地理科学进展 2019 , 38 (6): 851-860 https://doi.org/10.18306/dlkxjz.2019.06.006

研究论文

北京城市代谢预测研究——基于长短期记忆神经网络模型

刘炳春¹^,, 齐鑫¹, 王庆山²^,^*^,

1. 天津理工大学管理学院,天津 300384
2. 天津农学院,天津 300384

Urban metabolism prediction of Beijing City based on long short-term memory neural network

LIU Bingchun¹^,, QI Xin¹, WANG Qingshan²^,^*^,

1. School of Management, Tianjin University of Technology, Tianjin 300384, China
2. Tianjin Agricultural University, Tianjin 300384, China

通讯作者: *通信作者简介：王庆山(1987— ),男,安徽蚌埠人,讲师,研究方向为区域经济与生态工业工程。E-mail: tigermountain@yeah.net

收稿日期: 2018-10-4

修回日期: 2019-03-18

网络出版日期: 2019-06-28

基金资助: 国家自然科学基金项目(71503180)天津市教委社会科学重大项目(2017JWZD16)

作者简介:

第一作者简介：刘炳春(1980— ),男,河北衡水人,副教授,主要研究方向为深度学习与数据挖掘、循环经济。E-mail: tjutlbc@163.com

展开

摘要

城市化进程提升促使城市环境污染加剧、能源消耗激增、人口密度过大等问题的深层次原因在于城市代谢失调。为精准预测北京市城市代谢变化趋势,论文通过能源消费量及人类活动时间指标测算了1980—2016年北京市体外能代谢率,表征城市代谢程度。据此运用长短期记忆神经网络模型(LSTM)预测了2017—2022年北京各部门体外能代谢率。结果表明：① 基于长短期记忆神经网络的城市代谢预测模型精度较高,能够对北京各部门体外能代谢率进行更为精准的预测;② 2017—2022年间,北京第一产业和总体外能代谢率呈下降趋势,其中第一产业在2017年达到峰值,第二、第三产业及生活部门体外能代谢率将呈现增长趋势。③ 除第一、第三产业和总体外能代谢率外,历史变化的时间扰动幅度先小后大。④ 对各部门体外能代谢率EMR_T的影响贡献度最大的因子为第二产业体外能代谢率EMR₂,最小的为第一产业体外能代谢率EMR₁。论文研究结果可为政策制定者优化城市管理方案、提升城市综合实力提供理论依据和决策支持。

关键词： 长短期记忆神经网络 ; 体外能代谢率 ; 城市代谢 ; 北京

Abstract

The underlying causes of aggravating urban environmental pollution, escalating energy consumption, population overcrowding, and other urban environmental problems are imbalances in urban metabolism. In order to accurately predict the trend of urban metabolism changes in Beijing City, the exosomatic metabolic rate of Beijing from 1980 to 2016 was estimated by the indicators of energy consumption and human activity time, and the degree of urban metabolism was characterized. Based on the results, the long short-term memory (LSTM) neural network model was used to predict the exosomatic metabolic rate of various sectors in Beijing from 2017 to 2022. The results show that: 1) the urban metabolic prediction model based on LSTM neural network has high accuracy and can make more accurate prediction on the exosomatic metabolic rate of various sectors in Beijing. 2) From 2017 to 2022, the exosomatic metabolic rate of the primary industry and the overall external energy in Beijing show a downward trend, among which the primary industry reached its peak in 2017, and the exosomatic metabolism rates of the secondary and tertiary industries show an increasing trend. 3) Except for the primary industry, tertiary industry and the overall exosomatic metabolic rate, the temporal perturbation of historical change ranged from small to large. 4) The factors that contribute the most to EMR_T are EMR₂, and the least are EMR₁. This study may provide a theoretical basis and decision-making support for policymakers to optimize urban management plans and enhance urban comprehensive strength.

Keywords： long short-term memory neural network ; exosomatic metabolic rate ; urban metabolism ; Beijing

PDF (4916KB) 元数据多维度评价相关文章收藏文章

本文引用格式导出 EndNote Ris Bibtex

刘炳春, 齐鑫, 王庆山. 北京城市代谢预测研究——基于长短期记忆神经网络模型[J]. 地理科学进展, 2019, 38(6): 851-860 https://doi.org/10.18306/dlkxjz.2019.06.006

LIU Bingchun, QI Xin, WANG Qingshan. Urban metabolism prediction of Beijing City based on long short-term memory neural network[J]. Progress in Geography, 2019, 38(6): 851-860 https://doi.org/10.18306/dlkxjz.2019.06.006

城市化进程提升促使城市环境污染加剧、能源消耗激增、人口密度过载等问题,制约了城市稳定持续发展,其深层次原因在于城市代谢的失调(宋涛等, 2013a)。城市代谢系统是城市经济发展、自然环境和社会环境的协同进化系统(Munro et al, 1991)。城市中各部门的能量流动类似于生态系统中食物链的能量流动过程(Yan et al, 2016),能量的消耗和流动是评价城市代谢程度常见的考虑因素(Yan et al, 2017)。

目前,多数学者聚焦于通过历史数据,运用系统动力学(李旋旗等, 2012)、生态网络效用(Li et al, 2018)、能值分析(Qi et al, 2017)、多尺度综合评估(Silva-Macher, 2016)等方法,评价城市的历史代谢程度。如Song(2014)等构建城市代谢系统动力学模型考察了北京资源、环境保护、进出口、产业等元素之间的相互作用关系;Elliot等(2018)运用系统动力学方法,结合生命周期思维,从人口、能源、经济等因素,评估城市项目、规划与实施的潜力;Vafa-Arani等(2014)从空气污染角度,探究伊朗德黑兰城市运行效率。部分学者通过生态网络分析中的网络流量和效用分析,解构城市能量代谢系统组成结构及其相互复杂关系(Zhang et al, 2011),揭示城市代谢各部门相对贡献率(Zhai et al, 2018)。Pincetl等(2012)进一步运用能值分析对城市资源与能源流动过程进行评价,识别出其发展特征。部分学者应用DEA(宋涛等, 2013b)、MuSIASEM(Tejedor-Flores et al, 2017)等方法从体外能代谢率、代谢效率以及社会能量代谢与人口之间的系统耦合关系(Scheidel, 2013)等视角,对城市代谢指标进行了定量评价。

多数学者认为体外能代谢率能够有效评估城市代谢程度,如Giampietro和Mayumi共同构建“社会代谢多尺度综合评估(MuSIASEM)”模型评价城市代谢(Mayumi, 1991; Giampietro et al, 1997; Giampietro et al, 2000);基于MuSIASEM模型,Lu等(2016)从经济、社会和生态的角度分析了上海的代谢模式;Hadiye等(2009)对加泰罗尼亚城市代谢的历史发展趋势进行了研究。Han等(2018)揭示东京、伦敦、巴黎、上海4个区域的城市代谢路径的关键影响因素;刘晔等(2011)分析了中国省份层面的城市代谢。Martín等(2008)构建MSIASM方法分析了巴西、智利和委内瑞拉的城市代谢。

虽然有关城市代谢方面的研究较多,但多数学者聚焦于城市历史代谢情况的研究,鲜有预测城市代谢变化趋势的相关文献,难以有效识别城市未来代谢系统变化趋势,无法解决基于历史数据评价的城市代谢调整滞后的问题。此外,常用的物质流分析、生态足迹分析等城市代谢研究方法对人类活动不够重视(Wang et al, 2017)。而人口活动是城市活动过程的主体,亦为城市代谢分析中的重要组成部分,城市的经济增长受人口活动影响显著(李恒, 2019)。城市体外能代谢率则结合人口活动与能量流动代谢状况,是城市各种经济活动的技术系数组合和资本化水平的表征指标(王天送, 2008),可以有效表征城市代谢水平(Giampietro et al, 2006)。社会能量代谢与人口之间的系统耦合关系,即体外能代谢率能够表征城市代谢程度,已成为学者的共识。

北京作为京津冀一体化核心节点,是中国政治、文化、国际交往、科技创新中心,也同样面临着巨大城市发展压力,亟需提升城市综合发展能力,以提升人民的生产、消费和服务水平。

因此,本文将根据北京体外能代谢率的历史数据,选取体外能代谢率作为城市代谢的表征指标,构建城市代谢趋势预测模型,精准预测2017—2022年北京城市代谢变化趋势,探讨不同情境下北京城市代谢趋势变化差异,探寻城市代谢趋势控制机制,以期为政策制定者优化城市管理方法、提升城市综合实力提供理论依据及决策支持。

