基于贝叶斯与元学习的氨氮浓度预测模型优化

针对小样本数据下氨氮浓度模型预测精度不高、收敛速度较慢的问题，采用长短期记忆网络（long short-term memory，LSTM）建立氨氮浓度预测模型，并利用贝叶斯优化算法和元学习机制对模型进行优化。其中贝叶斯优化算法用来优化预测模型的超参数，同时给出模型参数的初始值，再使用Meta-LSTM算法学习模型梯度并允许优化器之间进行参数共享和更新，最终实现对氨氮浓度预测模型的优化。将该方法与LSTM、GRU和RNN模型进行对比试验，结果显示，研究所建模型对氨氮浓度预测的均方根误差、平均绝对误差和均方误差分别为0.027 6、0.023 9和0.000 76，均优于其他预测模型。表明基于贝叶斯和元学习的氨氮浓度预测模型对小样本数据建模有效，可以实现网络快速收敛，精度满足水产养殖中氨氮浓度预测需求。     

时间序列组合预测模型研究:以农业机械总动力为例

[目的]本文旨在提出更有效的时间序列组合预测模型的构建方法,建立预测精度较高的时间序列组合预测模型。[方法]以1978—2013年新疆农业机械总动力为数据源,建立了源序列的曲线回归、自回归积分滑动平均、3次指数平滑和灰色模型,并构建了预测对象和预测模型的关系数据库。提出了基于百分误差的计算属性重要度方法,依据该方法计算单一模型在组合模型中的权重,构建了单一模型预测值及其权重为输入的组合预测模型,使输出结果中完整的涵盖了时间序列不同单一预测模型的输出值特征。以误差分布特征为指标,对组合预测模型和各单一模型的预测性能进行分析。以组合预测模型拟合优度和预测值平均绝对百分误差(MAPE)作为评价指标,对基于百分误差、粗糙集、Shapley和熵权法的组合预测模型构建方法进行定量分析。[结果]预测周期内提出的组合预测模型的最大及平均误差与各单一模型最优值相比,分别降低了27.35和6.43,误差平方和(SSE)减少了73%,平均绝对百分误差降低了1.56%。基于百分误差的组合预测模型的拟合优度与基于粗糙集、Shapley和熵权法的组合预测模型拟合优度相比,分别提高了2.40%、5.10%和2.27%,粗糙集、Shapley和熵权法的预测值的平均绝对百分误差分别为1.673 0、3.726 1和2.702 4,而本文提出的模型的平均绝对百分误差为1.298 4。[结论]基于百分误差的组合预测模型在农业机械总动力和类似时间序列预测分析中,降低预测误差波动幅度及提高预测精度方面与其他单一模型和组合模型相比具有显著优势。     

变桨距风力发电系统模糊控制

提出了一种基于灰色-ARIMA的金融时间序列智能混合预测模型。首先建立金融时间序列灰色预测模型,并采用PSO算法对灰色模型的三个参数进行优化;利用ARIMA算法对预测模型的残差进行分析,同时采用遗传算法对ARIMA的系数进行优化;最后用ARIMA的残差预测结果对灰色预测模型进行补偿。结果表明,以较好的精度拟合一段时期内MA＜107的时间序列,预测误差控制在5%以上,与单纯的灰色预测算法和神经网络算法相比,在平均绝对误差、均方根误差和趋势准确率三项评价指标上,具有明显优势。     

基于多元统计的河流年度径流预报及误差分析

河流年度径流具有周期性、层次性、可预测性的特点,通过研究和分析河流年度径流的统计变化特征,可以对河流径流未来的长期变化作出预测。该文研究了佛子岭水库的河流年度径流滚动预测的方法,通过观测的河流年度径流资料,探索径流统计变化规律,运用多元回归理论建立预测模型,并且进行了模型参数的确定和径流的预测。通过预测模型对河流年径流实际值与预测值误差分析,并绘制实际值与预测值折线图进行比对,对选择最优的预测模型提供了数据支持和理论指导,继而对预测结果进行分析。计算结果表明,线性回归模型预测的实际值与预测值误差在较为合理的范围。最后得出结论,建立二元线性预测模型对于佛子岭水库年径流量预报结果的拟合模型较好,预测精度较高。     

基于改进的粒子群算法优化LSSVM股价预测研究

为了提高股票价格的预测精度,针对股票价格数据的非平稳非线性的特性,本文运用改进的PSO实现LSSVM的核参数和惩罚系数自适应选择,提出一种SAPSO优化LSSVM股价预测模型,并以此进行实证分析。通过基于SAPSO-LSSVM算法的1步、3步、5步和7步预测结果和不同模型的预测时间和预测均方误差的对比结果可知, SAPSO-LSSVM股价预测模型具有预测精度高,预测时间短的优点,同时能够实现预测参数的自适应选择。     

基于粒子群优化算法和长短时记忆神经网络的蟹塘溶解氧预测

为准确预测蟹塘溶解氧质量浓度,及时掌握溶解氧质量浓度的变化趋势,提前采取防控措施从而降低河蟹养殖风险,提出了一种基于粒子群优化算法(PSO)和长短时记忆神经网络(LSTM)的蟹塘溶解氧质量浓度预测模型,采用PSO算法优化LSTM模型参数后对蟹塘溶解氧质量浓度进行预测.结果表明,PSO-LSTM模型不仅整体优于ARIMA模型,相较于其他LSTM模型也有更高的预测精度,在连续10个时间点的预测中相比于LDO-LSTM、LSTM和ARIMA模型平均百分误差分别降低了2.55％、1.891％和4.055％.说明PSO-LSTM模型在蟹塘溶解氧质量浓度预测中具有良好的准确性和稳定性,可以为河蟹养殖中水质精准预测与调控提供参考.     

重庆市城市生活垃圾产生量预测

提出了用于预测垃圾产生量的变权重组合预测模型,该模型通过把单项预测模型进行组合分析,以误差平方和最小为准则,求出最优加权组合系数,建立组合预测模型.通过实例分析,表明其预测精度高于各单项模型预测值,在城市生活垃圾产生量的预测工作中有一定的应用价值.     

基于自适应模糊神经网络的鱼类投喂预测方法研究

在集约化水产养殖中，鱼类的投喂水平直接关系到养殖效率和生产成本。针对当前水产养殖中存在的投喂量不合理、饲料浪费严重的问题，以实现投喂量的精准预测为目的，提出了一种基于自适应模糊神经网络的鱼类投喂量预测方法。该方法以罗非鱼为研究对象，选择水温和鱼的平均体重2个因素作为输入变量，利用混合学习方法，通过训练和学习获得最优模糊规则库，基于自适应神经网络模糊推理系统（adaptive network fuzzy inference system,ANFIS）建立投喂量预测模型，取得了较好的预测效果。基于ANFIS的投喂量预测模型的均方根误差、平均绝对误差和平均绝对百分比误差分别为1.18、0.74和0003 1，均远远小于原始模糊推理投喂量预测模型的指标值，其网络预测能力优于原始模糊推理预测模型。因此，该模型不仅可以在无监督条件下对鱼进行科学投喂，节省人力成本，而且能为合理的投喂提供技术支撑和理论支持。     

基于神经网络的水产养殖水质预测模型研究

水产养殖池塘是一个多变量、非线性和大时延系统,很难用传统方法建立水质预测的精确模型.神经网络具有良好的非线性函数逼近能力,非常适合处理水质预测等复杂问题.利用BP神经网络模型,通过自适应的动态学习方法和模型优化,采用MATLAB神经网络工具箱建立了水产养殖水环境因子pH值预测模型.在预测模型中输入测试样本,将预测结果与实测值进行比较,平均相对误差小于1％.结果表明,所构建的基于自适应BP算法的水产养殖水质预测模型具有良好的精确性和准确性,能有效地预测养殖池塘的水质状况.     

组合模型在物流量预测中的应用

在分析指数拟合、灰色系统模型的平均预测误差的基础上,建立了组合预测模型,并对广州市的物流量进行了预测.结果表明,组合模型的预测结果是最优的.     

基于LSTM-Kalman模型的蛋鸡产蛋率预测方法

产蛋率是评价蛋鸡产蛋性能的重要指标之一,因其具有时序性和非线性等特点,且其影响变量众多、存在复杂的耦合关系,难以实现精准预测。由于传统神经网络预测过程的非记忆性难以处理时序性问题,该文章提出蛋鸡产蛋率的LSTM-Kalman预测方法,使用主成分分析提取影响蛋鸡产蛋率的关键变量,通过LSTM神经网络预测蛋鸡产蛋率,采用Kalman滤波对LSTM预测的结果进行动态调整,作为最终预测结果。数据分析结果表明:LSTM-Kalman模型预测产蛋率的平均绝对误差、均方误差和皮尔逊相关系数分别为0.312 8、0.435 3和0.975 2,明显优于传统的BP神经网络、极限学习机等预测方法;通过2栋鸡舍生产数据的交叉测试验证,模型的预测准确率达到97.14%和98.71%,表明模型具有较强的泛化能力,能够满足蛋鸡产蛋率预测的实际需要,可以为蛋鸡养殖环境数据的精准调控提供参考。     

