馮 雪,張金鎖,鄒紹輝
(1.西安科技大學(xué)a.能源學(xué)院;b.能源經(jīng)濟(jì)與管理研究中心;c.管理學(xué)院,西安 710054)
基于多源信息融合的能源需求預(yù)測(cè)模型研究綜述
馮 雪a,b,張金鎖b,c,鄒紹輝b,c
(1.西安科技大學(xué)a.能源學(xué)院;b.能源經(jīng)濟(jì)與管理研究中心;c.管理學(xué)院,西安 710054)
文章以能源需求預(yù)測(cè)模型技術(shù)提升和預(yù)測(cè)誤差不斷改善為線索,從信息源的角度出發(fā),梳理了國(guó)內(nèi)外能源需求預(yù)測(cè)的相關(guān)理論與模型特征。能源需求預(yù)測(cè)模型經(jīng)歷了單一模型、多源模型組合和智能信息融合三個(gè)發(fā)展階段,文章對(duì)模型發(fā)展階段的特點(diǎn)和存在問(wèn)題進(jìn)行評(píng)述,對(duì)未來(lái)非線性、變權(quán)重技術(shù)以及多源信息融合模型在能源需求預(yù)測(cè)方面的應(yīng)用做出進(jìn)一步展望。
多源信息融合;單一模型;多源模型組合;智能信息融合;能源需求預(yù)測(cè)
準(zhǔn)確地預(yù)測(cè)能源需求趨勢(shì),有利于規(guī)避能源供給風(fēng)險(xiǎn),降低能源供需缺口,減緩經(jīng)濟(jì)周期波動(dòng),進(jìn)而促進(jìn)經(jīng)濟(jì)社會(huì)可持續(xù)發(fā)展。我國(guó)是一個(gè)能源消費(fèi)大國(guó),國(guó)內(nèi)能源需求變化對(duì)全球能源格局的影響日益增強(qiáng),科學(xué)預(yù)測(cè)能源需求是制定我國(guó)相關(guān)能源發(fā)展戰(zhàn)略的重要依據(jù)。近十年來(lái),雖然我國(guó)不斷重視能源需求預(yù)測(cè)工作,相關(guān)研究也越來(lái)越多,但是已有能源需求預(yù)測(cè)方法普遍存在模型選擇欠缺依據(jù)以及信息源不完備的問(wèn)題,在此基礎(chǔ)上較大的預(yù)測(cè)誤差問(wèn)題難以避免。鑒于此,本文對(duì)能源需求預(yù)測(cè)領(lǐng)域的文獻(xiàn)進(jìn)行系統(tǒng)分析與述評(píng),對(duì)單一預(yù)測(cè)模型存在的問(wèn)題進(jìn)行剖析,在此基礎(chǔ)上提出構(gòu)建包含多源信息的能源需求預(yù)測(cè)模型分析框架,以期改善現(xiàn)有能源需求預(yù)測(cè)模型的預(yù)測(cè)精度,提高該類模型的應(yīng)用價(jià)值。
信息單一化是指僅采用單一模型預(yù)測(cè)能源需求。單一模型是一種純數(shù)學(xué)模型的擬合估計(jì)方法,根據(jù)能源需求分析方法的基本假設(shè)不同,大致可將其分為兩類:第一類是單一自相關(guān)時(shí)間序列模型,是一種基于能源系統(tǒng)自身對(duì)能源需求進(jìn)行預(yù)測(cè)的研究方式。該類模型假設(shè)影響需求變化的一切因素都已反應(yīng)在需求變量本身中,這些影響因素一般不會(huì)發(fā)生突變,因此可以通過(guò)歷史需求的擬合來(lái)推測(cè)未來(lái)需求。趨勢(shì)外推模型、ARMA模型和灰色模型就是典型代表。第二類是多因素相關(guān)關(guān)系預(yù)測(cè)模型,是基于整個(gè)社會(huì)經(jīng)濟(jì)系統(tǒng)對(duì)能源需求進(jìn)行預(yù)測(cè),基本假設(shè)是預(yù)測(cè)值不局限于自身各滯后期對(duì)它的影響,還包括其他相關(guān)因素的作用甚至是相互作用。該類模型主要包括多元回歸模型、協(xié)整與誤差修正模型、向量自回歸模型、系統(tǒng)動(dòng)力學(xué)模型、人工神經(jīng)網(wǎng)絡(luò)模型和情景分析法等[1]。
