能源是人类生存和发展的重要物质保障。随着经济发展和人们生活的需要,人类对能源消费的需求不断增长,在全球范围内出现了能源紧缺的现象。北京是我国第二大能源消耗城市,每年消耗的能源总量在不断增长,而其自身又是一个能源资源匮乏的城市,能源对外依存度很高,由此产生的能源供需矛盾日益严重。因此做好北京市能源消费总量的预测工作具有十分重要的意义。目前学术界中有多种能源消费预测方法,不同的预测方法往往具有不同的精度和特点,然而很少有学者在研究能源消费预测时对不同的预测方法进行比较,因此如何从众多方法中挑选最合适的方法来预测北京市能源消费总量也是一个亟待解决的问题。基于此,本文分析了北京市能源消费情况,在比较常用能源消费预测方法的基础上,选取了趋势外推法、回归分析法、时间序列法、灰色预测法、RBF神经网络法、BP神经网络法及Elman神经网络法来构建北京市能源消费总量预测模型,并选取部分年份作为检验样本进行预测精度检验。随后使用平均相对误差绝对值、均方误差和泰尔不等系数及检验样本的实际相对误差绝对值对7个单一预测模型进行拟合精度和预测精度比较,得到的结论是：BP神经网络、ARIMA(1,1,1)模型和Elman神经网络模型的拟合精度和预测精度均相对最高。考虑到组合模型所具备的优点,在比较现有组合方法的基础上,使用BP神经网络、ARIMA(1,1,1)模型和Elman神经网络模型构建了基于均方误差非最优权重组合法的组合模型一和基于最小误差平方和为目标函数最优权重线性组合法的组合模型二,并分别选取检验样本数据进行预测精度检验。在比较分析了组合模型和单一模型的整体拟合精度和效果后,得到的结论为：组合模型能够综合利用各单一模型的信息,提高预测工作中的整体精度,且能使预测精度保持在相对稳定的范围内,使得模型的拟合及预测效果具有较强的稳定性；组合模型二优于组合模型一。最后使用ARIMA(1,1,1)模型、BP神经网络模型、Elman神经网络模型和组合模型二对北京市2012-2020年能源消费总量发展趋势进行了预测。