1 基于长短期记忆神经网络的城市代谢预测模型

根据上文可知体外能代谢率能够有效表征城市代谢程度,而长短期记忆神经网络(long short-term memory neural network, LSTM)能够有效处理长期数据对预测值的精度影响问题,能够较为准确地预测时间序列变化趋势,已被广泛运用于光伏能源(Abdel-Nasser et al, 2017)、股票价格(Jiang et al, 2018)、水资源流量(Yuan et al, 2018)、云数据(Kumar et al, 2018)等数据预测领域。因而,本文以体外能代谢率为表征指标,运用LSTM模型进行北京市城市代谢趋势预测。预测流程分为采用社会能量代谢与人口之间的系统耦合关系的体外能代谢率历史值测算以及基于LSTM的体外能代谢率预测。具体流程如图1所示。

显示原图| 下载原图ZIP| 生成PPT

图1 基于长短期记忆神经网络的城市代谢预测模型

Fig.1 Urban metabolic prediction model based on long short-term memory (LSTM) neural network

本文将基于人口和能源消费量测算的各部门体外能代谢率作为原始数据,分割处理为训练数据和测试数据2部分作为输入指标。训练数据用于计算机通过LSTM模型自主学习,测试数据则用于检验LSTM模型的学习结果,学习和检验效果最佳的模型作为预测模型进行预测。

1.1 基于社会能量代谢与人类活动系统耦合关系的体外能代谢率测算

首先,本文根据体外能投入和人口活动的社会经济系统中的叠合关系,借鉴文献(王天送, 2008),测算北京历史体外能代谢率EMR,测算函数如下：

$EM R_{T} = E T_{T} / H A_{T}$ (1)

$EM R_{i} = E T_{i} / H A_{i} \begin{matrix} (i = 1,2, 3,4) \end{matrix}$ (2)

$H A_{i} = P_{i} \times α$ (3)

$H A_{T} = H A_{1} + H A_{2} + H A_{3} + H A_{4}$ (4)

$E T_{i} = β X_{i}$ (5)

$E T_{T} = E T_{1} + E T_{2} + E T_{3} + E T_{4}$ (6)

式中：EMR_T为城市体外能代谢率,表征平均每小时人类活动所消耗的体外能量(MJ/h);EMR_i为各部门体外能代谢率,i=1、2、3、4,分别表征第一产业、第二产业、第三产业和生活部门;HA_T为人类活动时间,表征人口活动的时间投入量(h),指经济系统内年人口活动量总和(包含睡眠与休息时间);HA_i为各部门的人类活动时间;P_i为该经济系统人口数量;ET_T为体外能投入量,表征经济系统年体外能代谢数量,体外能代谢是城市居民保持生存和发展所消耗的除食物摄取之外的能量消耗情况;ET_i为各部门的体外能投入量(J);X为部门终端能源消耗量;α、β为折算系数。

1.2 基于LSTM的体外能代谢率预测

其次,将体外能代谢率的历史数据 $EM R_{}^{history}$ 作为预测模型的输入指标,按照8∶2的比例分为训练数据 $EM R_{train}^{history}$ 和测试数据 $EM R_{test}^{history}$ 两部分。其中, $EM R_{train}^{history}$ 用于长短期记忆神经网络的城市代谢预测模型修正, $EM R_{test}^{history}$ 则用于模型准确性检验。为体现基于LSTM的体外能代谢率预测的合理性,以平均绝对百分误差(mean absolute percentage error, MAPE)作为误差的判断标准,其计算公式如下：

$MAPE = \frac{1}{n} \overset{n}{\sum_{i = 1}} |\frac{y - y_{i}}{y}| \times 100 %$ (7)

式中： $y$ 表示实际值; $y_{i}$ 表示预测值。

指标的输入形式为 $t_{1}$ 、 $t_{2}$ 两部分, $t_{1}$ 为上一年的体外能代谢率, $t_{2}$ 为当年的体外能代谢率。将分割好的体外能代谢率的历史数据 $EM R_{}^{history}$ ,代入LSTM模型,即可预测未来一年城市体外能代谢率数值EMR_i^*;再将预测数值与历史数值 $EM R_{}^{history}$ 和EMR_i^*反向输入LSTM模型,即将预测出来的EMR_i^*重新作为输入指标,放入 $t_{2}$ 部分,则可继续预测下一年的城市体外能代谢率,据此迭代预测未来5 a体外能代谢率数值。本文采用的LSTM神经元(Ma et al, 2015)如图2所示。

显示原图| 下载原图ZIP| 生成PPT

图2 LSTM神经元示意图

Fig.2 Long short-term memory (LSTM) neuron diagram

图2为单个LSTM神经元示意图,较一般RNN神经网络多出3个门限单元,分别为输入门、遗忘门以及输出门。当信息输入到LSTM的模型中,通过系列的计算机模型处理规则,不符合的信息会通过遗忘门遗忘,有效的的信息会通过输出门输出。LSTM输入为 $x = (x_{1}, x_{2}, \dots, x_{t})$ ,输出为 $y = (y_{1}, y_{2}, \dots, y_{t})$ ,其中 $t$ 为预测的时间。其计算方法如下：

$i_{t} = σ (w_{ix} x_{t} + w_{im} m_{t - 1} + w_{ic} c_{t - 1} + b_{i})$ (8)

$f_{t} = σ (w_{fx} x_{t} + w_{fm} m_{t - 1} + w_{fc} c_{t - 1} + b_{f})$ (9)

$c_{t} = f_{t} \otimes c_{t - 1} + i_{t} \otimes g (w_{cx} x_{t} + w_{cm} m_{t - 1} + b_{c})$ (10)

$o_{t} = σ (w_{ox} x_{t} + w_{om} m_{t - 1} + w_{oc} c_{t} + b_{o})$ (11)

$m_{t} = o_{t} \otimes h (c_{t})$ (12)

$y_{t} = w_{ym} m_{t} + b_{y}$ (13)

式中：i_t、f_t、c_t、o_t分别为t时刻的输入门、遗忘门、细胞状态和输出门的计算方法;w和b分别为对应的权重系数矩阵和偏置向量;m_t为t时刻的输出; $\otimes$ 为向量的标量积; $σ (x)$ 、 $g (y)$ 、 $h (z)$ 则为sigmoid函数：

$σ (x) = \frac{1}{1 + e^{- x}}, g (y) = \frac{1}{1 + e^{- y}}, h (z) = \frac{1}{1 + e^{- z}}$ (14)

LSTM属于深度学习的一种计算机学习方法,其优秀的可扩展性使其成为处理序列数据相关问题的有效模型(Greff et al, 2017)。LSTM可以更好地处理RNN神经网络在长序列处理中梯度逐渐缩小或消失,受短期记忆影响更大的问题。如图3所示,本文的LSTM模型包括输入层、隐藏层和输出层。原始数据通过输入层进入,经过隐藏层筛选信息,最后通过输出层输出最终结果。LSTM的隐藏层由多个神经元细胞组成,主要负责记住更多的有效信息,遗忘无效的短期信息,从而加强拟合能力。本文使用单层LSTM的模型,关键参数如下：时间步长为1,隐藏层神经元为32个,训练次数为10万次,学习率为0.0001。

显示原图| 下载原图ZIP| 生成PPT

图3 LSTM模型

Fig.3 Long short-term memory (LSTM) model

2 结果分析

2.1 数据来源及筛选

根据实际情况,将北京市社会经济系统划分为第一产业、第二产业、第三产业和生活部门。本文体外能投入量ET_T及ET_i数据来源于1981—2017年北京市统计年鉴中终端能源消费量,根据式(5)折算所得。HA_T及HA_i依据式(3)计算所得,社会总活动时间HA_T的折算系数β为一年的小时数。依据中国性别统计资料,第一产业的年工作时间为2148 h(Geng et al, 2011)。HA₂、HA₃中β根据我国法定工作时间计算(每天工作8 h,去除法定节假日)。人口数量来源于1981—2017年北京市统计年鉴常住人口及第一、第二、第三产业从业人口。选取1980—2016年总计36 a的数据进行测算。

2.2 1980—2016年北京城市代谢历史数值测算

本文基于社会能量代谢与人类活动系统耦合关系,测算北京市及其各部门体外能代谢率,及投入量,1980—2016年历史数值如图4所示。

显示原图| 下载原图ZIP| 生成PPT

图4 北京及其各部门城市代谢历史变化趋势

Fig.4 The trend of urban metabolic history in Beijing and its different sectors

体外能代谢率方面(图4a),北京整体体外能代谢率变动幅度较小,2007年达到最大值12.50 MJ/h,2008年以后缓慢下降;第一产业的体外能代谢率呈现先增长后减少态势并于1993年达到峰值,其趋势与体外能投入量吻合;第二产业的体外能代谢率代数平均值为127.86 MJ/h,同样是先增长后缓慢下降的态势,并在1999年到2010年间上下波动;第三产业体外能代谢率于2014、2015年分别达到52.81、51.71 MJ/h,2016年下降为50.98 MJ/h,并呈现缓慢增长和震荡的态势;生活部门体外能代谢率在2016年达到最大值2.82 MJ/h,体外能代数平均值为1.67 MJ/h。