各單一模型根據(jù)各自的數(shù)學(xué)理論都有其不同的適用情況,有其不可替代的優(yōu)勢(shì),但也有相應(yīng)的不足,不能簡(jiǎn)單、絕對(duì)地評(píng)判哪個(gè)模型的優(yōu)劣,對(duì)各單一模型的適用范圍及優(yōu)缺點(diǎn)歸納梳理如下頁(yè)表1所示。
從單一模型的兩種主要類型——自相關(guān)時(shí)間序列模型和多因素相關(guān)關(guān)系模型的比較來(lái)看,前者(自相關(guān)時(shí)間序列模型)是基于能源系統(tǒng)自身對(duì)能源需求進(jìn)行預(yù)測(cè)的研究方式,基本假設(shè)是影響需求變化的一切因素都已反應(yīng)在需求變量本身中,因此以歷史需求可以推測(cè)未來(lái)需求。該方法能夠較好地消除序列中的隨機(jī)性波動(dòng),擬合能源需求確定性趨勢(shì)能力較強(qiáng),但是未反映出能源需求復(fù)雜系統(tǒng)中錯(cuò)綜復(fù)雜的關(guān)系。后者(多因素相關(guān)關(guān)系模型)是基于整個(gè)社會(huì)經(jīng)濟(jì)系統(tǒng)對(duì)能源需求進(jìn)行預(yù)測(cè),基本假設(shè)是預(yù)測(cè)值不局限于自身各滯后期的影響,還包括其他相關(guān)因素的作用甚至是相互作用。相關(guān)關(guān)系法可以分析出能源需求復(fù)雜系統(tǒng)中多種因素與能源需求的因果關(guān)系或結(jié)構(gòu)比例關(guān)系,但對(duì)影響因素的篩選有要求,復(fù)雜性也隨之提高??傮w來(lái)說(shuō),單一模型雖然總體上來(lái)說(shuō)易于操作,但是缺乏能源需求基本規(guī)律的全面認(rèn)識(shí),模型的特點(diǎn)決定了信息來(lái)源的單一性,因此預(yù)測(cè)精度還有待改善。
2.1 多源模型組合
Bates和Granger(1969)[2]最早提出多源模型的組合預(yù)測(cè)理論。該理論認(rèn)為,有不同可供預(yù)測(cè)的單一模型,同時(shí)也有不同的組合方法,預(yù)測(cè)精度往往各不相同,沒(méi)有一種方法可以達(dá)到100%的預(yù)測(cè)精度,但是組合模型有效地集結(jié)了各種數(shù)據(jù)樣本的信息以及不同模型的有用信息,比單一預(yù)測(cè)模型考慮了更為全面的信息,因而可以有效減少或者抵消單個(gè)模型中的一些隨機(jī)因素的影響[3],提高了預(yù)測(cè)模型的預(yù)測(cè)精度和可信度。組合模型較單一模型優(yōu)勢(shì)有顯著提高,表現(xiàn)為以下三方面:第一,模型優(yōu)勢(shì)互補(bǔ)。組合預(yù)測(cè)方法不是各預(yù)測(cè)模型簡(jiǎn)單地堆砌而是合理組合,每種方法存在不同的適應(yīng)情況,也都有其自身的優(yōu)缺點(diǎn),通過(guò)對(duì)具有互補(bǔ)性的方法進(jìn)行組合,用其中一個(gè)模型分析方法的優(yōu)勢(shì)或特點(diǎn)彌補(bǔ)另一個(gè)模型的缺陷,從而達(dá)到優(yōu)化模型的預(yù)測(cè)效果;第二,預(yù)測(cè)精度提升。目前可用的單一模型較多,但針對(duì)具體問(wèn)題和數(shù)據(jù)特征時(shí),正確地選擇預(yù)測(cè)模型或方法較為困難,這時(shí)通常的做法是采用較多的模型來(lái)進(jìn)行比較分析,但也很難找到單一“最佳”模型。組合方法則是把這些模型合理融合,經(jīng)驗(yàn)表明,通過(guò)單一模型的組合運(yùn)用,得到的預(yù)測(cè)精度通常比單一模型有所提高;第三,可信度提高。通過(guò)對(duì)各種預(yù)測(cè)方法的組合,可以有效地挖掘更多的信息,更加全面、系統(tǒng)地反映事物的本質(zhì)。多個(gè)單一模型組合預(yù)測(cè)可以涵蓋更多事物的特征,更能體現(xiàn)事物的實(shí)際情況,從而提高了預(yù)測(cè)模型可信度。
