摘 要：会影响到地区生态环境可持续发展。因此准确地预测未来人口的发展趋势并制定相应的人口布局方案具有重大的理论意义和现实意义。利用 NAR 动态神经网络模型，以 1949—2010 年我国人口总数为训练样本，对 2011—2017 年人口总数进行了预测，预测结果与实际人口总数具有较好的吻合度，绝对误差在 50 万人之内。表明利用该方法可进一步预测未来我国人口总数，为人口政策制定提供科学依据。同时，NAR 神经网络的预测结果受参数选取的影响较大，在进行实际应用时应充分利用先验信息进行约束。
关键词：计算机神经网络；NAR 动态神经网络；人口数量；预测方法
DOI:10.19850/j.cnki.2096-4706.2022.16.024
中图分类号：TP18 文献标识码：A 文章编号：2096-4706（2022）16-0092-04
Population Quantity Prediction Method Based on NAR Neural Network
XU Chen
(China National Petroleum Corporation Bureau of Geophysical Prospecting, Zhuozhou 072750, China)
Abstract: Population scale is an important control indicator in city planning and general land-use planning. Whether the population scale is reasonable or not will not only affect the future regional economic and social development, but also affect the sustainable development of regional ecological environment. Therefore, it is of great theoretical and practical significance to predict accurately the future trend of population development and formulate the corresponding population layout scheme. This paper uses the NAR dynamic neural network model and takes the total population of China from 1949 to 2010 as the training sample, predicts the total population from 2011 to 2017. The predicted results are in good agreement with the actual total population, and the absolute error is within half a million. It shows that using this method can further predict the total population of China in the future and provide a scientific basis for population policy-making. At the same time, the prediction results of NAR neural network are greatly affected by the setting of parameters, and the priori information should be made full use to constrain it in practical application.
Keywords: computer neural network; NAR dynamic neural network; population quantity; prediction method
参考文献：
[1] 宋国鹏，张述清，朱大明，等 . 小波变换和 DGM（2，1）模型在昆明市人口预测中的应用 [J]. 贵州大学学报（自然科学版），2022，39（2）：59-65.
[2] 朱振华，濮励杰，彭补拙，等 . 长江三角洲地区耕地数量变化及保护对策——以吴江市为例 [J]. 长江流域资源与环境，2001（4）：316-322.
[3] 黄明知，罗荣桂，吴兵，等 . 区域最优人口规模测评模型研究 [J]. 武汉理工大学学报，2004（8）：93-95.
[4] 侯瑞环，徐翔燕 . 基于改进 GM（1，1）模型的中长期人口预测 [J]. 统计与决策，2021，37（1）：186-188.
[5] 杨丽霞，杨桂山，苑韶峰 . 数学模型在人口预测中的应用——以江苏省为例 [J]. 长江流域资源与环境，2006（3）：287-291.
[6] 毕小龙，袁勇 . 基于 BP 神经网络的人口预测方法研究 [J].武汉理工大学学报（交通科学与工程版），2007，46（3）：556-558.
[7] 石贤贤 . 北京市人口预测研究综述 [J]. 现代经济信息，2019（16）：490+493.
[8] SAMARASINGHE S. Neural Networks for Applied Sciences and Engineering [M].Boca Raton：Auerbach Publications，2007.
[9] 马飞虎，金依辰，孙翠羽 . 基于 EMD 优化 NAR 动态神经网络的地铁客流量短时预测模型 [J].应用科学学报，2020，38（6）：936-943.
[10] 魏涛涛，朱利明，卓静超 . 基于 NAR 动态神经网络的桥梁 SHM 应变预测 [J]. 工程建设与设计，2020（13）：143-145.
[11] 余缜，李军 . 基于 NAR 神经网络的船舶运动姿态短期预测 [J]. 计算机与数字工程，2021，49（7）：1346-1349.
[12] SUNAYANA，KUMAR S，KUMAR R. Forecasting of municipal solid waste generation using non-linear autoregressive （nar）neural models [J].Waste Management，2021，121：206-214.
[13] 岳新征，李磊民，孙飞 . 基于 NAR 动态神经网络的石英挠性加速度表参数建模与预测 [J].西南科技大学学报，2016，31（1）：88-92.
[14] SWARAJ A，KARAN V，KAURB A，et al. Implementation of Stacking Based ARIMA Model for Prediction of Covid-19 Cases in India [J/OL].Journal of Biomedical Informatics，2021，121：[2021-12-01].https://linkinghub.elsevier.com/retrieve/pii/S1532046421002161.
[15] 袁鲁山 . 基于 NAR 神经网络的车速预测及应用 [D]. 大连：大连理工大学，2016.
[16] 李析男，王宁，梅亚东，等 .NAR 神经网络的应用与检验——以城市居民生活需水定额为例 [J]. 灌溉排水学报，2017，36（11）：122-128.
作者简介：许晨（1987—），女，汉族，河北涿州人，初级职称，本科，主要研究方向：计算机神经网络、时间序列分析。