城市规模扩张预测方法评价.doc

预测方法评价： 单要素预测： （1）一元回归预测法：该方法具有应用简便、快捷的特点，但是建设用地需求变化量较少呈典型直线或曲线回归函数关系，在实际应用中受到局限 （2）定额指标法：该方法是按照国家规定的各类建设用地定额指标，测算未来某一时期用地规模，该方法简单、易操作，但是调整幅度小、灵活性不强 （3）趋势预测法：该方法是根据过去的数据预测未来发展趋势，但是要求指标是连续性渐进变化的，因而当遇到指标值某一年发生较大变化，结果往往会有较大偏差 趋势预测由于将现在的发展趋势向未来做延伸,而对于目前经济社会发展较快的地区而言,未来建设用地需求量增长速度要高于当前的建设用地需求量增长速度,所以趋势预测法所得的结果可能偏低,应将其预测结果作为最低参考方案。 （4）马尔科夫预测法：该方法是利用某一变量的现在状态和动向去预测该变量未来的状态及其动向的一种分析手段，但由于理论较为抽象，数据处理较烦琐，测算应借助计算机软件，难度较大。 （5）灰色系统模型：精度较高，在长期预测中与实际情况非常吻合。该方法适用样本数量较少、时序较短、波动较大的数列，能够解决无经验又缺少数据的不确定性问题，但难以反映建设用地需求量在各个发展时期的特征和波动趋势。 双因素预测法： 该方法相对单要素模型能科学和准确的预测未来，但是由于影响建设用地需求的因素有 很多，所以仍然存在一定的片面性。 多要素预测： 多元回归分析法：确定预测值与影响因子之间的函数关系，该模型的前提是各种要素的规模报酬不变，在现实经济运行很难实现。该方法是一个因变量与多个自变量在数量关系上存在的线性关系，具有一定的科学性预测的精度较高，但是操作过程比较复杂。 人工神经网络预测模型：人工神经网络具有高度的非线性映射，特别适用于需要同时考虑多因素或条件不精确的非线性信息处理问题，较适合研究建设用地需求量预测。 BF神经网络模型：传统的BF神经网络对建模条件要求较为苛刻，如果不符合建模条件，建立的网络模型则存在模型精度难以控制的缺陷。如网络学习收敛速度慢、易陷入局部最小而难以实现全局最优等，但其最大的问题是如何确定隐含层的单元数，这需要反复进行试验以确定相对最合理的网络模型结构 RBF神经网络模型：RBF神经网络能以任意精度全局逼近任意非线性关系，表现出了极强的处理复杂非线性系统的能力 PCA-RBF神经网络：“突变”增长条件下建设用地需求预测模型，提出基于主元分析（PCA）与径向基函数（RBF）神经模型相结合 小波神经网络模型 组合预测： 模糊神经网络：将模糊逻辑嵌入到神经网络中，使其学习时间、训练步数及精度等各方面都优于常规神经网络。基于因果聚类的模糊预测 灰色-多元耦合预测模型：能全面的反映系统发展过程中各因素的影响情况，为系统预测提供了一种有价值的新方法。 灰色-马尔科夫链预测模型：该方法既能发挥灰色系统预测的特点，又能利用马尔科夫模型预测波动性数据准确的优势，具有较好的科学性和实用性。 优化组合模型：分别运用指数模型、 logistic 模型、灰色系统模型和二元线性回归模型，预测建设用地需求量，在此基础上，通过优化组合，确定四种预测方法在优化组合模型中的权重系数，得出了优化组合模型的预测结果。 一般均衡模型（CGE） 生产函数构建建设用地需求预测模型：柯布一道格拉斯生产函数，适应性不够 人均占用建设用地与恩格尔系数的线性关系模型：实际差距大,甚至相反 人均占用建设用地与城市化的线性关系模型：单因素预测法，与现实相差较大，尽可能提高人均建设用地和城镇化率的预测精度 时间序列的ARIMA预测模：随着预测期的延长，准确性降低 回归分析法：回归分析预测法对原始数据的要求比较高,需要涉及经济、社会发展状况等多方面的统计数据,而且需要分析出影响建设用地需求量变化主要因子是什么:同时还要首先对回归分析预测模型中影响建设用地需求量变化的自变量进行较为精确的预测。采用该方法需要掌握尽量详实的研究区基础数据,同时要求运用者要有比较强的专业知识背景,能合理控制研究对象以外的有关因素,即要在的变化过程中尽量使其他因素保持稳定一致;否则回归分析很有可能导致预测结果的偏差。其预测结果偏大,但由于该方法设置了生态效益等约束条件,因而也保障了土地资源的可持续利用。 灰色预测模型：不仅适用样本数量较少,波动较大的数列,而且淡化了多元灰色因素的干扰积累,预测效果较好。由于灰色模型预测是根据指数曲线发展趋势进行预测,所以其预测结果有时会偏高,但当残差相对值多数为正时,有可能造成预测结果的偏低。分项预测参照土地利用规划编制规程的要求,而且将建设用地划分较细致的几大类行分别预测,可以在相关部门获取涉及该类用地变化的详细资料,了解相关的政策走向,结合定量与定性分析,比较能够反映当地建设用地的实际用地需求。 利用GIS城镇用地布局： 利用G