多源模型按賦權(quán)方式的不同,可以分為兩類,其一是線性組合和非線性組合模型,其二是不變權(quán)組合和可變權(quán)組合模型,不同類型的組合模型存在不同的局限性。
表1 各單一預(yù)測(cè)模型適用性及優(yōu)缺點(diǎn)梳理
2.1.1 按線性組合和非線性組合模型
鑒于能源系統(tǒng)的特征,大量文獻(xiàn)證明,線性組合預(yù)測(cè)法較非線性組合預(yù)測(cè)而言,解決非線性問(wèn)題的局限性較大、效果較差。它們預(yù)測(cè)效果產(chǎn)生差異的原因,主要有以下幾點(diǎn)。
(1)從理論基礎(chǔ)和模型特征來(lái)看,采用線性最優(yōu)組合預(yù)測(cè)方法,對(duì)組合預(yù)測(cè)結(jié)果的影響既依賴于其單一模型預(yù)測(cè)值,又依賴于其相應(yīng)的權(quán)重值,線性組合更多地注重權(quán)重分配問(wèn)題,很難找出對(duì)權(quán)重系數(shù)的最佳確定方式。對(duì)于其權(quán)重確定方式而言,采用數(shù)學(xué)規(guī)劃問(wèn)題模型,其求解比較繁瑣,并且根據(jù)不同假設(shè)條件采用不同建模機(jī)理,這對(duì)預(yù)測(cè)模型提出了更苛刻的要求,進(jìn)一步限制了組合預(yù)測(cè)的應(yīng)用范圍。以ANN為代表的非線性加權(quán)方法,按單個(gè)樣本誤差和總體誤差滿足給定精度要求,在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程直接從數(shù)據(jù)中發(fā)現(xiàn)規(guī)則和特征,并由網(wǎng)絡(luò)在動(dòng)態(tài)學(xué)習(xí)中給出,無(wú)需建立模型結(jié)構(gòu)和設(shè)定參數(shù)估計(jì)過(guò)程,從而改善了傳統(tǒng)組合模型中權(quán)重系數(shù)不易確定的狀況。相較線性組合模型更為凸顯的優(yōu)勢(shì)在于,某一種預(yù)測(cè)方法對(duì)組合預(yù)測(cè)結(jié)果的影響雖然與自身的預(yù)測(cè)結(jié)果和權(quán)重有關(guān),但其權(quán)重對(duì)組合預(yù)測(cè)結(jié)果的影響是非線性的,它既包括輸入與隱單元之間的連接權(quán),還包括輸出與隱單元之間的連接權(quán),在遇到某些難以處理的情況,比如指標(biāo)間相關(guān)度較高、數(shù)據(jù)呈非線性變化、數(shù)據(jù)缺漏不全時(shí)仍可得到較滿意的結(jié)果。因而更能適應(yīng)能源預(yù)測(cè)系統(tǒng)的非線性特點(diǎn)。
(2)從個(gè)體樣本失誤對(duì)組合預(yù)測(cè)整體效果的影響來(lái)看,采用線性組合加權(quán)的最優(yōu)線性組合預(yù)測(cè)方法,個(gè)別樣本的較大誤差會(huì)對(duì)整個(gè)組合預(yù)測(cè)產(chǎn)生較大的影響。以ANN為代表的非線性加權(quán)方法因具有無(wú)后效性的特點(diǎn),即每一層神經(jīng)元的狀態(tài)只會(huì)影響下一層神經(jīng)元的狀態(tài),不會(huì)產(chǎn)生累積不良影響,加上神經(jīng)網(wǎng)絡(luò)的神經(jīng)元眾多,且由多層組成,即使個(gè)別單元產(chǎn)生失誤,其對(duì)整體的影響也能起到緩沖作用。這種對(duì)小失誤的寬容性,有效減少了組合預(yù)測(cè)結(jié)果對(duì)真實(shí)值的偏離。
(3)從目標(biāo)函數(shù)來(lái)看,最優(yōu)組合預(yù)測(cè)方法追求的是在約束條件下總體誤差平方和最小,目標(biāo)最優(yōu)解唯一,這種要求剛性很大;以ANN為代表的非線性加權(quán)方法不僅要求總體誤差平方和最小,還對(duì)每個(gè)學(xué)習(xí)單元的擬合誤差也有要求,因而能夠有效保證總體誤差平方和相對(duì)最小目標(biāo)的實(shí)現(xiàn),其目標(biāo)最優(yōu)解不唯一恰好成為一種優(yōu)良特征,可視擬合精度的要求靈活調(diào)節(jié),從而能更好地滿足預(yù)測(cè)要求。
