CN112529403B - 一种运用神经网络算法确定建设用地面积影响因素权重值的方法 - Google Patents
一种运用神经网络算法确定建设用地面积影响因素权重值的方法 Download PDFInfo
- Publication number
- CN112529403B CN112529403B CN202011431551.5A CN202011431551A CN112529403B CN 112529403 B CN112529403 B CN 112529403B CN 202011431551 A CN202011431551 A CN 202011431551A CN 112529403 B CN112529403 B CN 112529403B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- value
- influence factor
- sample data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种运用神经网络算法确定建设用地面积影响因素权重值的方法,对原始样本数据进行了扩展,将原始样本数据分成两组,将第二组的样本数据依次减去第一组的样本数据形成新的扩大后的样本数据,采取这样先分组然后一一对应计算差值的方法即对样本进行了扩展,又不改变各影响因素对建设用地面积的重要性程度。另外本专利建立新的BP神经网络对扩大后的样本进行训练并提取了相关规律,MIV又被认为是在神经网络中评价变量相关性最好的指标之一。采用本发明确定影响因素与建设用地面积权重系数的计算方法更加合理和具有科学性。
Description
技术领域
本发明涉及一种运用神经网络算法确定建设用地面积影响因素权重值的方法,属于评价指标权重系数预测技术领域。
背景技术
建设用地面积作为衡量村镇可持续健康发展最基本的指标之一,研究建设用地面积的各个影响因素对其的影响程度即权重是非常有必要的,这就需要根据影响因素的重要性确定其权重大小。在以前的评价方法中,传统的评价指标权重系数的确定方法带有很大的模糊性,有时离差也显得过大,同时权重确定中人为因素影响也很大。随着时间、空间的推移,各指标对其对应问题的影响程度也可能发生变化,确定的初始权重不一定符合实际情况。再者考虑到整个分析评价是一个复杂的非线性大系统,必须建立权重的学习机制,这些正是人工神经网络解决问题的优势所在。
建设用地面积数据及其影响因素数据在收集的过程中往往面临数据残缺或者数据不准确的问题,可用的样本数据较少,而神经网络的样本数据量及准确度对建设用地面积影响因素权重值的计算精度影响非常大。
但目前发明人还未发现有采用神经网络解决上述土地面积影响因素权重值来进行土地面积指标评价研究公开。
发明内容
发明目的:本发明提供一种运用神经网络算法确定建设用地面积影响因素权重值的方法,该方法足够客观又不脱离实际,弥补了现有评价指标权重系数确定方法的不足之处,使得影响因素与建设用地面积权重系数的计算更加客观精确。
技术方案:一种运用神经网络算法确定建设用地面积影响因素权重值的方法,其特征在于,包括以下几个步骤:
S1、收集待测地区历年的建设用地面积数据以及相应的归一化后的影响因素数据作为样本数据一,所述数据一包含有M个数据样本;
S2、将样本数据一按年份先后分成A1组、A2组,所述A1组中包含有M1个样本数据,所述A2组中包含有M2个样本数据,用A2组中的每个建设用地面积样本数据依次减去A1组中的每个建设用地面积样本数据,以及用A2组中的每个影响因素数据依次减去A1组中的每个影响因素数据得到样本数据二;
S3、将所述样本数据二分为训练集和验证集,并将训练集中的影响因素数据作为BP神经网络的输入数据P,建设用地面积数据作为网络的输出数据Y;
S4、用训练集中的样本数据训练BP神经网络,用验证集中的样本数据对此网络进行验证,确定最终的BP神经网络;
S5、将输入数据P中某个影响因素的值在其原值的基础上分别加和减10%构成两组新的输入数据P1和P2;
S6、将两组新的输入数据P1和P2输入到所述BP神经网络中去,得到两个预测数据Y1和Y2;
S7、求出Y1和Y2的差值,这个差值即为该影响因素对应于某地建设用地面积的MIV值;
S8、重复步骤S5、S6、S7,直到求出每个影响因素对应于某地建设用地面积的MIV值,求各MIV的绝对值,对这些绝对值进行归一化处理计算各影响因素的权重值;
S9、将步骤S4到S8运行若干次,并取计算结果的平均值作为最终的影响因素权重值。
本发明进一步限定的技术方案为:在S2步骤中,当M为偶数时,M1=M2=M/2;当M为奇数时,M1=M/2+1/2,M2=M/2-1/2。
作为优选,所述最终的BP神经网络为14-4-1,其中:14为影响因素数量,4为隐含层节点数,1为输出层节点数;该神经网络模型的建立包括如下几个步骤:
第一步,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8%以内,固定此时的参数,进而确定相应的假设模型;
