基于串联型灰色神经网络新疆兵团农机总动力预测

为了准确了解兵团农机总动力的发展趋势,该文以兵团1989-2008年和2009-2011的农机总动力分别作为训练样本和检测样本,采用串联型灰色神经网络（SGNN）预测兵团农机总动力,并与灰色GM（1,1）模型法和BP神经网络法的预测结果进行比较分析。研究结果表明,SGNN模型对兵团农机总动力的预测精度明显高于灰色GM（1,1）模型法和BP神经网络法,可以作为兵团未来农机总动力发展预测及政策制定的有效方法和工具。     

新疆兵团农机总动力预测模型的研究

为了提高新疆兵团农机总动力预测模型的精度,获得更加可靠的预测结果,针对回归模型的多重共线性问题及灰色模型仅含有指数增长趋势的问题,基于2007-2014年农机动力的相关数据,建立了主成分回归和灰色回归两种预测模型。对两种模型的预测精度进行比较分析,结果表明:主成分回归模型和灰色回归模型预测值的平均相对误差分别为0.57%、0.46%,灰色回归预测模型的精度较高,可以较真实地反映新疆兵团农机总动力的变化趋势。应用该模型进行预测,得到了新疆兵团农机总动力未来5年的预测值。     

兵团农机总动力预测的灰色模型

借助灰色系统理论,利用兵团农机总动力的历史数据,建立了灰色预测GM(1,1)模型,对兵团农业机械总动力进行预测,为以后兵团农业机械化的发展提供一定的参考。     

新陈代谢GM(1,1)模型在兵团农机总动力预测中的应用

借助灰色系统理论,利用兵团农机总动力的历史数据,建立并对比分析了GM(1,1)模型和新陈代谢GM(1,1),对兵团农业机械总动力进行预测,为以后兵团农业机械化的发展提供一定的参考。     

基于实数遗传算法的农机总动力变权组合预测

黑龙江省农机总动力进行预测,选用指数函数模型、多项式拟合模型、三次指数平滑模型、龚帕兹曲线模型为单一预测模型并以1980-2013年农机总动力数据为样本点进行拟合,其平均绝对百分比误差分别为12.5%、3.22%、3.43%、6.09%;然后,建立以误差平方和最小为目标函数的变权组合预测模型,并利用改进的实数遗传算法对变权组合预测模型进行优化,所得到的变权重组合预测模型的平均绝对百分比误差为1.98%,拟合效果较好。以2014-2016年农机总动力数据为预测时点对该方法进行验证,结果表明:不论是拟合精度还是预测误差都具有较好的效果。最后,对黑龙江省未来5年的农机总动力进行了预测,为相关部门对农业机械化的发展规划提供参考。     

基于BP神经网络的农机总动力组合预测方法

鉴于单一预测模型和线性组合预测模型的局限性,在确定黑龙江省农机总动力单一预测模型的基础上,建立了基于BP神经网络的非线性农机总动力组合预测模型。误差分析表明,该非线性组合预测模型的拟合平均绝对百分误差为3.03%,低于一元线性回归模型、指数函数模型、灰色GM（1,1）模型和三次指数平滑模型的6.26%、4.65%、4.88%和3.72%;稍高于以误差平方和最小为原则构建的线性组合预测模型的2.86%。用2006～2008年黑龙江省农机总动力进行检验预测,结果表明该模型可以有效地提高农机总动力的预测精度,用该模型预测了黑龙江省2009～2015年农机总动力。预测结果表明,在未来几年黑龙江省农机总动力将保持快速增长趋势,到     

辽宁省农机总动力组合预测与分析

通过对1994～2004年辽宁省农机总动力历史数据的统计分析,建立了农机总动力发展的组合预测模型,并对农机总动力进行了预测.预测结果表明,组合预测模型优于单一预测模型,使预测精度有了一定的提高,用其对辽宁省农机总动力进行预测更具有合理性.分析预测结果对辽宁省农机发展规划有着重要意义.     