總體上來(lái)說(shuō),在能源需求預(yù)測(cè)領(lǐng)域,許多學(xué)者做了大量的線性和非線性組合預(yù)測(cè)研究[4-10],研究結(jié)果表明,非線性組合預(yù)測(cè)方法預(yù)測(cè)效果總體優(yōu)于線性組合預(yù)測(cè)方法。以神經(jīng)網(wǎng)絡(luò)模型為代表的非線性組合預(yù)測(cè)方法具有更高的預(yù)測(cè)精度和實(shí)用性、簡(jiǎn)便性,是一種解決非線性組合問(wèn)題的有效工具。
2.1.2 變權(quán)組合預(yù)測(cè)法和可變權(quán)組合預(yù)測(cè)法
不變權(quán)組合預(yù)測(cè)方法是通過(guò)最優(yōu)化規(guī)劃模型或其他方法計(jì)算出各個(gè)單一預(yù)測(cè)方法在組合預(yù)測(cè)中的權(quán)系數(shù)。權(quán)系數(shù)只與預(yù)測(cè)方法有關(guān),而與時(shí)間無(wú)關(guān),也就是說(shuō)同一種單一預(yù)測(cè)方法在各個(gè)時(shí)點(diǎn)的權(quán)系數(shù)是一樣的。需要強(qiáng)調(diào)的是,各種預(yù)測(cè)方法對(duì)于不同的預(yù)測(cè)時(shí)間段表現(xiàn)出不同的預(yù)測(cè)能力,比如有的方法對(duì)瞬態(tài)變化敏感,那么適用于中短期預(yù)測(cè);有的方法善于考察長(zhǎng)期趨勢(shì),那就表現(xiàn)出優(yōu)越的中長(zhǎng)期預(yù)測(cè)能力。這時(shí),如果將不同時(shí)間組合的權(quán)系數(shù)設(shè)定為常值,就無(wú)法各取所長(zhǎng)獲得最佳預(yù)報(bào)結(jié)果。然而在預(yù)測(cè)實(shí)踐中,不同的預(yù)測(cè)方法在不同時(shí)刻有不同的預(yù)測(cè)精度,也就是說(shuō)同一種單一預(yù)測(cè)方法在不同時(shí)刻的表現(xiàn)并不是完全相同,有可能在某一點(diǎn)預(yù)測(cè)精度較高,但是另外一點(diǎn)預(yù)測(cè)精度則較低[11-14]。因此,變權(quán)重組合預(yù)測(cè)更符合實(shí)際,具有較高的預(yù)測(cè)精度和預(yù)測(cè)穩(wěn)定性,能比較合理地描述系統(tǒng)的客觀現(xiàn)實(shí)。
在能源需求預(yù)測(cè)領(lǐng)域,除了非負(fù)可變加權(quán)系數(shù)的組合預(yù)測(cè)模型之外,所有的線性組合模型和神經(jīng)網(wǎng)絡(luò)非線性組合模型均屬于不變權(quán)組合預(yù)測(cè)。已有研究證明[15,16],變權(quán)重組合預(yù)測(cè)效果普遍優(yōu)于不變權(quán)組合預(yù)測(cè)模型。
從整體上來(lái)看,多源模型組合方式在能源需求預(yù)測(cè)領(lǐng)域取得了較好的成果,但同時(shí)也面臨挑戰(zhàn),該預(yù)測(cè)方式均假設(shè)未來(lái)的能源消費(fèi)變化趨勢(shì)仍延續(xù)著歷史的規(guī)律,因此努力從歷史數(shù)據(jù)中尋找能源需求的演變規(guī)律。但是,突發(fā)事件作為能源需求情景因素之一,勢(shì)必引起能源消費(fèi)的突變,從而出現(xiàn)“異常點(diǎn)”或轉(zhuǎn)折性變化。目前多源模型組合方式對(duì)“異常點(diǎn)”或轉(zhuǎn)折性變化的準(zhǔn)確擬合和預(yù)測(cè)顯得無(wú)能為力。
2.2 智能信息融合