第二步,将验证集样本数据分别输入假设模型,预测相应的建设用地面积值,当误差大于8%时,重新训练该模型,当误差小于8%时,固定此模型。
作为优选,在步骤S5中,令训练集中的输入数据矩阵P=(p(1),p(2),…,p(n)),其中p(j)表示第j个影响因素值对应的输入列向量,这里n=14;表示将P中的p(j)在其原值的基础上加10%构成的新的输入矩阵;/>表示将P中的p(j)在其原值的基础上减10%构成的新的输入矩阵。
有益效果:与现有技术相比,本发明对原始样本数据进行了扩展,将原始样本数据分成两组,将第二组的样本数据依次减去第一组的样本数据形成新的扩大后的样本数据,采取这样先分组然后一一对应计算差值的方法即对样本进行了扩展,又不改变各影响因素对建设用地面积的重要性程度。另外本专利建立新的BP神经网络对扩大后的样本进行训练并提取了相关规律,MIV又被认为是在神经网络中评价变量相关性最好的指标之一。因此,又在此基础上加入了MIV算法程序来确定影响因素的权重系数,形成一套更精确的计算影响因素与建设用地面积权重系数的计算方法,采用本发明确定影响因素与建设用地面积权重系数的计算方法更加合理和具有科学性。
具体实施方式
下面结合具体实施例,进一步阐明本发明。
本实施例以雅安市为例说明如何运用神经网络算法来确定建设用地面积的各影响因素权重值,具体包括以下几个步骤:
S1、收集雅安市近12年的建设用地面积数据以及相应的进行最大最小归一化处理后的14个影响因素数据作为样本数据一,样本数据一包含有12个样本。
S2、扩大样本数据——因为样本数据一中含偶数个样本,所以将样本数据一按年份先后均分成两组A1和A2,A1组包含前6年的样本数据;A2组包含后6年的样本数据,用A2组中的每个建设用地面积样本数据依次减去A1组中的每个建设用地面积样本数据,以及用A2组中的每个影响因素数据依次减去A1组中的每个影响因素数据得到样本数据二;样本数据二包含有6*6个样本。
S3、将样本数据二中的34个样本数据作为训练集,影响因素数据作为神经网络输入数据P,建设用地面积数据作为神经网络输出数据Y,将剩余2个样本数据作为验证集;
S4、引入改进后的BP神经网络,用训练集中的样本数据训练一个BP神经网络,用验证集中的样本数据对此网络进行验证,确定一个正确的BP神经网络,步骤包括:
第一步,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8%以内,固定此时的参数,进而确定相应的假设模型;
第二步,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8%时,重新训练该模型,当误差小于8%时,固定此模型,本实施例最终确定的神经网络模型为14-4-1,其中:14为影响因素数量,4为隐含层节点数,1为输出层节点数;本实施例神经网络模型的建立已在另外专利中公开,在此不再赘述。
S5、将输入数据P中某个影响因素的值在其原值的基础上分别加和减10%构成两组新的输入数据P1和P2,具体操作如下:
令训练集中的输入数据矩阵P=(p(1),p(2),…,p(n)),其中p(j)表示第j个影响因素值对应的输入列向量,这里n=14;
表示将P中的p(j)在其原值的基础上加10%构成的新的输入矩阵;
表示将P中的p(j)在其原值的基础上减10%构成的新的输入矩阵;例如第1个影响因素对应的/>和/>
S6、将两组新的输入数据和/>输入到S4中已经训练好的一个正确的BP神经网络中去,得到两个预测数据/>和/>
S7、令Y(j)即为第j个影响因素对应于雅安市建设用地面积的MIV值。
S8、计算每个影响因素对应于某地建设用地面积的MIV值——Y(j)
求各MIV的绝对值,对这些绝对值进行归一化处理来计算各影响因素的权重值。
S9将S3到S8这个过程运行10次,取10次计算结果的平均值作为最终雅安市建设用地面积14个影响因素的权重值。
运用MIV算法计算样本扩大前和样本扩大后雅安市建设用地面积各影响因素的权重值的结果如表1所示,此表按样本扩大后运算结果的大小降序排序。
表1
注:RC(Ranking changes)即排名变动,它表示样本扩大后影响因素权重排序相对于样本扩大前的影响因素权重排序的变化。
样本扩大后的各影响因素权重值的排序中,前五名依次是房地产业、人均国内生产总值、批发和零售业、GDP以及工业产值。
雅安市住房供不应求,虽然雅安市区土地储备量有限,每年推出的土地数量也较少,但房地产业的土地用量还是占相当大的比例的,因此由扩大样本后用MIV计算得出的房地产业是雅安市建设用地面积最重要的决定因素的结论是合理的。
近些年来,由于雅安市人均国内生产总值不断提高,雅安市人民的购买能力也就相应的不断增强,这就不断刺激着批发和零售业的发展,使人均国内生产总值以及批发和零售业成为影响建设用地面积变化的重要因素。
雅安市GDP也是持续增长的,建设用地面积的变化必然与GDP的变化有很大的相关性,近些年雅安市政府积极推进工业的发展,制定出了有利于工业发展的若干政策,未来雅安市还要朝着绿色工业的方向发展,因此工业这个影响因素的权重值排在前几名也是符合实际的。