体外能投入量方面(图4b),总体而言,北京市的体外能投入总量从1980年的5.59×10¹¹MJ增长到2016年2.04×10¹²MJ,总量增长364%,增量巨大,除2005年外,一直呈增长趋势;各部门而言,北京生活部门体外能投入量增长相对稳定,第一产业体外能投入量从1980年一直呈现缓慢增长态势,直到1994年到达峰值,此后呈缓慢下降趋势;第二产业体外能投入量呈现先增后减的趋势,于2004年达到峰值;第三产业体外能投入量增长相对较快。

2.3 2017—2022年北京城市代谢趋势预测

本文运用LSTM模型对北京市各部门的体外能代谢率进行预测,预测时段为2017—2022年,其预测结果如表1所示。

表1 不同部门体外能代谢率预测结果

Tab.1 Prediction results of exosomatic energy metabolic rate (EMR) in different sectors

年份	第一产业		第二产业		第三产业		生活部门			总体
年份	EMR₁/(MJ/h)	增速/%	EMR₂/(MJ/h)	增速/%	EMR₃/(MJ/h)	增速/%	EMR₄/(MJ/h)	增速/%		EMR_T/(MJ/h)	增速/%
2017	22.36	1.09	143.31	1.3	52.04	2.08	2.89		2.62	10.29	-4.94
2018	22.11	-1.1	145.26	1.36	52.8	1.46	2.99		3.16	10	-2.77
2019	22.08	-0.15	147.23	1.36	53.63	1.57	3.09		3.37	9.55	-4.5
2020	21.95	-0.61	149.23	1.36	54.47	1.56	3.21		4.02	9.16	-4.13
2021	21.86	-0.41	151.26	1.36	55.33	1.57	3.35		4.26	8.69	-5.08
2022	21.75	-0.51	153.32	1.36	56.2	1.59	3.51		4.94	8.21	-5.47

新窗口打开

整体而言,北京体外能代谢率在2017—2022年每年分别达到10.29、10.00、9.55、9.16、8.69、8.21 MJ/h,表明仍然有转型的压力。北京市第一产业体外能代谢率呈下降趋势(除2017年),第二、三产业和生活部门体外能代谢率呈上升趋势。第一产业体外能代谢率波动较其他部门体外能代谢率更加频繁,从2017年的22.36 MJ/h最终降低到2022年的21.75 MJ/h。第二产业体外能代谢率从2017年的143.31 MJ/h上升到2022年的153.32 MJ/h,生活部门体外能代谢率将从2017年为2.89 MJ/h上升到2022年的3.51 MJ/h。第三产业体外能代谢率增长较为平稳,2017年为52.04 MJ/h,2022年为56.20 MJ/h。

2.4 2017—2022年北京城市代谢差异化情景预测

为探究不同的输入值对未来体外能代谢率的影响,本文对预测结果进行高增长率、历史增长率和低增长率3种情景的假设分析。以2016年的各部门体外能代谢率下降10%,作为低增长率情景;以2016年北京及各部门体外能代谢率真实值为历史增长率情景;以2016年的各部门体外能代谢率增高10%并作为高增长率情景。预测不同情景下各部门体外能代谢率,并与3.3节中依据真实历史数据的预测结果进行体外能代谢率波动比对分析,对比结果如表2、表3所示。

表2 北京城市代谢不同情景预测

Tab.2 Beijing urban metabolic prediction by different scenarios (MJ/h)

代谢率	情景分类	2018年	2019年	2020年	2021年	2022年
EMR_T	历史情景	10.00	9.55	9.16	8.69	8.21
	低增长率	9.10	8.76	8.22	7.74	7.18
	高增长率	10.90	10.33	10.07	9.61	9.23
EMR₁	历史情景	22.11	22.08	21.95	21.86	21.75
	低增长率	20.29	20.43	20.14	20.05	19.86
	高增长率	23.88	23.71	23.72	23.65	23.61
EMR₂	历史情景	145.26	147.23	149.23	151.26	153.32
	低增长率	131.48	133.26	135.06	136.89	138.74
	高增长率	159.05	161.22	163.43	165.67	167.94
EMR₃	历史情景	52.80	53.63	54.47	55.33	56.20
	低增长率	48.20	48.98	49.72	50.49	51.27
	高增长率	57.38	58.30	59.28	60.29	61.34
EMR₄	历史情景	2.99	3.09	3.21	3.35	3.51
	低增长率	2.73	2.86	2.91	3.02	3.12
	高增长率	3.26	3.33	3.54	3.71	3.97

新窗口打开

表3 不同情景下北京城市代谢扰动幅度的时序变化率

Tab.3 Time series change rate of metabolic disturbance amplitude in Beijing under different scenarios (%)

代谢率	情景分类	2018年	2019年	2020年	2021年	2022年	代数平均值
EMR_T	低增长率	-9.02	-8.27	-10.22	-10.90	-12.57	-10.19
EMR_T	高增长率	9.02	8.14	9.95	10.56	12.31	10.00
EMR₁	低增长率	-8.27	-7.48	-8.22	-8.25	-8.69	-8.18
EMR₁	高增长率	8.01	7.36	8.09	8.19	8.58	8.05
EMR₂	低增长率	-9.49	-9.49	-9.50	-9.50	-9.51	-9.50
EMR₂	高增长率	9.50	9.50	9.51	9.52	9.53	9.51
EMR₃	低增长率	-8.72	-8.68	-8.71	-8.74	-8.78	-8.73
EMR₃	高增长率	8.67	8.71	8.84	8.98	9.14	8.87
EMR₄	低增长率	-8.70	-7.20	-9.45	-9.65	-11.29	-9.26
EMR₄	高增长率	9.20	7.85	10.27	10.82	13.09	10.25

新窗口打开

相同情景下不同年份横向比较,增加历史城市代谢程度能够正向影响未来城市代谢水平。高增长率情境下,除EMR_T和EMR₄的代数平均增长率达到或超过10%,其余部门体外能代谢率增幅均未超过10%,差值在2%以内。受到其基数较小影响,EMR₄的增长率最高。较低增长率情景下,EMR_T的波动代数平均值的绝对值最高,表明其受到的影响最大,其余部门体外能代谢率的变化率的绝对值都趋近于10%。

同一年份不同情景纵向比较,除个别部门外,历史变化的时间扰动幅度先小后大。EMR_T除2022年外,EMR₃除2018年外,其余年份扰动幅度由小变大。

3 分析与讨论

3.1 代谢指标的空间分层异质性分析

为探讨输入量的空间分层异质性,本文使用由王劲峰等(2017)构建的地理探测器进行分析。地理探测器已经被证实应用于空间异质性(文琦等, 2018)、居民满意度(湛东升等, 2015)等领域,是一种合适的空间分层异质性分析的方法。本文选取不同部门的体外能代谢率作为因子进行分析,使用SPSS将EMR₁、EMR₂、EMR₃、EMR₄进行离散化,调节至地理探测器分析的合适分级,分为9级。

因素探测中,EMR₁、EMR₂、EMR₃、EMR₄对EMR_T的q统计量分别为0.7977、0.8948、0.8209、0.8464,表明EMR₄的影响最大,其次为EMR₄和EMR₃,EMR₁的影响最小。不同部门的体外能代谢率的交互探测值如表4所示。EMR₂和EMR₄的非线性增强交互最强,EMR₁和EMR₄的非线性交互最弱,任意两部门的体外能代谢率交互作用都高于单一部门的体外能代谢率。综合分析表明：北京市的第一产业体外能代谢率对北京总体外能代谢率影响作用最低,这与北京市耕地资源紧缺的现状和第一产业不是主导产业的发展定位较为符合。总体外能代谢率受第二产业体外能代谢率的影响最高,这与第二产业能源消耗量较大的产业特征相符。综合以上分析,北京市后续发展政策制定中,需要因地制宜,合理规划以保持先进产业持续发展态势,避免高耗能工业,加强低能耗、高产值产业发展,通过政策引导疏解北京非首都功能。