隨著計(jì)算機(jī)技術(shù)的日趨完善,以及人工智能模型的不斷成熟,結(jié)合并利用專家系統(tǒng)在能源需求預(yù)測(cè)領(lǐng)域開(kāi)拓出一條新的思路。Dennis L.Meadows(1973)等[17]于1970年代借助計(jì)算機(jī)技術(shù)來(lái)模擬和研究能源發(fā)展問(wèn)題,雖然結(jié)論并不可靠,但是這是第一次能源方面相關(guān)問(wèn)題的系統(tǒng)化分析。專家系統(tǒng)是一個(gè)用基于知識(shí)的程序設(shè)計(jì)方法建立起來(lái)的計(jì)算機(jī)系統(tǒng),它擁有某個(gè)領(lǐng)域內(nèi)頂級(jí)專家的知識(shí)和經(jīng)驗(yàn),并存放過(guò)去幾年的數(shù)據(jù)和其他各種影響因素,如圖1所示,利用專家的知識(shí)和信息是對(duì)不可量化的經(jīng)驗(yàn)進(jìn)行轉(zhuǎn)化的一種較好的方法,將預(yù)測(cè)模型與專家系統(tǒng)的融合,就是一種智能信息融合。
圖1 專家系統(tǒng)
已有智能信息融合模型在能源需求預(yù)測(cè)領(lǐng)域中的研究主要應(yīng)用于電力負(fù)荷預(yù)測(cè)方面。在中長(zhǎng)期電力負(fù)荷預(yù)測(cè)方面,倪軍,楊明志等[18]對(duì)各個(gè)模型逐一進(jìn)行評(píng)估決策,最終表明專家系統(tǒng)技術(shù)在城網(wǎng)中長(zhǎng)期負(fù)荷預(yù)測(cè)的方法是可行的。王德金[19]研究了國(guó)內(nèi)外常用的負(fù)荷預(yù)測(cè)算法和相應(yīng)的適用情況,采用熵權(quán)法解決組合預(yù)測(cè)權(quán)重,為使負(fù)荷預(yù)測(cè)更加智能化,該研究開(kāi)發(fā)了一套基于GIS地理信息系統(tǒng)的負(fù)荷預(yù)測(cè)模塊,設(shè)計(jì)了專家推薦模型,融合專家推薦值來(lái)不斷調(diào)整不滿意的預(yù)測(cè)結(jié)果。在中短期電力負(fù)荷預(yù)測(cè)方面,大多數(shù)學(xué)者[20-23]利用神經(jīng)網(wǎng)絡(luò)的非線性逼近能力預(yù)測(cè)負(fù)荷曲線,然后通過(guò)專家系統(tǒng)根據(jù)天氣因素或特殊事件對(duì)負(fù)荷曲線進(jìn)行修正,以此提高負(fù)荷預(yù)測(cè)精度。電力負(fù)荷預(yù)測(cè)中智能信息融合的缺陷是只有神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)預(yù)測(cè)。
中科院余樂(lè)安博士首次將智能信息融合的理念應(yīng)用于油價(jià)預(yù)測(cè)中,基本思想是:首先利用文本挖掘技術(shù)搜索影響油價(jià)波動(dòng)的各種因素,然后通過(guò)粗集預(yù)處理和神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)獲得的相應(yīng)規(guī)則形成專家系統(tǒng)的知識(shí)庫(kù),形成推理和解釋機(jī)制,最后通過(guò)用戶界面獲取相應(yīng)的預(yù)測(cè)信息,即提供各種數(shù)據(jù)頻率(天數(shù)據(jù)、周數(shù)據(jù)、月度和年度數(shù)據(jù))的油價(jià)預(yù)測(cè)結(jié)果。在此過(guò)程中,石油價(jià)格序列中非線性信息通過(guò)非線性模型預(yù)測(cè),線性信息通過(guò)線性模型預(yù)測(cè),不規(guī)則事件通過(guò)專家系統(tǒng)來(lái)處理,最后將不同的信息融合在一起形成最終預(yù)測(cè)結(jié)果[24]。
總之,兩類基于信息多源化的預(yù)測(cè)模型,第一類是以模型信息為核心,通過(guò)多源模型組合的不斷創(chuàng)新以最大限度捕捉能源需求系統(tǒng)的信息,已取得了較大的預(yù)測(cè)進(jìn)展以及較好的預(yù)測(cè)精度,第二類是以專家信息源為核心,通過(guò)專家系統(tǒng),融合不規(guī)則事件的影響,突破并克服了第一類模型的局限性,捕捉到多源模型無(wú)法擬合的“突變點(diǎn)”,使預(yù)測(cè)系統(tǒng)更加智能化。