从表1中可以看出,样本扩大后的渔业总产值、农业总产值、牧业总产值和林业总产值的权重值都很小且比较接近,这与雅安市渔业、农业、牧业以及林业平稳发展的情况是相符的。雅安市历年总人口数变化不大且不论是样本扩大前还是样本扩大后总人口的权重值都是最小的,这证明本发明所采取的扩大样本数据进而用神经网络确定建设用地面积影响因素权重值的方法是合理的。
由于本发明采用先分组再一一对应计算差值的方法将原始的样本数据最大化的进行了扩展,因此对扩大后的样本进行MIV计算的结果更加强调各影响因素变化对建设用地面积变化的影响程度,又加上样本扩大后对神经网络的训练更加精确这一优点,使得本发明中确定影响因素与建设用地面积权重系数的计算方法更加具有科学性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (4)
1.一种运用神经网络算法确定建设用地面积影响因素权重值的方法,其特征在于,包括以下几个步骤:
S1、收集待测地区历年的建设用地面积数据以及相应的归一化后的影响因素数据作为样本数据一,所述数据一包含有M个数据样本;
S2、将样本数据一按年份先后分成A1组、A2组,所述A1组中包含有M1个样本数据,所述A2组中包含有M2个样本数据,用A2组中的每个建设用地面积样本数据依次减去A1组中的每个建设用地面积样本数据,以及用A2组中的每个影响因素数据依次减去A1组中的每个影响因素数据得到样本数据二;
S3、将所述样本数据二分为训练集和验证集,并将训练集中的影响因素数据作为BP神经网络的输入数据P,建设用地面积数据作为网络的输出数据Y;
S4、用训练集中的样本数据训练BP神经网络,用验证集中的样本数据对此网络进行验证,确定最终的BP神经网络;
S5、将输入数据P中某个影响因素的值在其原值的基础上分别加和减10%构成两组新的输入数据P1和P2;
S6、将两组新的输入数据P1和P2输入到所述BP神经网络中去,得到两个预测数据Y1和Y2;
S7、求出Y1和Y2的差值,这个差值即为该影响因素对应于某地建设用地面积的MIV值;
S8、重复步骤S5、S6、S7,直到求出每个影响因素对应于某地建设用地面积的MIV值,求各MIV的绝对值,对这些绝对值进行归一化处理计算各影响因素的权重值;
S9、将步骤S4到S8运行若干次,并取计算结果的平均值作为最终的影响因素权重值。
2.根据权利要求1所述的运用神经网络算法确定建设用地面积影响因素权重值的方法,其特征在于:在S2步骤中,当M为偶数时,M1=M2=M/2;当M为奇数时,M1=M/2+1/2,M2=M/2-1/2。
3.根据权利要求1所述的运用神经网络算法确定建设用地面积影响因素权重值的方法,其特征在于:所述最终的BP神经网络为14-4-1,其中:14为影响因素数量,4为隐含层节点数,1为输出层节点数;该神经网络模型的建立包括如下几个步骤:
第一步,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8%以内,固定此时的参数,进而确定相应的假设模型;
第二步,将验证集样本数据分别输入假设模型,预测相应的建设用地面积值,当误差大于8%时,重新训练该模型,当误差小于8%时,固定此模型。
4.根据权利要求1所述的运用神经网络算法确定建设用地面积影响因素权重值的方法,其特征在于:在步骤S5中,令训练集中的输入数据矩阵P=(p(1),p(2),…,p(n)),其中p(j)表示第j个影响因素值对应的输入列向量,这里n=14;表示将P中的p(j)在其原值的基础上加10%构成的新的输入矩阵;/>表示将P中的p(j)在其原值的基础上减10%构成的新的输入矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011431551.5A CN112529403B (zh) | 2020-12-07 | 2020-12-07 | 一种运用神经网络算法确定建设用地面积影响因素权重值的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011431551.5A CN112529403B (zh) | 2020-12-07 | 2020-12-07 | 一种运用神经网络算法确定建设用地面积影响因素权重值的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529403A CN112529403A (zh) | 2021-03-19 |
CN112529403B true CN112529403B (zh) | 2023-09-15 |
Family