基于灰色理论的陕西农业机械总动力预测

农业机械总动力预测是农业机械化科学管理的重要内容。为此,运用灰色系统理论GM(1,1)模型,对1998-2008年陕西省农业机械总动力进行了相关检验,模拟了陕西省农机总动力发展情况,相对误差均小于3%,平均误差为1.01%,模型可用于农机总动力预测。预测结果表明:2011-2015年陕西农业机械总动力分别为19 570,21 687,2 3932,26 315,28 843kW,呈直线上升趋势,年平均递增率为9.48%。     

基于离散灰色模型的中国农机总动力预测

农机总动力预测对于国家制定相关农机发展政策具有重要意义。为此,运用离散灰色模型,对2004-2011年间的我国农机总动力的数据进行了分析建模、相关检验。其平均相对误差为0.307%,小误差概率为1,后验差比为0.026,关联度为0.999 1,各指标都达到一级判别标准,表明该模型可以用于农机总动力的预测。在此基础上,对其2012-2020年间的发展趋势进行了预测,预测结果显示农机总动力呈逐年递增趋势,平均年增长率为6.204%,发展态势良好。     

基于指数平滑模型的农机总动力和综合机械化水平预测

利用山东省1986-2007年农机总动力和综合机械化水平统计数据,建立了基于3次指数平滑时间序列分析的农机总动力和综合机械化水平模型,并将该模型应用到2008-2011年山东省农机总动力和综合机械化水平的预测中,取得了良好的模拟预测效果,为农业机械化发展趋势预测和规划提供了一定的理论参考依据。     

考虑自变及因变影响的农机总动力组合预测模型

为能获得精确预测农机总动力的方法,以灰色模型和多元线性回归模型为子模型,应用Shapley值法计算子模型权重系数,构建农机总动力组合预测模型。应用我国2000-2010年农机总动力数据,分别标定上述模型相关参数,并计算各模型年度相对误差和平均相对误差。其中,GM模型和多元线性回归模型的平均相对误差分别为0.68%和0.91%,组合预测模型的平均相对误差为0.59%,精度较高。同时,组合模型既能够反映数据自身变化规律的特征,又能定量反映农机总动力与其相关影响因数间的数理关系,具有较强的适用性。     

基于GA-LM-BP模型的云南省农机总动力预测

为预测云南省农机总动力的发展变化趋势,提出一种将GA算法、LM算法与BP神经网络相结合的农机总动力预测方法,克服了BP神经网络易陷于局部极小的缺点。选取1985-2015年云南省农机总动力数据作为样本,建立GA-LM-BP神经网络模型进行仿真预测,结果表明:该模型的平均相对误差为0.313 362%,明显优于BP神经网络的0.926 674%、LM-BP神经网络模型的0.654 053%和GA-BP神经网络模型的0.493 122%,具有较好的预测精度。在此基础上,对云南省2016-2020年农机总动力的发展趋势进行了预测,结果表明:2 0 1 6年农机总动力达3 4 3 9.4 9万k W,超过云南省农业厅预测的3 4 0 9万k W,2 0 2 0年云南省农机总动力达3 952.78万k W,为云南省农机化的发展规划提供了理论依据。     

吕梁市农机总动力预测

以1979—2015年吕梁市农机总动力为研究基础，利用指数函数、三次多项式函数及BP神经网络分别建立农机总动力预测模型并进行样本比对。结果表明，BP神经网络和指数函数模型的平均绝对误差分别为1.11%和3.22%，低于三次多项式函数的平均绝对误差（8.05%）。利用BP神经网络模型和指数函数模型对2016—2021年吕梁市农机总动力进行预测，以期为农业机械化水平的发展提供参考。      

运用GM（191）模型对新疆农机总动力发展状况预测

农业机械总动力是国民经济发展水平的重要指标之一。运用灰色系统理论，基于GM（1，1）模型，对新疆农机总动力统计结果进行建模、求解、分析。模型检验结果为C=0．08〈0．35，P=1．00〉0．95，-a=0．084058〈0．3。说明建立的GM（1，1）模型精度高，预测性能好，适合作中长期及短期预测等。2011-2015年的农机总动力发展状况预测结果表明，到2015年新疆农机总动力可达到1926．17×10。kW。     