表4 不同部门EMR交互探测

Tab.4 Exosomatic metabolic rate (EMR) interactive detection in different sectors

代谢率	EMR₁	EMR₂	EMR₃	EMR₄
EMR₁	0.7977
EMR₂	0.9559	0.8948
EMR₃	0.9531	0.9607	0.8209
EMR₄	0.9202	0.9862	0.9397	0.8464

新窗口打开

3.2 基于长短期记忆神经网络的城市代谢预测模型有效性分析

运用长短期记忆神经网络的城市代谢预测模型能够较为精准地预测城市代谢趋势。为检验模型预测精度,本文选取当前较为成熟的支持向量回归(Support Vector Regression, SVR)、线性回归(Linear Regression, REG)、最小绝对压缩挑选机制(Least Absolute Shrinkage and Selection Operator, LAS)、提升树回归(Gradient Boosting Regression, GBR)等预测模型与核主成分分析(Kernel Principal Component Analysis, KPCA)组合,进行多组对比试验。

试验选择平均绝对百分误差(MAPE)作为评价预测精度的标准,验证结果如表5所示,各部门体外能代谢率实际值与模型预测值比较如图5所示：各个部门体外能代谢率预测精度最高的模型为LSTM,其EMR_T、EMR₁、EMR₂、EMR₃、EMR₄的MAPE分别为0.0470、0.0476、0.0779、0.0208、0.0585,低于其他模型,表明本文所建立的长短期记忆神经网络的城市代谢预测模型精度最高,测试结果拟合度较高,因而是一种合适的预测方法。

表5 不同模型的误差比较

Tab.5 Error comparison of different models

模型	EMR_T	EMR₁	EMR₂	EMR₃	EMR₄
KPCA-SVR	0.0616	0.1636	0.1048	0.4116	0.2650
KPCA-REG	0.0484	0.1879	0.1321	0.3079	6.0582
KPCA-LAS	0.0883	0.2021	0.1321	0.3081	0.4219
KPCA-GBR	0.0864	0.1133	0.2592	0.4692	0.3193
LSMT	0.0470	0.0476	0.0779	0.0208	0.0585

新窗口打开

显示原图| 下载原图ZIP| 生成PPT

图5 不同模型预测精度对比

Fig.5 Model prediction accuracy comparison curve

3.3 政策性结果分析

通过2.3及2.4节分析可见,北京的城市基本面向好,2017—2022年第二、三产业和生活部门体外能代谢率上升,而第一产业体外能代谢率(除2017年)和总体外能代谢率下降。研究发现,北京各部门体外能代谢率存在各自的特点。

受北京土地资源及水资源环境限制因素影响,第一产业体外能代谢率2017年后下降,并于2019年后年低于22 MJ/h。北京实际有耕地面积从1949年的43.1万hm²下降到2015年的21.9万hm²,主要农作物总产量(包含稻谷、冬小麦、玉米、薯类、大豆)2006年为109.17万t,到2016年下降为53.69万t,总体呈下降趋势。此外,农业用水占用大量水资源,北京2016年人均水资源仅为161.4 m³,水资源的短缺也制约了第一产业的发展。在水资源和土地资源紧缺的双重因素制约下,第一产业体外能的投入量受到限制,进而影响了第一产业体外能代谢率。

第二产业体外能代谢率高于其他部门,且在未来呈现增长态势,年均增长数值围绕2 MJ/h浮动,增速除2017年外均为1.36%。北京所施行的政策和产业结构会影响体外能投入量和人类活动时间,从而影响第二产业体外能代谢率。北京现行阶段执行人口控制政策,从政策和产业层面控制外来人口流入,导致第二产业从业人数减少进而推高第二产业体外能代谢率。在产业结构层面,北京第二产业体外能代谢率占比偏大,仍需坚决执行产业外迁、人口疏解等政策,以调节北京产业结构和首都定位,切合京津冀协同发展重大战略。

2017—2022年北京第三产业体外能代谢率持续增长,从52.04 MJ/h增长到56.20 MJ/h。北京第三产业的发展已经处于领先水平,但因从事第三产业的人数较多,且存在第三产业体外能投入量低于第二产业体外能投入量的特点,所以导致第三产业体外能代谢率低于第二产业体外能代谢率。从增长趋势分析,北京为配合2022年即将召开的冬奥会,将会严格执行环保政策并在产业方面推动电子信息、金融、文化创意产业等高端产业的发展,推动第三产业体外能投入量的增长,从而带动第三产业体外能代谢率的增长。但值得警惕的是,其他地区如深圳、杭州等地的电子信息行业、互联网行业的迅速发展,可能会对北京第三产业体外能代谢率的增长带来一定的压力。

生活部门体外能代谢率将在2017—2022年呈平缓的上升,从2017年的2.89 MJ/h开始增长,于2019年突破3 MJ/h,在2022年上升到3.51 MJ/h。生活部门的体外能代谢率从1980年开始一直呈上升,表明人民生活水平逐渐提高。北京疏解主城区人口,引导人口外流,缓解了城市的人口压力,同时提升了居民的生活质量,从而使得未来北京市生活部门体外能代谢率的上升。

受京津冀协同发展要求及北京发展策略影响,北京在疏解非首都功能时会促生城市发展阵痛期,导致总体外能代谢率未来呈现下降趋势。值得注意的是,北京总体外能代谢率超过了1999年世界平均水平(7.82 MJ/h),但仍然低于欧盟的15.81 MJ/h(Ramos-Martin et al, 2007),表明北京距离欧盟先进国家仍然有差距。北京作为中国的首都,应加强优势产业的转型升级,拓展高端产业的发展空间,继续优化人才环境,制定相关政策,吸引高端产业人才集聚,发挥高端产业人才优势,并以此为切入点增强北京竞争优势,为体外能代谢率的提高打下基础。

4 结论

城市代谢研究涉及能源、消费、人口、产业等多方面,对城市代谢进行评价及作出准确预测是一项重要任务,可以有效识别未来城市发展状况。本文通过构建基于长短期记忆神经网络的城市代谢预测模型,预测了北京城市代谢状况,得到如下结论：

(1) 通过LSTM进行北京各部门体外能代谢率预测得出,2017—2022年总体外能代谢率下降,其中第一产业体外能率在2017年达到峰值,第二、三产业和生活部门外能代谢率上升。水资源与土地资源成为限制第一产业发展的重要因素。第二、三产业的发展均会受到北京市人口疏解政策及产业优化的影响,北京居民生活水平会在未来继续提高。

(2) 基于长短期记忆神经网络的城市代谢预测模型预测误差小,各部门的MAPE均小于0.08,能较好地解决机器学习拟合度欠佳的问题,是一种适合的城市代谢预测方法。

(3) 通过不同情景分析北京城市代谢未来变化趋势,增加历史城市代谢程度能够正向影响未来城市代谢水平。历史变化的时间扰动受到不同情景的影响。

(4) 空间分层异质性分析中,EMR₂的q值最高,为0.8948,对EMR_T的影响贡献度最大,EMR₁的影响最小。

综上,本文基于长短期记忆神经网络的城市代谢预测模型丰富了城市代谢预测领域的相关理论与方法,完善了城市代谢研究理论体系,但城市代谢指标过于单一,需要进一步验证与完善。

