基于等维新息GM(1,1)模型的河南省粮食产量预测

以河南省1978—2013年的粮食产量为依据,利用灰色系统理论对河南省未来的粮食产量变化趋势进行了预测。首先在MATLAB中实现不同维数GM(1,1)模型相关参数的计算,然后把预测精度最高的7维常规GM(1,1)模型改进成等维新息GM(1,1)模型,经检验该模型精度等级为好,并预测出河南省2015—2020年的粮食产量。结果表明,等维新息GM(1,1)模型比常规GM(1,1)模型具有更高的预测精度,河南省未来5年的粮食产量仍保持增长趋势,但年平均增幅为1.43%,增产潜力较低。     

陕西省近20年粮食产量变化及预测研究

深入了解陕西省粮食产量的变化情况,探究影响陕西省粮食产量的主要因素,为粮食安全政策构建提供科学合理理论参考。本文选取陕西省1999—2019年的粮食产量数据作为基础数据,采用GM (1,1)预测模型对未来5年(2020—2024年)陕西省粮食产量进行预测分析。研究结果表明,陕西省粮食产量变化趋势为波动型增长,单位面积粮食产量和人均粮食产量的变化情况与粮食总产量变化趋势基本保持一致。灰色GM (1,1)模型预测结果显示,2020—2024年陕西省粮食产量将呈现小幅稳步增长的发展趋势。模型平均相对预测误差模型平均相对误差Δ=0.03370.10,预测精度较高。     

灰色线性回归组合模型在河南省粮食产量预测中的应用

河南省粮食生产变化的波动较大,单一的GM(1,1)模型不能详尽描述其变化规律及预测未来趋势,采用线性回归方程以及由GM(1,1)模型得到的时间响应序列方程和组成的灰色线性回归预测模型,弥补了线性回归模型中没有指数增长趋势和GM(1,1)模型中没有线性因素的不足。利用河南省2000-2007年的粮食产量统计数据,建立了河南省粮食产量的灰色组合预测模型,并根据模型预测出河南省2008-2012年的粮食产量,实例证明,该模型的预测精度为97.9%,模型的预测精度高。     

工业污染与城镇化对粮食产量影响的灰色分析——以江苏省为例

引入工业污染和城镇化进程在粮食生产活动中的影响,通过灰色关联分析获取影响粮食产量的主要因素,建立GM(1,N)灰色系统模型对江苏省1996—2010年的粮食产量进行预测,与GM(1,1)模型对比结果表明,其拟合值平均相对误差较小,预测精度较高,可为未来粮食生产提供科学的指导。     

基于小波变换的GM(1,1)-ARIMA组合模型对粮食产量的预测

为提高粮食产量的预测精度,针对粮食产量的数据特点,提出了在小波变换的基础上,结合GM(1,1)模型与ARIMA模型的优点,建立GM(1,1)-ARIMA组合预测模型。首先,通过小波变换对非平稳序列进行分解,得到近似分量和细节分量;针对各分量序列的不同特征,采用灰色GM(1,1)模型对近似分量进行趋势预测,为进一步提高趋势信号的预测精度,使用灰色GM(1,1)模型对预测序列进行残差修正;然后,采用ARIMA预测模型对分离出的细节分量进行预测;最后,通过小波重构得到粮食产量的预测值。预测结果表明,基于小波变换的GM(1,1)-ARIMA模型的拟合平均误差为0. 69%,通过对2011—2014年粮食产量的预测,其预测平均误差低于1%,为粮食产量预测提供了一种新的技术途径。     

粮食产量灰色模型预测

根据灰色系统理论,建立了GM(1,1)模型,并对粮食产量进行了预测。结果表明:用GM(1,1)模型预测粮食产量,从理论上讲比数理统计模型严谨,计算比较简单,弥补了中小地区不能实现依靠气象预测和遥感预测的缺陷,因此具有一定的可行性。     

