[发明专利]基于改进神经网络算法的建设用地面积预测方法

权利要求书

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)；

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。

3.根据权利要求2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，变异系数反映了数据的离散程度，其计算公式如下：

其中，σ是一组数据的标准差，μ是该组数据的平均值。

4.根据权利要求3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，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。

5.根据权利要求4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，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。

6.根据权利要求5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：所述建设用地面积变化的假设模型可表示为公式(8)：

y＝h_θ(x₁，x₂，x₃，x₄，x₅，x₆，x₇，x₈，x₉，x₁₀，x₁₁，x₁₂，x₁₃，x₁₄) (8)

上述公式可简写为

y＝h_θ(x) (9)

式中：y表示雅安市建设用地面积；x₁、x₂、x₃、x₄、x₅、x₆、x₇、x₈、x₉、x₁₀、x₁₁、x₁₂、x₁₃和x₁₄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。