The authors have declared that no competing interests exist.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]	李恒. 2019. 人口集中、城市群对经济增长作用的实证分析: 以中国十大城市群为例 [J]. 河南大学学报(社会科学版), 59(1): 43-52. [本文引用: 1] [Li H.2019. Empirical analysis of the effects of population concentration and urban agglomeration on economic growth . Journal of Henan University (Social Science), 59(1): 43-52. ] [本文引用: 1]
[2]	李旋旗, 花利忠. 2012. 基于系统动力学的城市住区形态变迁对城市代谢效率的影响 [J]. 生态学报, 32(10): 2965-2974. https://doi.org/10.5846/stxb201104250542 Magsci [本文引用: 1] 摘要改革开放以来我国的城市化率急速提高,城市住区形态变迁呈现出大规模、翻新频率快和多样化的特点。研究不同城市住区形态变迁前后的代谢效率变化,对我国的可持续人居环境构建有着重大的意义。运用功能分类法设计了城市代谢系统分类框架作为构建城市代谢系统动力学模型的基础,继而通过对住区与住区形态的文献调研与形态分析,将典型住区类型分为旧式住区、传统单位住区、普通商品房住区、新式商品房住区与半城市化住区。选择厦门市为研究区域,采用调查问卷进行了数据收集,并用能值分析法计算出不同住区类型的代谢效率,随后用Vensim软件构建了住区形态变迁对城市代谢效率影响的系统动力学模型。通过情景模拟后发现:住区形态的更迭过程基本上都会带来福利效率的提升,但在很多情况下会给城市整体物质代谢效率带来负面影响,交通效率与住房效率的下滑是最主要的原因。旧式住区向半城市化住区转变是仅有一个城市整体物质代谢效率提高的情景。半城市化住区和普通商品房住区向新式商品房住区转变的情景下,城市整体物质代谢效率的下降幅度与福利效率的增长幅度都较为适中。 [Li X Q, Hua L Z.2012. Landscape aesthetic assessment based on experiential paradigm assessment technology . Acta Ecologica Sinica, 32(10): 2965-2974. ] https://doi.org/10.5846/stxb201104250542 Magsci [本文引用: 1] 摘要改革开放以来我国的城市化率急速提高,城市住区形态变迁呈现出大规模、翻新频率快和多样化的特点。研究不同城市住区形态变迁前后的代谢效率变化,对我国的可持续人居环境构建有着重大的意义。运用功能分类法设计了城市代谢系统分类框架作为构建城市代谢系统动力学模型的基础,继而通过对住区与住区形态的文献调研与形态分析,将典型住区类型分为旧式住区、传统单位住区、普通商品房住区、新式商品房住区与半城市化住区。选择厦门市为研究区域,采用调查问卷进行了数据收集,并用能值分析法计算出不同住区类型的代谢效率,随后用Vensim软件构建了住区形态变迁对城市代谢效率影响的系统动力学模型。通过情景模拟后发现:住区形态的更迭过程基本上都会带来福利效率的提升,但在很多情况下会给城市整体物质代谢效率带来负面影响,交通效率与住房效率的下滑是最主要的原因。旧式住区向半城市化住区转变是仅有一个城市整体物质代谢效率提高的情景。半城市化住区和普通商品房住区向新式商品房住区转变的情景下,城市整体物质代谢效率的下降幅度与福利效率的增长幅度都较为适中。
[3]	刘晔, 耿涌, 赵恒心. 2011. 基于MSIASM方法的中国省级行政区体外能代谢分析 [J]. 生态学报, 31(11): 3133-3142. Magsci [本文引用: 1] 摘要通过社会代谢多尺度综合分析方法,采用社会不同层次人类活动时间、体外能代谢率与人类活动的社会开支和体外能的社会开支等指标,评价我国北京、天津、河北、山西、内蒙古自治区、辽宁、黑龙江、上海、福建、山东、河南、湖南、陕西、甘肃、宁夏回族自治区、新疆维吾尔自治区、吉林、江苏、浙江、安徽、江西、湖北、广东、广西壮族自治区、海南、重庆、四川、贵州、云南和青海30个省级行政区的社会可持续发展水平,并通过因子分析和相关分析方法,识别限制区域可持续发展的因素。结果表明,社会代谢多尺度综合分析方法适合于中国省级行政区的可持续发展评价;与2003年相比,2007年我国各省级单位的社会生产和消费水平普遍提高。在内蒙古自治区,矿业的迅速发展及其对工业和服务业的剧烈带动作用,造成了体外能代谢改善水平高于全国其他省级行政区。在海南省,整体工业化水平不高,以农业和旅游业为主的产业特点,使其体外能代谢的改善水平低于全国其他省级行政区。在江西和贵州,生产性行业发展过快,而服务业发展的和人民生活水平改善的滞后,导致生产部门体外能代谢水平提高,而消费部门体外能代谢水平下降。在河北、青海和新疆维吾尔自治区,社会各行业均发展较快,而人民生活水平的改善较慢,使其付薪部门体外能代谢水平提高,而家庭部门体外能代谢水平下降。在安徽和广西壮族自治区,农业生产发展和消费水平提高较快,而工业生产水平和服务业发展有所降低,使其非农生产部门体外能代谢水平下降,而农业和家庭部门的体外能改善水平提高。在山西和上海地区,工业、服务业的发展和人民生活水平改善较快,而农业生产发展较慢,导致非农部门和家庭的体外能代谢水平提高,而农业部门的体外能代谢水平有所降低。资本和技术聚集是我国大部分地区社会发展的重要影响因素。北京、天津、河北、山西、内蒙古自治区、辽宁、黑龙江、上海、福建、山东、河南、湖南、陕西、甘肃、宁夏回族自治区和新疆维吾尔自治区仍需加大力度调整地区产业结构;吉林、江苏、浙江、安徽、江西、湖北、广东、广西壮族自治区、海南、重庆、四川、贵州、云南和青海继续加大资本技术的引进力度,以解决个省级行政区经济发展中的资本技术聚集与区域产业结构的不协调问题。而且,2007年中国省级行政区社会代谢表现异常,大多数省级行政区社会开支并未随社会发展而增加,社会负担表现为自南方向北方转移的倾向;内蒙古、宁夏和新疆3个矿产资源丰富的省级行政区的经济发展使当地环境承压过重。30个省级行政区中只有上海接近中等发达国家水平,大部分省级行政区仍处于发展中国家水平,对这些国家和地区曾遇到的不可持续发展问题应引以为戒。 [Liu Y, Geng Y, Zhao H X, 2011. Societal metabolism for chinese provinces based on multi-scale integrated analysis of societal metabolism (MSIASM) . Acta Ecologica Sinica, 31(11): 43-52. ] Magsci [本文引用: 1] 摘要通过社会代谢多尺度综合分析方法,采用社会不同层次人类活动时间、体外能代谢率与人类活动的社会开支和体外能的社会开支等指标,评价我国北京、天津、河北、山西、内蒙古自治区、辽宁、黑龙江、上海、福建、山东、河南、湖南、陕西、甘肃、宁夏回族自治区、新疆维吾尔自治区、吉林、江苏、浙江、安徽、江西、湖北、广东、广西壮族自治区、海南、重庆、四川、贵州、云南和青海30个省级行政区的社会可持续发展水平,并通过因子分析和相关分析方法,识别限制区域可持续发展的因素。结果表明,社会代谢多尺度综合分析方法适合于中国省级行政区的可持续发展评价;与2003年相比,2007年我国各省级单位的社会生产和消费水平普遍提高。在内蒙古自治区,矿业的迅速发展及其对工业和服务业的剧烈带动作用,造成了体外能代谢改善水平高于全国其他省级行政区。在海南省,整体工业化水平不高,以农业和旅游业为主的产业特点,使其体外能代谢的改善水平低于全国其他省级行政区。在江西和贵州,生产性行业发展过快,而服务业发展的和人民生活水平改善的滞后,导致生产部门体外能代谢水平提高,而消费部门体外能代谢水平下降。在河北、青海和新疆维吾尔自治区,社会各行业均发展较快,而人民生活水平的改善较慢,使其付薪部门体外能代谢水平提高,而家庭部门体外能代谢水平下降。在安徽和广西壮族自治区,农业生产发展和消费水平提高较快,而工业生产水平和服务业发展有所降低,使其非农生产部门体外能代谢水平下降,而农业和家庭部门的体外能改善水平提高。在山西和上海地区,工业、服务业的发展和人民生活水平改善较快,而农业生产发展较慢,导致非农部门和家庭的体外能代谢水平提高,而农业部门的体外能代谢水平有所降低。资本和技术聚集是我国大部分地区社会发展的重要影响因素。北京、天津、河北、山西、内蒙古自治区、辽宁、黑龙江、上海、福建、山东、河南、湖南、陕西、甘肃、宁夏回族自治区和新疆维吾尔自治区仍需加大力度调整地区产业结构;吉林、江苏、浙江、安徽、江西、湖北、广东、广西壮族自治区、海南、重庆、四川、贵州、云南和青海继续加大资本技术的引进力度,以解决个省级行政区经济发展中的资本技术聚集与区域产业结构的不协调问题。而且,2007年中国省级行政区社会代谢表现异常,大多数省级行政区社会开支并未随社会发展而增加,社会负担表现为自南方向北方转移的倾向;内蒙古、宁夏和新疆3个矿产资源丰富的省级行政区的经济发展使当地环境承压过重。30个省级行政区中只有上海接近中等发达国家水平,大部分省级行政区仍处于发展中国家水平,对这些国家和地区曾遇到的不可持续发展问题应引以为戒。
[4]	宋涛, 蔡建明, 倪攀, 等. 2013a. 城市新陈代谢研究综述及展望 [J]. 地理科学进展, 32(11): 1650-1661. [本文引用: 1] [Song T, Cai J M, Ni P, et al.2013. Review and prospects of urban metabolism research . Progress in Geography, 32(11): 1650-1661. ] [本文引用: 1]
[5]	宋涛, 蔡建明, 倪攀, 等. 2013b. 基于能值和DEA的中国城市新陈代谢效率分析 [J]. 资源科学, 35(11): 2166-2173. [本文引用: 1] [Song T, Cai J M, Pan N, et al.2013. Chinese urban metabolic efficiencies based on emergy and DEA . Resources Science, 35(11): 2166-2173. ] [本文引用: 1]
[6]	王天送. 2008. 社会代谢多尺度综合评估(MSIASM)的基本理论与实践 [J]. 地球科学进展, 27(1): 63-70. [本文引用: 2] [Wang T.2008. The rationale of multiple-scale integrated assessment of societal metabolism . Advances in Earth Science, 27(1): 63-70. ] [本文引用: 2]
[7]	王劲峰,徐成东. 2017. 地理探测器: 原理与展望 [J]. 地理学报, 72(1): 116-134. [本文引用: 1] [Wang J, Xu C.2017. Geodetector: Principle and prospective . Acta Geographica Sinica, 72(1): 116-134. ] [本文引用: 1]
[8]	文琦,施琳娜,马彩虹, 等. 2018. 黄土高原村域多维贫困空间异质性研究: 以宁夏彭阳县为例 [J]. 地理学报, 73(10): 1850-1864. [本文引用: 1] [Wen Q, Shi L, Ma C, et al.2018. Spatial heterogeneity of multidimensional poverty at the village level: Loess Plateau . Acta Geographica Sinica, 73(10): 1850-1864. ] [本文引用: 1]
[9]	湛东升,张文忠,余建辉, 等. 2015. 基于地理探测器的北京市居民宜居满意度影响机理 [J]. 地理科学进展, 34(8): 966-975. https://doi.org/10.18306/dlkxjz.2015.08.004 URL [本文引用: 1] 摘要城市宜居性是与居民生活质量密切相关的科学议题,深入探讨宜居满意度影响机理对把握转型期北京市居民居住环境需求、促进宜居城市建设等具有重要的现实意义。以北京市为案例,基于2013年宜居城市大规模问卷调查数据,运用因子分析方法提取了北京市居民宜居满意度主要感知因素,并分别从居民宜居感知因素、个体与家庭属性因素两个视角,借助地理探测器方法揭示了北京市居民宜居满意度特征与影响机理。研究发现:1北京市居民宜居满意度主要由污染噪声因子、生活设施因子、人文环境因子、出行便捷因子、自然环境因子、安全环境因子和休闲活动因子等7个维度构成。2宜居满意度受到宜居感知因素和个体与家庭属性共同影响,但宜居感知因素的解释力明显要强,其中污染噪声因子、自然环境因子和出行便捷因子等因素是关键因子。3宜居满意度与宜居感知因素具有相对一致性,且存在个体与家庭属性差异。通常宜居感知因素得分低居民,其宜居满意度也相对较低;另外,远郊区、租赁房、有迁居经历、男性、30~39岁、高中学历、家庭月收入5000元以下和外地户口等社会群体的宜居满意度明显要低。 [Zhan D, Zhang W, Yu J, et al.2015. Analysis of influencing mechanism of residents' livability satisfaction in Beijing using geographical detector . Progress in Geography, 34(8): 966-975. ] https://doi.org/10.18306/dlkxjz.2015.08.004 URL [本文引用: 1] 摘要城市宜居性是与居民生活质量密切相关的科学议题,深入探讨宜居满意度影响机理对把握转型期北京市居民居住环境需求、促进宜居城市建设等具有重要的现实意义。以北京市为案例,基于2013年宜居城市大规模问卷调查数据,运用因子分析方法提取了北京市居民宜居满意度主要感知因素,并分别从居民宜居感知因素、个体与家庭属性因素两个视角,借助地理探测器方法揭示了北京市居民宜居满意度特征与影响机理。研究发现:1北京市居民宜居满意度主要由污染噪声因子、生活设施因子、人文环境因子、出行便捷因子、自然环境因子、安全环境因子和休闲活动因子等7个维度构成。2宜居满意度受到宜居感知因素和个体与家庭属性共同影响,但宜居感知因素的解释力明显要强,其中污染噪声因子、自然环境因子和出行便捷因子等因素是关键因子。3宜居满意度与宜居感知因素具有相对一致性,且存在个体与家庭属性差异。通常宜居感知因素得分低居民,其宜居满意度也相对较低;另外,远郊区、租赁房、有迁居经历、男性、30~39岁、高中学历、家庭月收入5000元以下和外地户口等社会群体的宜居满意度明显要低。
[10]	Abdel-Nasser M, Mahmoud K.2017. Accurate photovoltaic power forecasting models using deep LSTM-RNN [J]. Neural Computing & Applications, 10: 1-14. [本文引用: 1]
[11]	Elliot T, Rugani B, Almenar J B, et al.2018. A proposal to integrate system dynamics and carbon metabolism for urban planning [J]. Procedia CIRP, 69: 78-82. https://doi.org/10.1016/j.procir.2017.10.003 URL [本文引用: 1]
