差分量序列，将预处理后的训练数据集作为输入，构建土地储备量预测的ARIMA模型；步骤三：将设定的待预测指标变量的未来时间长度，和选取的已通过d阶差分后的平稳序列，共同输入到所述ARIMA模型，计算得到目标预测值，并将所述目标预测值与周期分量序列进行叠加，得到实际预测值。2.如权利要求1所述的基于ARIMA模型的土地储备量预测方法，其特征在于：所述训练数据集包括指标数据序列X
train
＝{x1,x2,x3,
…
x
n
}和时间序列t
i
＝{t1,t2,t3…
t
n
}，其中，x
n
、t
n
分别为第n个指标数据、时间数据；所述训练数据集的预处理的具体步骤为：将训练数据集分解为趋势分量序列、周期分量序列、残差分量序列，分解后的训练数据集X
train
＝{T1,T2,
…
T
n
}+{S1,S2,
…
S
n
}+{R1,R2,
…
R
n
}，其中，T
n
、S
n
、R
n
分别为第n个指标数据序列分解出来的趋势分量、周期分量和误差项。3.如权利要求1所述的基于ARIMA模型的土地储备量预测方法，其特征在于：所述构建土地储备量预测的ARIMA模型的具体步骤为：确定ARIMA模型的参数p，d，q和其他相关参数，构建ARIMA模型的预测公式；确定参数p，d，q，具体步骤为：将预处理得到的趋势分量序列进行平稳性检验和d阶差分处理，直至得到平稳序列，确定参数d；在得到平稳序列后，分别利用PACF方法和ACF方法确定参数p和参数q；确定其他相关参数，具体步骤为：在确定参数p，d，q后，ARIMA模型的预测公式表示为：其中，Y
i
为第i个目标预测值，μ为常数项，α
j
为p阶自回归过程的系数，ε
i
、ε
i
‑
j
均为误差常数，β
j
为q阶移动平均过程误差项系数；加上预处理得到的周期分量序列后，ARIMA模型的预测公式表示为：其中，S
j
为周期分量序列。4.如权利要求1所述的基于ARIMA模型的土地储备量预测方法，其特征在于：还包括以下步骤：对步骤二中构建的所述ARIMA模型进行残差正态性检验和残差序列独立性检验；对步骤三中的所述目标预测值和所述实际预测值进行误差计算，得到标准差和相对误差，结合...

【专利技术属性】
技术研发人员：李子川，林昌平，卢祥生，张毅南，李洪跃，
申请(专利权)人：浙江臻善科技股份有限公司，
类型：发明
国别省市：