肖 进,孙海燕,刘敦虎,曹瀚文,汪寿阳

(1. 四川大学商学院，四川 成都 610064；2. 成都信息工程学院管理学院，四川 成都 610225；3. 中国科学院数学与系统科学研究院，北京 100190)

1 引言

随着改革开放的发展，我国的能源消费呈现出逐年增长的势头，1978年至2013年，我国的能源消费总量由57144万吨标准煤增加至375000万吨标准煤，增长了6.56倍，其中，石油的年均增长率为12.34%[1]。近二十年来，如何科学预测能源消费一直是各国学者研究的热点问题[2]。能源是影响社会发展和国民经济的重要因素，随着我国工业化水平和城市化进程的进一步提高，能源将处于越来越重要的战略地位[3]。因此，准确的预测能源消费对我国能源行业的发展以及国家能源战略的制定有着重要的现实意义[4]。

20世纪70年代以来，国内外众多学者对能源消费预测进行了深入的研究，提出了许多预测方法[5]。这些方法大致可以分为两类：第一类，时间序列分析模型，包括自回归求积移动平均(Autoregressive Integrated Moving Average，ARIMA)模型[6]和灰色预测模型[7, 8]等。例如，Erdogdu[9]利用ARIMA模型对电力需求进行了分析。第二类，非线性预测模型。时间序列模型大多基于线性假设，不能很好地刻画原始数据中非线性的特征，在复杂度较高的非线性时间序列中预测效果不佳。常用的非线性模型有：1)人工神经网络(Artificial Neural Network，ANN)模型[10]，包括反向传播(Back Propagation，BP)神经网络[11]和径向基函数(Radial Basis Function，RBF)神经网络[12-14]。这类模型运用灵活，估计合理，预测精度较高，同时也能处理数据中的噪声，因而得到广泛应用。例如，胡雪棉和赵国浩[11]运用BP神经网络预测煤炭需求；……