[12]	Geng Y, Liu Y, Liu D, et al.2011. Regional societal and ecosystem metabolism analysis in China: A multi-scale integrated analysis of societal metabolism (MSIASM) approach [J]. Energy, 36(8): 4799-4808. https://doi.org/10.1016/j.energy.2011.05.014 URL [本文引用: 1]
[13]	Giampietro M, Mayumi K.1997. A dynamic model of socioeconomic systems based on hierarchy theory and its application to sustainability [J]. Structural Change & Economic Dynamics, 8(4): 453-469. [本文引用: 1]
[14]	Giampietro M, Mayumi K.2000. Multiple-scale integrated assessment of societal metabolism: Introducing the approach [J]. Population & Environment, 22(2): 109-153. [本文引用: 1]
[15]	Giampietro M, Mayumi K, Munda G.2006. Integrated assessment and energy analysis: Quality assurance in multi-criteria analysis of sustainability [J]. Energy, 31(1): 59-86. https://doi.org/10.1016/j.energy.2005.03.005 URL [本文引用: 1]
[16]	Greff K, Srivastava R K, Koutník J, et al.2017. LSTM: A search space odyssey [J]. IEEE Transactions on Neural Networks & Learning Systems, 28(10): 2222-2232. [本文引用: 1]
[17]	Hadiye A S, Giampietro M, Aleu A L, et al.2009. Applications of the MuSIASEM approach to study changes in the metabolic pattern of Catalonia [R/OL]. Reports on Environmental Sciences. 2009-07-27 [2019-03-15]. . URL [本文引用: 1]
[18]	Han W, Geng Y, Lu Y, et al.2018. Urban metabolism of megacities: A comparative analysis of Shanghai, Tokyo, London and Paris to inform low carbon and sustainable development pathways [J]. Energy, 155(15): 887-898. https://doi.org/10.1016/j.energy.2018.05.073 URL [本文引用: 1]
[19]	Jiang Q, Tang C, Chen C, et al.2018. Stock price forecast based on LSTM neural network [C]// Xu J, Cooke F, Gen M, et al. Proceedings of the twelfth international conference on management science and engineering management. ICMSEM 2018. Cham: Springer: 393-408. [本文引用: 1]
[20]	Kumar J, Goomer R, Singh A K.2018. Long short term memory recurrent neural network (LSTM-RNN) based workload forecasting model for cloud datacenters [J]. Procedia Computer Science, 125: 676-682. https://doi.org/10.1016/j.procs.2017.12.087 URL [本文引用: 1]
[21]	Li Y, Wang X, Tian X, et al.2018. Understanding the mechanism of urban material metabolism with ecological network analysis: An experimental study of Wuxi, China [J]. Ecological Modelling, 367: 58-67 https://doi.org/10.1016/j.ecolmodel.2017.09.007 URL [本文引用: 1]
[22]	Lu Y, Geng Y, Qian Y, et al.2016. Changes of human time and land use pattern in one mega city's urban metabolism: A multi-scale integrated analysis of Shanghai [J]. Journal of Cleaner Production, 133(1): 391-401. https://doi.org/10.1016/j.jclepro.2016.05.174 URL [本文引用: 1]
[23]	Ma X, Tao Z, Wang Y, et al.2015. Long short-term memory neural network for traffic speed prediction using remote microwave sensor data [J]. Transportation Research Part C, 54: 187-197 https://doi.org/10.1016/j.trc.2015.03.014 URL [本文引用: 1]
[24]	Martín J R, Eisenmenger N, Schandl H.2008. Different trajectories of exosomatic energy metabolism for Brazil, Chile and Venezuela: Using the MSIASM approach [R]. Working Papers. Barcelona, Spain: Department of Applied Economics, Universitat Autonoma of Barcelona. [本文引用: 1]
[25]	Mayumi K.1991. Temporary emancipation from land: From the industrial revolution to the present time [J]. Ecological Economics, 4(1): 35-56. https://doi.org/10.1016/0921-8009(91)90004-X URL [本文引用: 1]
[26]	Munro D A, Holdgate M W.1991. Caring for the earth: A strategy for sustainable living [M]. IUCN, UNEP, WWF: 14-15. [本文引用: 1]
[27]	Pincetl S, Bunje P, Holmes T.2012. An expanded urban metabolism method: Toward a systems approach for assessing urban energy processes and causes [J]. Landscape & Urban Planning, 107(3): 193-202. [本文引用: 1]
[28]	Qi W, Deng X, Chu X, et al.2017. Emergy analysis on urban metabolism by counties in Beijing [J]. Physics & Chemistry of the Earth Parts A/B/C, 101: 157-165. [本文引用: 1]
[29]	Ramos-Martin J, Giampietro M, Mayumi K.2007. On China's exosomatic energy metabolism: An application of multi-scale integrated analysis of societal metabolism (MSIASM) [J]. Ecological Economics, 63(1): 174-191. https://doi.org/10.1016/j.ecolecon.2006.10.020 URL [本文引用: 1]
[30]	Scheidel A. 2013. From MuSIASEM theory to practice: Report and reflections from field research in Kampot province, Cambodia [R/OL]. Reports on Environmental Sciences. Institute of Environmental Science and Technology (ICTA). Barcelona, Spain: Autonomous University of Barcelona (UAB). . URL [本文引用: 1]
[31]	Silva-Macher J C.2016. A metabolic profile of peru: An application of multi-scale integrated analysis of societal and ecosystem metabolism (MuSIASEM) to the mining sector's exosomatic energy flows [J]. Journal of Industrial Ecology, 20(5): 1072-1082. https://doi.org/10.1111/jiec.12337 URL [本文引用: 1]
[32]	Song T, Cai J M, Chahine T, et al.2014. Modeling urban metabolism of Beijing City, China: With a coupled system dynamics: Emergy model [J]. Stochastic Environmental Research & Risk Assessment, 28(6): 1511-1524. [本文引用: 1]
[33]	Tejedor-Flores N, Vicente-Galindo P, Galindo-Villardón P.2017. Sustainability multivariate analysis of the energy consumption of ecuador using MuSIASEM and BIPLOT approach [J]. Sustainability, 9(6): 984. https://doi.org/10.3390/su9060984 URL [本文引用: 1]
[34]	Vafa-Arani H, Jahani S, Dashti H, et al.2014. A system dynamics modeling for urban air pollution: A case study of Tehran, Iran [J]. Transportation Research Part D Transport & Environment, 31(31): 21-36. [本文引用: 1]
[35]	Wang X, Wu S, Li S.2017. Urban metabolism of three cities in Jing-Jin-Ji urban agglomeration, China: Using the MuSIASEM Approach [J]. Sustainability, 9(8): 1481-1502. https://doi.org/10.3390/su9081481 URL [本文引用: 1]
[36]	Yuan X, Chen C, Lei X, et al.2018. Monthly runoff forecasting based on LSTM-ALO model [J]. Stochastic Environmental Research & Risk Assessment, 32(8): 1-14. [本文引用: 1]
[37]	Yan Z, Li Y, Zheng H.2017. Ecological network analysis of energy metabolism in the Beijing-Tianjin-Hebei (Jing-Jin-Ji) urban agglomeration [J]. Ecological Modelling, 351: 51-62. https://doi.org/10.1016/j.ecolmodel.2017.02.015 URL [本文引用: 1]
[38]	Yan Z, Zheng H, Yang Z, et al.2016. Urban energy flow processes in the Beijing-Tianjin-Hebei (Jing-Jin-Ji) urban agglomeration: Combining multi-regional input-output tables with ecological network analysis [J]. Journal of Cleaner Production, 114: 243-256. https://doi.org/10.1016/j.jclepro.2015.06.093 URL [本文引用: 1]
[39]	Zhai M, Huang G, Liu L, et al.2018. Dynamic input-output analysis for energy metabolism system in the Province of Guangdong, China [J]. Journal of Cleaner Production, 196: 747-762. https://doi.org/10.1016/j.jclepro.2018.06.084 URL [本文引用: 1]
[40]	Zhang J, Zhang Y.2011. Ecological network analysis of an urban energy metabolic system [J]. Stochastic Environmental Research & Risk Assessment, 25(5): 685-695.