ID=74999741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011431551.5A Active CN112529403B (zh) | 2020-12-07 | 2020-12-07 | 一种运用神经网络算法确定建设用地面积影响因素权重值的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529403B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214579A (zh) * | 2018-09-20 | 2019-01-15 | 山东省林业科学研究院 | 基于bp神经网络的盐碱地稳定性预测方法及系统 |
CN109360018A (zh) * | 2018-09-27 | 2019-02-19 | 郑州轻工业学院 | 一种基于人工神经网络的模糊宗地地价评估方法 |
CN110363344A (zh) * | 2019-07-11 | 2019-10-22 | 安徽理工大学 | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446405B (zh) * | 2016-09-23 | 2018-12-18 | 北京大学深圳研究生院 | 一种集成电路器件神经网络建模样本选择方法及装置 |
-
2020
- 2020-12-07 CN CN202011431551.5A patent/CN112529403B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214579A (zh) * | 2018-09-20 | 2019-01-15 | 山东省林业科学研究院 | 基于bp神经网络的盐碱地稳定性预测方法及系统 |
CN109360018A (zh) * | 2018-09-27 | 2019-02-19 | 郑州轻工业学院 | 一种基于人工神经网络的模糊宗地地价评估方法 |
CN110363344A (zh) * | 2019-07-11 | 2019-10-22 | 安徽理工大学 | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112529403A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN108596327B (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
CN109992921B (zh) | 一种燃煤电厂锅炉热效率的在线软测量方法及系统 | |
CN110622182A (zh) | 基于多时序属性元素深度特征的小麦重度病害预测方法 | |
CN110210495B (zh) | 基于并行LSTM自编码器动态特征提取的XGBoost软测量建模方法 | |
CN109215740A (zh) | 基于Xgboost的全基因组RNA二级结构预测方法 | |
CN112289391B (zh) | 一种基于机器学习的阳极铝箔性能预测系统 | |
CN111354338B (zh) | 基于pso卷积核优化稀疏迁移学习的帕金森语音识别系统 | |
CN115906675B (zh) | 基于时序多目标预测模型的井位及注采参数联合优化方法 | |
CN108491686B (zh) | 一种基于双向XGBoost的基因调控网络构建方法 | |
CN109101717A (zh) | 基于现实与模糊数据深度融合学习的固体火箭发动机可靠性预测方法 | |
CN109754122A (zh) | 一种基于随机森林特征提取的bp神经网络的数值预测方法 | |
CN111915022B (zh) | 滑移式岩溶危岩稳定系数快速识别的高斯过程方法及装置 | |
CN116153495A (zh) | 一种食管癌患者免疫治疗预后生存预测方法 | |
CN113140254A (zh) | 元学习药物-靶点相互作用预测系统及预测方法 | |
CN108062566A (zh) | 一种基于多核潜在特征提取的智能集成软测量方法 | |
CN115188412A (zh) | 基于Transformer和图神经网络的药物预测算法 | |
CN112614021A (zh) | 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法 | |
CN112529415B (zh) | 基于组合多感受野图神经网络的物品评分方法 | |
CN112529403B (zh) | 一种运用神经网络算法确定建设用地面积影响因素权重值的方法 | |
CN115952685A (zh) | 基于集成深度学习的污水处理过程软测量建模方法 | |
CN115083511A (zh) | 基于图表示学习与注意力的外围基因调控特征提取方法 | |
CN114881359A (zh) | 融合GBDT和XGBoost的路面IRI预测方法 | |
CN110991600B (zh) | 一种融合分布估计算法与极限学习机的干旱智慧预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |