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     

基于灰色BP神经网络的农业机械总动力预测

为预测宁夏地区农业机械化水平的发展变化趋势,提出一种将灰色预测模型与BP神经网络有效结合的农业机械总动力预测方法。在BP神经网络的数据预处理阶段融入灰色预测理论,建立基于灰色BP神经网络的农机总动力预测模型,并选取1991-2014年宁夏回族自治区农业机械总动力数据作为样本,利用该模型进行仿真预测,结果表明:该模型具有较高的预测精度,其平均相对误差仅为0.18%,明显优于灰色GM(1,1)模型的3.5 0%和标准BP神经网络的0.2 9%。     

基于包容性检验的新疆兵团农机总动力组合预测

为提高新疆兵团农机总动力预测的精度,以1989-2014年新疆兵团农机总动力为数据源,采用6种单项模型对其进行预测并根据预测性能指标的高低进行排序,再通过包容性逐步检验各单项模型,利用通过检验的单项模型构建组合模型,并使用所建组合模型对兵团2015-2016年农机总动力进行预测。结果表明:利用以上过程所建立的组合模型对兵团农机总动力预测结果的描述更加准确、可靠。     

基于广义回归神经网络的广西农业机械需求预测

提出了一种基于广义回归神经网络的农业机械需求预测模型。该模型以GRNN神经网络为基础,运用循环测试法,结合k折交叉验证进行了参数寻优和网络训练,能在历史数据样本较少的情况下获得满意的预测精度。同时,引用广西1995-2010年农机总动力以及相关影响因素的数据进行测试,验证了模型的有效性。     

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。     

农机总动力预测的灰色神经网络新方法

为提高农机总动力变化趋势的预测精度,将pGM(1,1)模型与RBF神经网络相结合,建立了基于pGM(1,1)-RBF神经网络的农机总动力预测模型,并以中国农机总动力数据预测为例,验证了该模型精度高、可行有效,适用于农机总动力预测.     

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。     

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。     

两种有效的预测方法理论分析及实践

预算实际上是一种建模,即根据过去和现在已有的信息建立一个从过去引伸到未来的模型。而时序分析法和灰色系统理论是两种有效的预测方法。为此,介绍了这两种预测方法的原理,并预测了新疆兵团的农机情况。其结果表明:未来10年,新疆农机总动力和投入将会有较大幅度的增长,而农业机械化程度将趋于最高值。     

中国农机总动力预测分析

农业机械总动力是衡量农机化发展水平的主要指标。通过对我国农业机械总动力统计数据研究分析,建立了农业机械总动力预测分析数学模型,经检验,表明模型预测的准确度很高,模型是合适的、实用的;依模型预测我国农业机械总动力在相当长时间内将呈直线增长态势。     

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%。     

农业机械总动力的ARMA和方程法组合预测分析——以青岛市为例

农业机械总动力是反映和评价农业机械化水平的一个重要指标,精准的预测农业机械总动力具有非常重要的意义。本文根据青岛地区1990~2008年的农用机械总动力历史数据的变化形态,找到合适的方程提取确定性趋势,并运用自回归移动平均模型ARMA(p,q)及其建模思路,结合Eviews软件构建了ARMA(1,1)模型。经检验此模型预测精度较高,拟合效果理想,进一步说明了方程法和ARMA组合模型用于对农业机械总动力预测的可行性,可以为相关部门和单位的预测工作提供一定借鉴。     

BP神经网络在农业工程中的研究与应用

该文概述了BP神经网络在农机总动力预测、农业专家系统信息决策、虫情测报、农作物水分和养分胁迫、土壤墒情、变量施肥、分类鉴别和图像处理等领域的应用情况,总结了人工神经网络模型的优点,指出其在精准农业和智能农业中的重要理论技术支撑作用。      

基于灰度关联-极限学习机的土壤全氮预测

为了克服近红外光谱的多重共线性、吸光度非线性等特点给土壤全氮含量预测带来的影响，引入灰度关联-极限学习机方法选择出具有较好预测能力的波长组合，以建立高精度土壤全氮含量预测模型。首先利用一阶微分光谱得到反映土壤全氮含量的敏感谱区，再利用灰度关联法得到土壤全氮含量的敏感波长，分别为1007、1128、1360、1596、1696、1836、2149、2262nm。最后采用极限学习机，将上述敏感波长作为输入，建立了土壤全氮预测模型。作为对照，同时采用传统相关分析方法选择了敏感波长并建立了回归模型。2种建模结果表明，灰度关联-极限学习机建立的土壤全氮预测模型，其建模决定系数R2c为0.9134，预测决定系数R2v为0.8787，建模精度和预测精度都比传统建模方法高。特别在预测低氮含量土壤时，灰度关联-极限学习机方法优势更明显。     

基于灰色预测和GIS的农机区域市场规划决策模型

结合灰色预测理论和GIS提出了一种农机区域市场规划决策模型。该模型以灰色预测算法为基础,根据各地区历史数据生成预测数据,然后利用GIS生成专题地图,直观地显示产品的区域发展情况和未来几年的变化趋势,能为产品区域市场的确定提供直观可靠的科学依据。以联合收获机为例,实际讨论了该模型的具体应用,对未来5年联合收获机在各省市拥有量变化趋势和分布趋势进行了讨论。     

新疆大中型拖拉机拥有量灰色预测

灰色理论具有计算简便、不要求有大量的样本数据。这对于信息量少的拖拉机拥有量分析是适宜的,并且预测精度较高。采用灰色系统GM(1,1)模型对新疆农用大中型拖拉机拥有量进行预测,对新疆农业机械发展具有重要的意义。     

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.