基于小波变换灰度模型-人工神经网络(GM-ANN)组合的粮食产量预测模型

由于粮食生产受到社会、经济和气候等多方面因素的影响,造成粮食产量序列的复杂性、随机性和非平稳性。为了准确预测粮食产量,提出基于小波变换的灰度模型(GM)-反演(BP)神经网络[BP神经网络是人工神经网络(AMNN)的一种]相结合的预测方法,首先利用小波变换将非平稳序列转化为若干不同频率分量的平稳序列;然后针对各序列使用灰色GM(1,1)模型建立预测模型,为了进一步提高模型的预测精度,结合BP神经网络对预测残差进行修正;最后通过组合得到粮食产量的预测模型。通过对2011—2014年我国粮食产量数据的预测,表明所提方法的预测精度明显高于GM(1,1)和BP神经网络预测模型,4年的平均预测误差小于1%,能够较准确地预测我国粮食产量。     

灰色(GM)—马尔柯夫链预测

灰色系统是研究系统中部分信息已知,部分信息未知或不确知的理论。基于灰色系统理论的GM(1,1)模型的预测,称为灰色预测。GM(1,1)模型的几何图形是一条较平滑的曲线,因而难以反映实际序列的波动情况,特别对随机性较大的数据列拟合较差,预测精度较低。马尔柯夫链相关预测是根据状态之间转移概率来预测系统未来发展的。转移概     

洛阳市粮食产量影响因素及预测

以洛阳市为例,探讨粮食产量的变化特征及其影响因素,结合主成分分析法,建立粮食产量分别与生产资料、消费能力的关系模型。运用GM(1,1)灰色模型预测洛阳市未来5年的粮食产量,结果显示未来5年该市粮食产量具有平稳增长的良性趋势,据此可为粮食生产相关部门提供决策指导。     

基于耕地压力指数的酒泉市粮食安全状况研究

根据酒泉市1988—2007年的人口数量、耕地面积、粮食产量等资料,运用耕地压力指数作为测度粮食安全程度的指标,分析了酒泉市粮食安全状况的变化,并针对耕地压力指数的变化特点,建立了灰色GM（1,1）模型,预测了未来11 a该市的粮食安全状况。     

基于灰色残差修正模型的食品安全监测预警分析方法研究

食品安全监测预警分析是我国食品安全风险监测计划的重要组成部分。以食品安全监测数据为研究对象,采用灰色系统及马尔可夫过程理论,建立二阶残差修正GM(1,1)模型,实现对食品安全监测的预警分析。以《中国统计年鉴》1995-2006年白酒产品国家监督抽查数据构建灰色残差修正模型,对2007年数据进行预测,预测值为82.74%,与实际值82.04%相当接近。研究表明,该分析方法应用于食品安全预警,可有效对食品安全态势进行预测,为食品安全快速预警提供依据。     

基于灰色系统理论的四川油料作物单产预测

为准确预测四川油料作物的产量以保障市场供给,根据2001—2015年四川油料作物单产数据,运用灰色系统理论,建立GM(1,1)预测模型,并通过残差、级比偏差、关联度、后验差检测及模拟数据检查对模型的合理性和精度进行误差检验,并应用模型预测未来3年四川油料作物的单产。结果表明:P~0=98.22%90%、ρ(avg)=4.52%10%、r=0.97760.6、P=1,F=1.1141F_(0.05)=19.00,由此可见,灰色系统理论GM(1,1)适用于油料作物单产预测,并具有较高精度。预测得出,2016年、2017年、2018年的油料作物单产分别为162.25kg/667m~2、164.71kg/667m~2和167.22kg/667m~2,与2015年相比,分别上涨2.70%、4.26%和5.84%。     

河南省粮食产量的G—E预测模型

运用灰关联原理对系统因素进行分析、聚类,解决了经济计量模型解释变量的选取问题;采用系统变量的GM(1,1)模拟值建立经济计量学模型,增强了模型系统的稳定性;以解释变量的GM(1,1)预测值作为内生变量预测的基础,提高了经济计量学模型预测的科学性;灰色预测与经济计量学模型预测相互印证,增进了预测结果的可靠性。灰色—经济计量学组合模型将灰色系统理论的思想、方法和模型融入经济计量学建模的全过程,实现功能互补,能够使预测精度得到大大提高。这种组合建模的思想方法已在河南省粮食生产系统分析及预测中进行了成功的应用。     

