神经网络和卡尔曼算法在石油需求预测中的应用  

Application of Neural Networks and Kalman Algorithm in Oil Demand Prediction

作　　者：孙梅[1] 邓星[1] 董同明 

机构地区：[1]江苏大学能源发展与环境保护战略研究中心,江苏镇江212013

出　　处：《北京理工大学学报（社会科学版）》2013年第6期10-15,共6页Journal of Beijing Institute of Technology：Social Sciences Edition

基　　金：国家自然科学基金资助项目(71073071;71273119)

摘　　要：分析中国1978—2009年影响石油需求的8个相关指标数据。将指标分成3组,通过每组指标的数据分别用广义回归神经网络和误差反向传播神经网络(GRNN和BPNN)方法对2013年的中国石油需求量进行预测,并对其预测结果进行比较。进一步采用神经网络平均影响值(Mean Impact Value,MIV)方法,从影响石油需求时间序列的相关指标数据中筛选出对石油需求影响最大的5个变量。用选出的5个变量,根据AIC准则确定了时间序列的阶数,并建立了石油需求的AR时间序列模型。采用卡尔曼滤波算法和Rauch-Tung-Striebel(RTS)算法对AR模型进行了后验估计。卡尔曼滤波算法使得模型参数得以更新,且相关仿真结果表明,对于AR模型的输出起到较好的修正作用,从而提高了模型的预测精度。This paper analyzes the eight indicators which affected oil demand from the year 1978 to 2009. Setting the indicators into three groups and applying different group data, China＇s oil demand is estimated in 2013 by the method of generalized regression neural network （GRNN） and back propagation neural network （BPNN）. Five indicators which have great influence on oil demand are picked via Mean Impact Value method. Based on the five variables, the order of autoregressive （AR）model is established by employing Akaike information criterion. A posteriori estimation of the AR model is carried out by the Kalman algorithm and Rauch- Tung-Striebel （RTS） algorithm. The results indicate that Kalman filter algorithm could amend the AR model well by updating the parameters and improve the accuracy of the prediction.

关 键 词：石油需求预测 神经网络 自回归模型 卡尔曼滤波 RTS算法 

分 类 号：TK018[动力工程及工程热物理]