從文獻(xiàn)歸納和梳理中可以看出,能源需求預(yù)測(cè)方法逐漸向規(guī)范性、可行性及智能化轉(zhuǎn)變,盡管國(guó)內(nèi)外學(xué)者對(duì)能源需求預(yù)測(cè)問(wèn)題進(jìn)行了有益的探索和研究,但在能源需求預(yù)測(cè)模型中可從以下兩方面改進(jìn):
(1)構(gòu)建基于非線性變權(quán)重的能源需求組合預(yù)測(cè)模型
目前在能源需求預(yù)測(cè)領(lǐng)域,非線性組合預(yù)測(cè)模型普遍優(yōu)于線性組合預(yù)測(cè)模型。而已有非線性組合模型中,神經(jīng)網(wǎng)絡(luò)模型既有效地利用了神經(jīng)網(wǎng)絡(luò)的非線性映射能力,又克服了通常對(duì)不同預(yù)測(cè)方法適用性強(qiáng)調(diào)不足的缺陷。因此,關(guān)于非線性不變權(quán)的神經(jīng)網(wǎng)絡(luò)組合模型得到了廣泛的應(yīng)用,但是神經(jīng)網(wǎng)絡(luò)非線性可變權(quán)組合預(yù)測(cè)仍是空白。可變權(quán)組合預(yù)測(cè)方法尤其是非線性可變權(quán)方法比較復(fù)雜,因此研究成果并不多見(jiàn),未來(lái)有進(jìn)一步研究空間,這也是本文能源需求預(yù)測(cè)考慮的重要研究方法。
(2)構(gòu)建基于多源信息融合的能源需求預(yù)測(cè)模型
在分析智能信息融合的基礎(chǔ)上,進(jìn)一步拓展信息源,構(gòu)建基于多源信息融合的能源需求預(yù)測(cè)模型(MIF組合預(yù)測(cè)模型)。設(shè)想的思路是:首先將非線性變權(quán)重的組合模型預(yù)測(cè)結(jié)果視為第一個(gè)信息源,然后通過(guò)專家經(jīng)驗(yàn)判斷的方式,量化各種突發(fā)事件或政策調(diào)整的影響,診斷異常點(diǎn)對(duì)預(yù)測(cè)結(jié)果的影響,將影響結(jié)果視為第二個(gè)信息源,最后將多個(gè)預(yù)測(cè)機(jī)構(gòu)的預(yù)測(cè)數(shù)據(jù)作為第三個(gè)信息源。在此多源信息基礎(chǔ)上通過(guò)變權(quán)非線性融合技術(shù)賦予這三個(gè)信息源不同的權(quán)重,從而得到最終的預(yù)測(cè)結(jié)果。該思路實(shí)質(zhì)上也是一種智能信息融合系統(tǒng),當(dāng)然,模型的實(shí)用性和可行性既要考慮到研究對(duì)象的數(shù)據(jù)特征,也要考慮到模型求解的具體技術(shù)方法。
[1]徐國(guó)強(qiáng),胡清友.統(tǒng)計(jì)預(yù)測(cè)與決策[Z].上海:上海財(cái)經(jīng)大學(xué)出版社,1998.
[2]Bates J M,Granger C W.The Combination of Forecasts[J].Journal of OperationalResearchSociety,1969,20(4).
[3]汪同三,張濤.組合預(yù)測(cè):理論,方法及應(yīng)用[M].北京:社會(huì)科學(xué)文獻(xiàn)出版社,2008.
[4]盧奇,顧培亮,邱世明.組合預(yù)測(cè)模型在我國(guó)能源消費(fèi)系統(tǒng)中的建構(gòu)及應(yīng)用[J].系統(tǒng)工程理論與實(shí)踐,2003,(3).
[5]張玉春,郭寧,任劍翔.基于組合模型的甘肅省能源需求預(yù)測(cè)研究[J].生產(chǎn)力研究,2013,(11).
[6]秦晉棟.基于熵權(quán)灰色組合預(yù)測(cè)模型的區(qū)域能源需求預(yù)測(cè)研究[J].價(jià)值工程,2012,31(4).