基于灰色系统理论的加工番茄产量预测模型研究

[目的]研究基于灰色系统理论的加工番茄产量预测模型。[方法]运用灰色系统理论研究了加工番茄产量变化趋势,建立了加工番茄产量预测的GM（1,1）灰模型,并以2001～2009年新疆加工番茄产量为例,进行了实例分析。[结果]该模型有较高的预测精度和较强的泛化能力,对近期加工番茄产量的预测是可靠的。[结论]为新疆地区番茄产业的宏观调控、番茄加工及储藏等方面提供了参考。     

基于灰色系统理论的加工番茄产量预测模型研究(英文)

[目的]研究基于灰色系统理论的加工番茄产量预测模型。[方法]运用灰色系统理论研究了加工番茄产量变化趋势,建立了加工番茄产量预测的GM(1,1)灰模型,并以新疆2001～2009年新疆加工番茄产量为例,进行了实例分析。[结果]该模型有较高的预测精度和较强的泛化能力,对近期加工番茄产量的预测是可靠的。[结论]为新疆地区番茄产业的宏观调控、番茄加工及储藏等方面提供了参考。     

宣城地区粮食总产的灰色马尔柯夫链预测方法

使用灰色马尔柯夫链预测方法预报宣城地区粮食总产 ,其结果不仅时效好 ,而且既能反映出趋势产量 ,又能反映出气象产量 ,预报准确率比单纯使用灰色GM(1,1)模型显著提高。 1998、1999年试报误差均小于 1.5 %。     

福建省粮食产量影响因素主成分分析与产量趋势预测

[目的]深入了解福建省粮食产量的主要影响因素,预测福建省粮食产量未来发展趋势,为相关部门制定粮食生产决策提供科学依据.[方法]以1978～2012年福建省粮食产量的相关统计资料为基础数据,利用主成分分析法探讨粮食产量的影响因素;并以2007～2012年的粮食产量数据为样本,建立GM（1,1）预测模型对福建省未来5年（2013～2017年）的粮食产量进行预测.[结果]1978～2012年福建省粮食产量呈波动增长、快速下降和平稳发展的阶段特征,粮食生产主要集中在南平、龙岩和三明市一带;利用主成分分析法在确保信息量的基础上,提取了农业现代化水平因素和价格政策因素两个主成分;灰色GM（1,1）模型预测结果显示,在政策扶持下2013～2017年福建省粮食产量将呈现小幅稳步增长的发展趋势.模型平均相对预测误差为0.87％,预测精度较高.[建议]应增加科技投入、提高单位面积粮食产量、加大粮食扶持政策实施力度,以保持福建省粮食生产能力及提高粮食产量水平.     

基于REMCC-BPNN的粮食产量预测研究

粮食产量的准确预测对保证粮食安全、维持社会稳定具有重大意义。提出了一种基于K个最近邻训练样本拟合相对误差绝对值与时序的相关系数最小原则优化BP神经网络的时间序列预测模型REMCC-BPNN,并将该模型应用到我国粮食产量及湖南省粮食产量预测中。结果表明,REMCC-BPNN模型的预测精度优于BPNN、SVR、ARIMA、GM(1,N)等常用的时间序列预测模型,训练速度快,稳定性高。     

中国粮食产量的无偏灰色GM(1,1)模型与预测

根据《中国统计年鉴-2008》等最新统计数据,建立改进的无偏灰色GM（1,1）模型,并对2009～2015年中国粮食产量进行实证分析和预测。结果表明,所建模型简化了建模步骤,提高了预测精度,预测结果符合中国粮食生产实际。     

宿州市大涝发生年份的中心逼近式GM(1,1)预测模型研究

以Z指数为旱涝指标,确定宿州市大涝年份,应用改变背景值的中心逼近式GM(1,1)模型,通过调整m值提高模型精度,建立了精度较高的宿州市大涝发生年份GM(1,1)预测模型,并对宿州市下一个大涝发生年进行了预测。