人口集中、城市群对经济增长作用的实证分析: 以中国十大城市群为例

2019

... 虽然有关城市代谢方面的研究较多,但多数学者聚焦于城市历史代谢情况的研究,鲜有预测城市代谢变化趋势的相关文献,难以有效识别城市未来代谢系统变化趋势,无法解决基于历史数据评价的城市代谢调整滞后的问题.此外,常用的物质流分析、生态足迹分析等城市代谢研究方法对人类活动不够重视(Wang et al, 2017).而人口活动是城市活动过程的主体,亦为城市代谢分析中的重要组成部分,城市的经济增长受人口活动影响显著(李恒, 2019).城市体外能代谢率则结合人口活动与能量流动代谢状况,是城市各种经济活动的技术系数组合和资本化水平的表征指标(王天送, 2008),可以有效表征城市代谢水平(Giampietro et al, 2006).社会能量代谢与人口之间的系统耦合关系,即体外能代谢率能够表征城市代谢程度,已成为学者的共识. ...

人口集中、城市群对经济增长作用的实证分析: 以中国十大城市群为例

2019

基于系统动力学的城市住区形态变迁对城市代谢效率的影响

2012

... 目前,多数学者聚焦于通过历史数据,运用系统动力学(李旋旗等, 2012)、生态网络效用(Li et al, 2018)、能值分析(Qi et al, 2017)、多尺度综合评估(Silva-Macher, 2016)等方法,评价城市的历史代谢程度.如Song(2014)等构建城市代谢系统动力学模型考察了北京资源、环境保护、进出口、产业等元素之间的相互作用关系;Elliot等(2018)运用系统动力学方法,结合生命周期思维,从人口、能源、经济等因素,评估城市项目、规划与实施的潜力;Vafa-Arani等(2014)从空气污染角度,探究伊朗德黑兰城市运行效率.部分学者通过生态网络分析中的网络流量和效用分析,解构城市能量代谢系统组成结构及其相互复杂关系(Zhang et al, 2011),揭示城市代谢各部门相对贡献率(Zhai et al, 2018).Pincetl等(2012)进一步运用能值分析对城市资源与能源流动过程进行评价,识别出其发展特征.部分学者应用DEA(宋涛等, 2013b)、MuSIASEM(Tejedor-Flores et al, 2017)等方法从体外能代谢率、代谢效率以及社会能量代谢与人口之间的系统耦合关系(Scheidel, 2013)等视角,对城市代谢指标进行了定量评价. ...

基于系统动力学的城市住区形态变迁对城市代谢效率的影响

2012

基于MSIASM方法的中国省级行政区体外能代谢分析

2011

... 多数学者认为体外能代谢率能够有效评估城市代谢程度,如Giampietro和Mayumi共同构建“社会代谢多尺度综合评估(MuSIASEM)”模型评价城市代谢(Mayumi, 1991; Giampietro et al, 1997; Giampietro et al, 2000);基于MuSIASEM模型,Lu等(2016)从经济、社会和生态的角度分析了上海的代谢模式;Hadiye等(2009)对加泰罗尼亚城市代谢的历史发展趋势进行了研究.Han等(2018)揭示东京、伦敦、巴黎、上海4个区域的城市代谢路径的关键影响因素;刘晔等(2011)分析了中国省份层面的城市代谢.Martín等(2008)构建MSIASM方法分析了巴西、智利和委内瑞拉的城市代谢. ...

基于MSIASM方法的中国省级行政区体外能代谢分析

2011

城市新陈代谢研究综述及展望

2013

... 城市化进程提升促使城市环境污染加剧、能源消耗激增、人口密度过载等问题,制约了城市稳定持续发展,其深层次原因在于城市代谢的失调(宋涛等, 2013a).城市代谢系统是城市经济发展、自然环境和社会环境的协同进化系统(Munro et al, 1991).城市中各部门的能量流动类似于生态系统中食物链的能量流动过程(Yan et al, 2016),能量的消耗和流动是评价城市代谢程度常见的考虑因素(Yan et al, 2017). ...

城市新陈代谢研究综述及展望

2013

基于能值和DEA的中国城市新陈代谢效率分析

2013

基于能值和DEA的中国城市新陈代谢效率分析

2013

社会代谢多尺度综合评估(MSIASM)的基本理论与实践

2008

... 首先,本文根据体外能投入和人口活动的社会经济系统中的叠合关系,借鉴文献(王天送, 2008),测算北京历史体外能代谢率EMR,测算函数如下： ...

