基于BP神经网络的城市建设土地分析模型

生一恒 李京儒 张天伟 孔令达 孙境蔚

摘 要：城市建设中土地成本的计量时较为关键的，但是目前来说很多模型和方法都很难将其进行统筹考虑，从因此本文建立模型来对其进行更加科学有效地评估。本文建立BP神经网络模型，对于多年数据进行训练与预测，由此得到以上各指标的变化趋势，对于附加成本较高的指标，采用更加科学而有效的手段对其进行控制，由此可以判断土地项目决策者的控制手段的效果。我们可以计算发现，从2015年到2021年，水资源、矿产资源和废物总成本这三个权重较大的指标一直在提升，从2015年的911479、628471、754840一直上升到2021年的968539、668197、791740，因此需要采取合理手段对其进行控制，才能够使得其成本得到控制。

关键词：BP神经网络

1、Basic assumptions

各个统计网站上提供的相关数据真实有效；

本文选取指标符合实际，客观、科学的反映出城市人才情況；

本文选取的指标简单明了，均可以量化。

本文采用的BP神经网络预测法对城市未来不确定因素发生概率基本正确

2、模型分析

本文建立BP神经网络模型，对于多年数据进行训练与预测，由此得到以上各指标的变化趋势，对于附加成本较高的指标，采用更加科学而有效的手段对其进行控制，同时利用BP神经网络对于控制后的成本进行分析，由此可以判断土地项目决策者的控制手段的效果。

输入信号 通过中间节点（隐层点）作用于输出节点，经过非线形变换，产生输出信号 ，网络训练的每个样本包括输入向量 和期望输出量 ，网络输出值 与期望输出值 之间的偏差，通过调整输入节点与隐层节点的联接强度取值 和隐层节点与输出节点之间的联接强度 以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。

Step1.网络初始化。给各连接权值分别赋一个区间（-1，1）内的随机数，设定误差函数 ，给定计算精度值 和最大学习次数M。

Step2.随机选取第 个输入样本 及对应期望输出

Step3.计算隐含层各神经元的输入 和输出 及输出层各神经元的输入 和输出

Step4.利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数 。

Step5.利用隐含层各神经元的 和输入层各神经元的输入修正连接权 。

Step6.计算全局误差。

Step7.判断网络误差是否满足要求。当误差达到预设精度或学习次数大于设定的最大次数，则结束算法。否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习。

我们可以计算发现，从2015年到2021年，水资源、矿产资源和废物总成本这三个权重较大的指标一直在提升，从2015年的911479、628471、754840一直上升到2021年的968539、668197、791740，因此需要采取合理手段对其进行控制，才能够使得其成本得到控制。

在水资源成本方面：污水分流、部分排出污染水体中水量、引入清水冲污等措施虽然可以部分减轻污染水体的压力，但是工程巨大，而且将污染转移到分流区域，可能造成新的污染区。玄武湖和西湖的经验表明，污水分流和引水冲污难以取得预期效果，藻类繁殖在短暂受抑制（3个月）后又恢复原状。富含营养物质的底泥在一定条件下会释放出氮磷，成为水体的内源性污染源，因而底泥挖掘一度成为富营养化水体治理的重要措施。然而底泥挖掘工程巨大，挖出的底泥难以进一步处理，从经济上来说，这可能是最昂贵的措施。由于底泥中氮磷的吸收和释放过程复杂，目前尚无明确认识，底泥挖掘常常收不到预期效果。甚至因为破坏了水'底部生物和水生植物环境，将深层底泥暴露，使其中所含的氮磷溶解到水体中，而在一段时期内加深水华。玄武湖和西湖的经验证明了该法弊病很多，必须慎重考虑。

在矿产资源成本方面：矿产资源高效节约利用有利于消除矿山废弃物的环境污染和安全威胁、实现矿业可持续发展。目前已经初步形成了一矿多开、吃干榨净的“无废生产”，降低了开发强度。将上一生产过程产生的废物依次转化为下一个生产过程的原料和能源，对固体废弃物和尾矿开展提纯、发电、填充置换资源、制备建材等再利用，对废气和粉尘回收发电或制备建材，对废水循环回收利用或二次回注，使系统内部企业之间形成协调、互补共生关系，最大限度地充分利用资源和减少对环境的负面影响，从源头上减少了废物排放量和再回收利用废弃物。总结推广国内已经形成的矿产资源综合利用先进技术和开发模式，无疑将成为节约资源和保护生态环境的重要举措，已经成为当务之急。

3 模型预测

本文利用神经网络进行了相关预测，能以任意精度逼近任何非线性连续函数。在建模过程中的许多问题正是具有高度的非线性。在神经网络中信息是分布储存和并行处理的，这使它具有很强的容错性和很快的处理速度。神经网络在训练时，能从输入、输出的数据中提取出规律性的知识，记忆于网络的权值中，并具有泛化能力，即将这组权值应用于一般情形的能力。

参考文献

[1] Linlin Xia，Yan Zhang，Qiong Wu，Lumeng Liu. Analysis of the ecological relationships of urban carbon metabolism based on the eight nodes spatial network model[J]. Journal of Cleaner Production，2017，140.

[2] Tao Wang，Likun Xue，Peter Brimblecombe，Yun Fat Lam，Li Li，Li Zhang. Ozone pollution in China：A review of concentrations，meteorological influences，chemical precursors，and effects[J]. Science of the Total Environment，2017，575.