一种基于改进时间卷积网络的生猪价格预测方法

针对传统的生猪价格预测方法存在预测精度不够高，容易陷入局部最小值等问题，为更加精准地预测生猪价格，采用随机森林回归(RFR)、极限梯度回升(XGBoost)、轻型梯度提升机(LightGBM)3种机器学习模型和改进网络结构的时间卷积网络(TCN)模型方法，以经过Z-Score标准化预处理的西南地区某省2011—2020年每周生猪价格数据为样本，对生猪价格预测进行研究。结果表明:TCN模型预测结果的均方误差(MSE)为0.340 606，平均绝对误差(MAE)为0.288 424，决定系数(R²)为0.995 683，均优于其他3种机器学习模型；与3种机器学习模型中效果最好的极限梯度回升(XGBoost)预测结果比较，3个指标分别提升了26%、8%和0.15%。改进网络结构的时间卷积网络模型可以更加精准地预测生猪价格。     

地下水位粒子群优化神经网络组合预测模型

【目的】将粒子群优化神经网络组合预测方法引入地下水位预测中,以提高地下水位预测的精度。【方法】以回归分析法、指数平滑法、灰色GM（1,1）模型的地下水位预测结果及预测结果平均值作为网络的输入,以实际地下水位值作为输出,对3个单一模型进行非线性组合,建立地下水位的粒子群优化神经网络组合预测模型,应用实例对模型的预测结果进行了验证,并与3个单一模型及等权平均组合模型的预测结果进行比较。【结果】实例运用结果表明,粒子群优化神经网络组合预测模型的均方误差为0.740 9,平均绝对误差为0.657 6,均小于单一模型及等权平均组合模型的相应值。【结论】粒子群优化神经网络组合预测方法适用于地下水位的预测。     

基于BP神经网络的柑橘农药残留预测

基于BP神经网络算法，采用主成分分析法得到农药相对分子质量、气温、降水量、pH、CEC、有机质、施药浓度、采收间隔期是影响农药残留量的主要因素，并将其作为输入变量，初步构建柑橘农药残留预测模型。结果表明：经160组样本数据模型训练和测试，预测相对误差为0.92%~18.93%，平均为7.42%，绝对误差为0.001~0.153 mg/kg；BP神经网络预测模型的决定系数为0.962 05。可见，面对复杂的自然环境及柑橘种质性状，基于BP神经网络的柑橘农药残留预测系统对柑橘上多种农药的残留显示出较高的预测精度，说明将机器学习算法用于柑橘的农药残留检测是可行的。     

叶面滞尘量对大叶黄杨光谱特征影响研究

  目的  叶面滞尘会影响植被光谱特征，削弱植被指数对植被的响应能力，影响反演评估的准确性。为探究叶面滞尘量对植被光谱响应特征及预测模型的影响，本文以北京市常见常绿绿化树种大叶黄杨为研究对象展开研究。  方法  从封闭区域、半封闭区域、开放区域，采集叶片样本，并收集环境灰尘。通过室内控制试验，利用ASD FildSpec Handheld光谱仪测量不同滞尘量叶片的高光谱数据，选取5个特征波段，通过光谱角的方法研究了叶面滞尘量对叶片光谱特征的影响，以及滞尘量对叶面滞尘量预测模型的精度和稳定性影响。  结果  随着叶面滞尘量的增加，植被光谱曲线特征逐渐减弱，灰尘的特征逐渐增强，但光谱曲线的总体变化趋势基本一致。当叶面滞尘量 > 120 g/m2时，光谱曲线的基本表现为灰尘的光谱特征。当叶面滞尘量较少时，预测模型的模拟精度相对较高，随着滞尘量的增加，所有模拟预测模型的决定系数均减小；当叶面滞尘量 > 120 g/m2时，预测模型对叶面滞尘量的模拟预测能力将更差，并且均方根误差（RMSE）随着叶片单位面积滞尘量的增加而增大，模拟预测模型的稳定性及预测精度逐渐降低。光谱角对滞尘叶片350 ~ 1 770 nm波段区间的光谱变化十分敏感，利用叶片光谱角检测滞尘程度不需要分区域讨论，只需与阈值做简单的比较，方法简便易行。  结论  本研究通过室内控制试验，研究叶面滞尘量对植被光谱响应特征，可为建立滞尘植被光谱反射物理模型提供参考与借鉴。      