社会代谢多尺度综合评估(MSIASM)的基本理论与实践

2008

... 首先,本文根据体外能投入和人口活动的社会经济系统中的叠合关系,借鉴文献(王天送, 2008),测算北京历史体外能代谢率EMR,测算函数如下： ...

地理探测器: 原理与展望

2017

地理探测器: 原理与展望

2017

黄土高原村域多维贫困空间异质性研究: 以宁夏彭阳县为例

2018

... 为探讨输入量的空间分层异质性,本文使用由王劲峰等(2017)构建的地理探测器进行分析.地理探测器已经被证实应用于空间异质性(文琦等, 2018)、居民满意度(湛东升等, 2015)等领域,是一种合适的空间分层异质性分析的方法.本文选取不同部门的体外能代谢率作为因子进行分析,使用SPSS将EMR₁、EMR₂、EMR₃、EMR₄进行离散化,调节至地理探测器分析的合适分级,分为9级. ...

黄土高原村域多维贫困空间异质性研究: 以宁夏彭阳县为例

2018

基于地理探测器的北京市居民宜居满意度影响机理

2015

基于地理探测器的北京市居民宜居满意度影响机理

2015

Accurate photovoltaic power forecasting models using deep LSTM-RNN

2017

... 根据上文可知体外能代谢率能够有效表征城市代谢程度,而长短期记忆神经网络(long short-term memory neural network, LSTM)能够有效处理长期数据对预测值的精度影响问题,能够较为准确地预测时间序列变化趋势,已被广泛运用于光伏能源(Abdel-Nasser et al, 2017)、股票价格(Jiang et al, 2018)、水资源流量(Yuan et al, 2018)、云数据(Kumar et al, 2018)等数据预测领域.因而,本文以体外能代谢率为表征指标,运用LSTM模型进行北京市城市代谢趋势预测.预测流程分为采用社会能量代谢与人口之间的系统耦合关系的体外能代谢率历史值测算以及基于LSTM的体外能代谢率预测.具体流程如图1所示. ...

A proposal to integrate system dynamics and carbon metabolism for urban planning

2018

Regional societal and ecosystem metabolism analysis in China: A multi-scale integrated analysis of societal metabolism (MSIASM) approach

2011

... 根据实际情况,将北京市社会经济系统划分为第一产业、第二产业、第三产业和生活部门.本文体外能投入量ET_T及ET_i数据来源于1981—2017年北京市统计年鉴中终端能源消费量,根据式(5)折算所得.HA_T及HA_i依据式(3)计算所得,社会总活动时间HA_T的折算系数β为一年的小时数.依据中国性别统计资料,第一产业的年工作时间为2148 h(Geng et al, 2011).HA₂、HA₃中β根据我国法定工作时间计算(每天工作8 h,去除法定节假日).人口数量来源于1981—2017年北京市统计年鉴常住人口及第一、第二、第三产业从业人口.选取1980—2016年总计36 a的数据进行测算. ...

A dynamic model of socioeconomic systems based on hierarchy theory and its application to sustainability

1997

Multiple-scale integrated assessment of societal metabolism: Introducing the approach

2000

Integrated assessment and energy analysis: Quality assurance in multi-criteria analysis of sustainability

2006

LSTM: A search space odyssey

2017

... LSTM属于深度学习的一种计算机学习方法,其优秀的可扩展性使其成为处理序列数据相关问题的有效模型(Greff et al, 2017).LSTM可以更好地处理RNN神经网络在长序列处理中梯度逐渐缩小或消失,受短期记忆影响更大的问题.如图3所示,本文的LSTM模型包括输入层、隐藏层和输出层.原始数据通过输入层进入,经过隐藏层筛选信息,最后通过输出层输出最终结果.LSTM的隐藏层由多个神经元细胞组成,主要负责记住更多的有效信息,遗忘无效的短期信息,从而加强拟合能力.本文使用单层LSTM的模型,关键参数如下：时间步长为1,隐藏层神经元为32个,训练次数为10万次,学习率为0.0001. ...

Applications of the MuSIASEM approach to study changes in the metabolic pattern of Catalonia

2009

Urban metabolism of megacities: A comparative analysis of Shanghai, Tokyo, London and Paris to inform low carbon and sustainable development pathways

2018

Stock price forecast based on LSTM neural network

2018

Long short term memory recurrent neural network (LSTM-RNN) based workload forecasting model for cloud datacenters

2018

Understanding the mechanism of urban material metabolism with ecological network analysis: An experimental study of Wuxi, China

2018

Changes of human time and land use pattern in one mega city's urban metabolism: A multi-scale integrated analysis of Shanghai

2016

Long short-term memory neural network for traffic speed prediction using remote microwave sensor data

2015

... 指标的输入形式为

t_{1}

、

t_{2}

两部分,

t_{1}

为上一年的体外能代谢率,

t_{2}

为当年的体外能代谢率.将分割好的体外能代谢率的历史数据

EM R_{}^{history}

,代入LSTM模型,即可预测未来一年城市体外能代谢率数值EMR_i^*;再将预测数值与历史数值

EM R_{}^{history}

和EMR_i^*反向输入LSTM模型,即将预测出来的EMR_i^*重新作为输入指标,放入

t_{2}

部分,则可继续预测下一年的城市体外能代谢率,据此迭代预测未来5 a体外能代谢率数值.本文采用的LSTM神经元(Ma et al, 2015)如图2所示. ...

Different trajectories of exosomatic energy metabolism for Brazil, Chile and Venezuela: Using the MSIASM approach

2008

Temporary emancipation from land: From the industrial revolution to the present time

1991

Caring for the earth: A strategy for sustainable living

1991

An expanded urban metabolism method: Toward a systems approach for assessing urban energy processes and causes

2012

Emergy analysis on urban metabolism by counties in Beijing

2017

On China's exosomatic energy metabolism: An application of multi-scale integrated analysis of societal metabolism (MSIASM)

2007

... 受京津冀协同发展要求及北京发展策略影响,北京在疏解非首都功能时会促生城市发展阵痛期,导致总体外能代谢率未来呈现下降趋势.值得注意的是,北京总体外能代谢率超过了1999年世界平均水平(7.82 MJ/h),但仍然低于欧盟的15.81 MJ/h(Ramos-Martin et al, 2007),表明北京距离欧盟先进国家仍然有差距.北京作为中国的首都,应加强优势产业的转型升级,拓展高端产业的发展空间,继续优化人才环境,制定相关政策,吸引高端产业人才集聚,发挥高端产业人才优势,并以此为切入点增强北京竞争优势,为体外能代谢率的提高打下基础. ...

From MuSIASEM theory to practice: Report and reflections from field research in Kampot province, Cambodia

2013

A metabolic profile of peru: An application of multi-scale integrated analysis of societal and ecosystem metabolism (MuSIASEM) to the mining sector's exosomatic energy flows

2016

Modeling urban metabolism of Beijing City, China: With a coupled system dynamics: Emergy model

2014

Sustainability multivariate analysis of the energy consumption of ecuador using MuSIASEM and BIPLOT approach

2017

A system dynamics modeling for urban air pollution: A case study of Tehran, Iran

2014

Urban metabolism of three cities in Jing-Jin-Ji urban agglomeration, China: Using the MuSIASEM Approach

2017

Monthly runoff forecasting based on LSTM-ALO model

2018

Ecological network analysis of energy metabolism in the Beijing-Tianjin-Hebei (Jing-Jin-Ji) urban agglomeration

2017

Urban energy flow processes in the Beijing-Tianjin-Hebei (Jing-Jin-Ji) urban agglomeration: Combining multi-regional input-output tables with ecological network analysis

2016

Dynamic input-output analysis for energy metabolism system in the Province of Guangdong, China

2018

Ecological network analysis of an urban energy metabolic system

2011

〈

〉

北京城市代谢预测研究——基于长短期记忆神经网络模型

Urban metabolism prediction of Beijing City based on long short-term memory neural network

1 基于长短期记忆神经网络的城市代谢预测模型

1.1 基于社会能量代谢与人类活动系统耦合关系的体外能代谢率测算

1.2 基于LSTM的体外能代谢率预测

2 结果分析

2.1 数据来源及筛选

2.2 1980—2016年北京城市代谢历史数值测算

2.3 2017—2022年北京城市代谢趋势预测

2.4 2017—2022年北京城市代谢差异化情景预测

3 分析与讨论

3.1 代谢指标的空间分层异质性分析

3.2 基于长短期记忆神经网络的城市代谢预测模型有效性分析

3.3 政策性结果分析

4 结论

参考文献 文献选项 原文顺序 文献年度倒序 文中引用次数倒序 被引期刊影响因子

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子