基于灰色Verhulst-BP神经网络的中国电解铜消费峰值预测

数学理论与应用 ›› 2017, Vol. 37 ›› Issue (3-4): 78-92.

基于灰色Verhulst-BP神经网络的中国电解铜消费峰值预测

黄小峰，廖丽佩，朱灏

中南大学数学与统计学院

出版日期:2017-12-30 发布日期:2020-09-22

Prediction of Consumption Peak of Electrolytic Copper in China Based on a Grey Verhulst-BP Neural Network

Huang Xiaofeng， Liao Lipei ，Zhu Hao

School of Mathematics and Statistics,Central South University,

Online:2017-12-30 Published:2020-09-22

摘要/Abstract

摘要： 本文选取1999-2015年中国电解铜及铜消费典型行业数据,采用 Adaptive-Lasso方法梳理､分析并识别出影响中国铜消费量的关键行业,以此为基础构建灰色Verhulst和BP神经网络的组合模型,并用此模型预测中国铜消费量.中国铜消费峰值将于2020-2026年到达,峰值范围在990万吨-1300万吨之间,基于这一预测结果,建议铜冶炼生产能力控制在1280-1690万吨以内,并应抑制新增冶炼投资,避免出现产能过剩.

关键词: 铜消费峰值, Adaptive-Lasso, 灰色, Verhulst, BP神经网络

Abstract: This paper selects the typical industry data of copper and copper consumption in China in the years 1999-2015and applies the adaptive-Lasso method to analyze and identify the key industries that affect the consumption of copper in China.Based on the analysis,a combined model of grey Verhulst and BP neural net-work is constructed,and the consumption of copper in China is predicted by this model.The peak of copper consumption in China will arrive in the years 2020-2026,with a peak range of 990×10⁴-1300×10⁴tons.And we suggest that the copper smelting production capacity should be controlled within 1280×10⁴-1690× 10⁴tons,and the new smelting investment should be suppressed so as to avoid overcapacity.

Key words: Copper consumption peak, Adaptive-Lasso, Grey, Verhulst, BP neural network

黄小峰, 廖丽佩, 朱灏. 基于灰色Verhulst-BP神经网络的中国电解铜消费峰值预测[J]. 数学理论与应用, 2017, 37(3-4): 78-92.

Huang Xiaofeng, Liao Lipei , Zhu Hao. Prediction of Consumption Peak of Electrolytic Copper in China Based on a Grey Verhulst-BP Neural Network[J]. Mathematical Theory and Applications, 2017, 37(3-4): 78-92.

[1]	尚雅欣, 雷小洁 , 方子牛 , 张宏伟. 基于GA-BP神经网络模型的抗乳腺癌候选药物活性预测[J]. 数学理论与应用, 2024, 44(2): 103-125.
[2]	李逸群耿秀丽苏男 . 基于灰色理论模型预测上海市质量竞争力指数[J]. 数学理论与应用, 2019, 39(1): 101-110.
[3]	梁志勋, 袁泉, 曾祥艳 . 改进的多维灰色模型与支持向量机的组合预测[J]. 数学理论与应用, 2018, 38(3-4): 101-110.
[4]	李昭明, 匡巧娟, 黄浩, 王浩华. 海南省科技投入与经济增长的关联度分析—基于改进的灰色T型关联度 [J]. 数学理论与应用, 2018, 38(1-2): 118-128.
[5]	梁小林, 陈林萍. 基于神经网络的滑动式验证码人机识别研究[J]. 数学理论与应用, 2017, 37(3-4): 43-50.
[6]	霍剑光, 任贵政 , 杨扬. 基于LASSO的神经网络权值阈值优化方法[J]. 数学理论与应用, 2017, 37(1): 61-66.
[7]	王洁, 王波. 基于最小二乘法的GM(1,1)模型在我国蔬菜产量预测中的应用研究 [J]. 数学理论与应用, 2016, 36(4): 116-124.