目录
1 选题的背景和意义
1.1 选题的背景
1.2 国内外研究现状及发展趋势
1.2.1时间序列分析方法
1.2.2 ARIMA模型
1.2.3 发展趋势
2 研究的基本内容
2.1 基本框架
2、简要概述ARIIMA模型和时间序列分析的基本原理。
2.2 研究的重点和难点
2.3 拟解决的关键问题
3 研究的方法及措施
4 预期成果
2、资料收集准备阶段
3、论文写作及答辩阶段
3月下旬－5月下旬 论文修改、定稿、小组答辩；
参考文献
1 选题的背景和意义
1.1 选题的背景
居民生活消费是诱发能源消耗的重要因素之一。一方面炊事、照明和取暖等需要直接消耗能源产品；另一方面衣、食、住、行等生活消费品的生产和服务需要间接消耗能源产品。随着居民收入的提高和生活方式的改善，尤其是家用电器、住房和私人交通工具的拥有量不断增加，我国居民生活能源消费量不断增长[12]。据统计数据显示，1983-2009年，我国人均生活能源消费量从106.6千克标准煤上升到 254.2千克标准煤，增长了近1.4倍。21世纪以后，居民的生活水平逐步迈入小康，能源的消费量也进入了高速增长的阶段。未来能源的供给能否支撑我国经济的可持续增长，成为国内外关注的话题[7]。因此做好未来能源消费预测分析，为能源规划及政策的制订提供科学的依据，对于保持我国社会经济健康、持续、稳定的发展具有重要的理论与现实意义[3]。
1.2 国内外研究现状及发展趋势
1.2.1时间序列分析方法
时间序列分析（Time series analysis）是一种动态数据处理的统计方法[1]。该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题。时间序列是按时间顺序的一组数字序列。
时间序列分析就是利用这组数列，应用数理统计方法加以处理，以预测未来事物的发展。时间序列分析是定量预测方法之一[11]，它的基本原理：一是承认事物发展的延续性。应用过去数据，就能推测事物的发展趋势。二是考虑到事物发展的随机性。任何事物发展都可能受偶然因素影响，为此要利用统计分析中加权平均法对历史数据进行处理。
1.2.2 ARIMA模型
ARIMA模型全称为差分自回归移动平均模型[2]（Autoregressive Integrated Moving Average Model，简记ARIMA），其中AR是自回归， p为自回归项； MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。ARIMA模型的基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列[6]。这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。
1.2.3 发展趋势
目前国内已有学者对中国未来能源消耗进行预测，刘兰风采用协整与误差修正模型、时变参数模型来对我国的能源需求进行模拟与预测；宋春梅[5]遵循可持续发展原则，采用能源强度法对中国各产业部门和生活能源需求进行预测和分析；谢妍、李牧在灰色系统理论基础上引人遗传算法，对该灰色预测模型参数进行优化，从而获得更为精确的能源预测模型和预测值。由于影响能源消耗的因素复杂多样，本文利用ARIMA模型[9]，基于时间序列本身变动规律来对我国人均生活能源消费量进行预测，从本质上认识时间序列的结构与特征，达到最小方差意义下的最优预测。
2 研究的基本内容
2.1 基本框架
1、综述国内外对于ARIMA模型和我国能源消费结构趋势研究的相关文献，提出本论文的研究问题、研究内容、研究方案、研究的重点和难点和拟解决的关键问题及方案，并介绍ARIMA模型应用于我国能源消费结构趋势研究分析的方法。
2、简要概述ARIIMA模型和时间序列分析的基本原理。
3、用Eviews7实现；并用Eviews7对非平稳序列适当差分。
2.2 研究的重点和难点
1、如何对适应度函数进行训练。
2、如何比较新算法与传统算法。
3、如何提高新算法。
4、如何运用MATLAB等计算机语言实现算法。