自建模型间外推对森林可燃物含水率预测精度的影响

通过对2010年春、秋季大兴安岭地区盘古林场樟子松林、兴安落叶松林、白桦林林下细小可燃物含水率的连续观测并构建外推模型。结果表明:春季模型的外推效果好于秋季,模型的平均绝对误差降低了6.6%,平均相对误差降低了62.46%,白桦林的外推精度最高,破坏性取样的外推效果最好(平均相对误差349.83%);秋季樟子松林的外推精度最高,非破坏林荫下的外推精度最好(平均绝对误差较非破坏林空和破坏分别降低了13.7%和47.44%,平均相对误差分别降低了34.86%和83.30%)。模型外推虽不能减少误差,但有助于提高利用少量或仅有的几套含水率模型进行更大地区模型预测精度的工作加强关于模型参数和方程类型等的研究,以提高外推预测可燃物含水率的准确性。     

基于Kriging插值和BP神经网络结合的粮仓温度场预测模型研究及实现

针对复杂仓储环境中粮情温度单点预测效果不理想、现有温度场建模难以满足工程应用需求等问题,基于温度场理论,结合分布式测温系统结构,提出了基于粮堆温度数据的温度场预测模型。该模型基于BP神经网络,利用粮仓内离散测温点数据预测对应点的未来温度数据;再采用Kriging插值法进行空间插值,利用已知位置的温度值估计出未知点的温度值,进而建立温度场的预测模型。仿真测试结果表明,温度预测的平均绝对百分误差为1.253 5%,均方根误差为0.106 0,预测效果良好。采用Kriging插值法进行温度点的插值,其平均绝对百分误差为9.470 0%,均方根误差为0.865 1。对比于传统的粮堆温度单点预测算法,该模型能够更好地反映粮仓内温度场变化趋势以及温度分布的情况,为粮仓管理者提供更好的数据支持,实现辅助决策。该模型可扩展性强,能够适用于各种仓储现场。     

基于深度学习的水稻表型特征提取和穗质量预测研究

水稻产量与水稻穗数和穗质量密切相关,精确预测水稻产量可以加快育种速度。以盆栽水稻为研究对象,首先利用可见光图像结合图像处理技术进行特征提取,获取整株水稻的51个表型特征。结合深度学习,运用Faster R CNN卷积神经网络训练模型对水稻穗数进行检测,同时使用SegNet网络框架训练得到的模型对水稻稻穗进行分割,得到水稻穗部的二值图像,结合图像处理技术提取穗部的33个表型特征数据。提取了颜色、形态、纹理共85个表型参数,对所有85个数据进行归一化处理,将归一化的85个表型数据与稻穗鲜质量、干质量进行逐步线性回归,挑选相关性高的特征数据。分别使用穗数和33个特征穗部、51个特征整株、所有85个特征中相关性高的特征数据构建盆栽水稻稻穗鲜质量、干质量的预测模型,最后根据模型的决定系数R2、平均相对误差（MAPE）和相对误差绝对值的标准差（SAPE）挑选最优预测模型。预测结果表明穗部特征预测效果最好,其中效果最好的模型鲜质量、干质量预测值与真实值的决定系数R2分别达到0.787±0.051和0.840±0.054。     

基于分位数回归的针阔混交林树高与胸径的关系

  目的  基于包含哑变量的非线性分位数回归方法，构建华北落叶松Larix principis-rupprechtii与白桦Betula platyphylla针阔混交林树高与胸径关系的预测模型，对研究混交林中树种结构及立地生产力预测具有重要意义。  方法  以河北省塞罕坝机械林场华北落叶松与白桦针阔混交林为研究对象，利用83块标准地调查数据，基于哑变量分别采用最小二乘法和非线性分位数回归方法，构建不同树种树高与胸径关系模型。  结果  基于包含哑变量的非线性分位数回归预测模型精度高于最小二乘法，其中利用最小二乘法拟合不同树种模型，其确定系数、平均差及平均绝对误差分别为0.787~0.814、1.581~1.877、2.447~2.654；而利用非线性分位数回归不同树种不同分位点模型，其确定系数、平均差及平均绝对误差分别为0.839~0.921、0.213~1.469、0.561~2.322，经过残差分析确定，当分位点τ=0.7时，不同树种树高与胸径关系预测模型精度较高。  结论  与最小二乘法相比，基于非线性分位数构建的包含哑变量不同树种树高与胸径关系的预测模型精度更高。图3表3参33