组合预测法对粮食产量的预测研究

为了对粮食产量进行准确预测,使用组合模型对粮食产量进行预测研究。通过对数据的分析确定了构成组合模型的三个单项模型：灰色预测GM(1,1)模型、多元回归预测模型、时间序列预测模型,并明确了确定组合预测模型权重的方法。使用4种预测模型对2015—2020年的粮食产量进行预测,结果显示组合预测模型的平均相对误差最小。因此,通过对预测模型的检验证实了模型的可行性和准确性,确定了组合模型可以充分地利用各种预测方法所提供的信息提高预测精度,使得预测结果更加准确有效。     

基于Shapley值的农机总动力组合预测方法

应用合作博弈中的Shapley值方法,通过分配总误差来确定组合预测模型中各预测模型的权重,以此构建组合预测模型并对山西省农机总动力进行组合预测.结果表明,该组合预测模型的预测平均误差为1.81,低于选定的一元线性回归模型、三次指数平滑模型和BP神经网络模型的3.12、2.42和2.23;也低于基于方差倒数法以及基于离异系数法构建的组合预测模型的预测平均误差1.88和1.90.     

农机总动力组合预测模型研究-基于密度算子

农机总动力的需求具有增长性、波动性及非线性的特征。采用基于密度算子的组合预测方法,对陕西省农机总动力进行预测。在确定单一预测模型的基础上,计算各模型的偏离度和准确度,进而确定聚类组的准确度和密度加权向量,建立基于密度算子的农机总动力组合预测模型,以及基于离差系数法和Shapley值法的组合预测模型。拟合结果表明:建立的密度算子组合模型的各项误差评价指标都低于选定的单一预测模型和基于离差系数法和Shapley值的组合预测模型,具有很好的预测效果。     

灰色补偿BP神经网络预测农机总动力—以吉林省为例

农机总动力的预测研究对于农业机械的“供给侧”改革有着重要意义和研究价值,科学合理的预测结果对于职能部门的规划制定有着重要的指导意义。农机总动力数据具有时间序列性质,本研究应用灰色GM(1,1)模型对其进行有效的预测分析。为了提高预测的准确性,应用BP神经网络对灰色残差数据进行处理,补偿灰色预测结果,建立了相应的预测模型。实验表明:该模型对于吉林省农机总动力的预测科学有效,并对吉林省未来5年的农机总动力进行了预测,为相关政策制定提供了科学依据。     

基于实数遗传算法与神经网络的农机总动力预测及分析

为了能够更好地确定黑龙江省农机总动力带来的影响,从提高黑龙江省农机总动力预测精度出发,运用黑龙江省1983-2014年农机总动力数据,以实数遗传算法训练神经网络对2015-2019年的黑龙江省农机总动力进行预测。预测结果表明:在达到相同精度的目标下,基于实数遗传算法来训练神经网络的农机总动力预测比标准BP神经网络对农机总动力的预测具有更快的收敛速度,预测速度优势明显,且拟合的精度也得到了很大提高。数据结果还表明:离需要预测的年代(2015-2019年)越近,预测数据的绝对误差越小,因此运用实数遗传算法训练神经网络有较好的预测性能。最后,运用2017年和2018年的预测数据来确定农机总动力对与其相关方的影响,并给了出参考建议。     

河南省农用大中型拖拉机需求量预测研究

河南省农用大中型拖拉机受国家政策、经济效益、市场需求等多种因素的影响,其需求量是一个复杂的非线性系统。为此,首先在灰色GM（1,1）模型基础上,利用BP神经网络修正残差,建立灰色 BP 神经网络组合预测模型,既克服了数据的非线性关系以及随机波动大对预测精度的影响,也增强了预测的自适应性。为此,对2002-2011年河南省农用大中型拖拉机的拥有量进行了检验预测,结果表明模型具有较高的拟合度。最后,应用该模型预测了河南省2012-2015农用大中型拖拉机的拥有量,并依此测算出河南省农用大中型拖拉机未来4年的需求量,可为河南省农机部门制定农机动力发展规划提供参考。