[7]侯運(yùn)炳,張文,張浩等.煤炭需求最優(yōu)組合預(yù)測(cè)[J].煤炭工程,2008,(11).
[8]趙國(guó)浩,郭淑芬,申屠菁等.基于變權(quán)組合預(yù)測(cè)模型探討中國(guó)煤炭需求[J].資源與生態(tài)學(xué)報(bào):(英文版),2011,2(2).
[9]Donaldson R G,Kamstra M.Forecast Combining With Neural Networks [J].JournalofForecasting,1996,15(1).
[10]周揚(yáng),吳文祥,胡瑩等.基于組合模型的能源需求預(yù)測(cè)[J].中國(guó)人口.資源與環(huán)境,2010,20(4).
[11]陳華友,劉春林.基于IOWA算子的組合預(yù)測(cè)方法[J].預(yù)測(cè),2003,22 (6).
[12]陳華友,程蕾,張倩.基于相關(guān)系數(shù)的IOWA算子最優(yōu)組合預(yù)測(cè)模型[C].第四屆中國(guó)不確定系統(tǒng)年會(huì)論文集,2006.
[13]胡彥,李秀美,陳華友.基于IOWA算子的稅收組合預(yù)測(cè)模型[J].統(tǒng)計(jì)與決策,2009,(10).
[14]周禮剛,陳華友,丁子千等.基于Theil不等系數(shù)的IOWGA算子組合預(yù)測(cè)模型[J].安徽大學(xué)學(xué)報(bào)(自然科學(xué)版),2010,(1).
[15]周揚(yáng),吳文祥,胡瑩等.基于組合模型的能源需求預(yù)測(cè)[J].中國(guó)人口.資源與環(huán)境,2010,20(4).
[16]張麗峰.中國(guó)能源供求預(yù)測(cè)模型及發(fā)展對(duì)策研究[D].北京:首都經(jīng)濟(jì)貿(mào)易大學(xué)學(xué)報(bào),2006.
[17]Meadows D L,Meadows D H,Zahn E et al.Die Grenzen des Wachs?tums:Bericht des Club of Rome zur Lage der Menschheit[M]. DeutscheVerlags-AnstaltStuttgart,1972.
[18]倪軍,楊明志,楊期余.專家系統(tǒng)技術(shù)應(yīng)用于城網(wǎng)負(fù)荷預(yù)測(cè)[J].供用電, 1994,(5).
[19]王德金.基于熵權(quán)法的電力中長(zhǎng)期負(fù)荷組合預(yù)測(cè)[D].北京:華北電力大學(xué),2007.
[20]于希寧,牛成林,李建強(qiáng).基于決策樹(shù)和專家系統(tǒng)的短期電力負(fù)荷預(yù)測(cè)系統(tǒng)[J].華北電力大學(xué)學(xué)報(bào),2005,32(5).
[21]夏道止,王錫凡,周琳等.基于RBF神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的短期負(fù)荷預(yù)測(cè)方法[J].西安交通大學(xué)學(xué)報(bào),2001,35(4).
[22]招海丹,余得偉.電力負(fù)荷短期預(yù)測(cè)的模糊專家系統(tǒng)修正方法[J].廣東電力,2001,14(1).
[23]Kim K,Park J,Hwang K et al.Implementation of Hybrid Short-term Load Forecasting System Using Artificial Neural Networks and Fuzzy ExpertSystems[J].PowerSystems,IEEETransactionson,1995,10(3).
[24]余樂(lè)安,汪壽陽(yáng),黎建強(qiáng).外匯匯率與國(guó)際原油價(jià)格波動(dòng)預(yù)測(cè)—TEI@ I方法論[M].長(zhǎng)沙:湖南大學(xué)出版社,2006.
(責(zé)任編輯/亦 民)
F206
A
1002-6487(2016)23-0029-04
國(guó)家自然科學(xué)基金資助項(xiàng)目(71273206;71273207);陜西省軟科學(xué)計(jì)劃重點(diǎn)項(xiàng)目(2012KR2-01);陜西省教育廳科研計(jì)劃項(xiàng)目(2010JK185)
馮 雪(1986—),女,陜西西安人,博士研究生,研究方向:能源經(jīng)濟(jì)與管理。
張金鎖(1962—),男,陜西西安人,教授,博士生導(dǎo)師,研究方向:資源環(huán)境政策、管理系統(tǒng)工程。