基于组合预测的农业用水量预测

在分析农业用水特性的基础上,提出了可有效克服单一预测模型预测精度不高的组合预测模型,并给出了农业用水量组合预测模型的权重确定方法,最后基于GM（1,1）模型、回归预测模型和指数平滑模型验证了组合预测模型对我国农业用水量的预测精度。     

灰色广义回归神经网络在木薯产量预测中的应用

将GM(1,1)预测模型与广义回归神经网络(GRNN)相融合,构建一种兼具两者优点、互补型的灰色广义回归神经网络(GGRNN).以1985-2007年度广西木薯鲜薯总产量为数据样本,采用GGRNN模型进行广西木薯产量预测研究.研究结果表明,GGRNN训练期平均拟合指数、预测期平均拟合指数分别为0.99和0.93,分别比GM(1,1)模型高0.09和0.04.该组合模型在拟合精度和预测精度方面均优于单一的GM(1,1)预测模型,并具有自学习能力、非线性映射能力以及适应性强等优点,为木薯产量预测的定量化和智能化提供了一条有效途径.     

基于组合预测模型的辽阳地区能源需求预测

为了更可靠地预测辽阳地区未来能源需求量,采用GM(1,1)模型和三次指数平滑模型对辽宁省辽阳地区历史能源消费量建立预测模型,并将两个单一模型加权平均建立组合预测模型。结果表明:组合预测模型在时间序列数据的预测中可信度更高,预测精度达到94.06%;未来10年内,辽阳地区能源消费将以7.36%的年均增长率快速增长,到2022年能源需求量将达到2.2×107t标准煤。     

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。     

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。     

组合模型在我国农用化肥施用量预测中的应用

在布朗(Brown)单一参数线性指数平滑法、ARIMA和GM(1,1)模型的基础上,利用我国农用化肥施用量数据,以绝对预测误差和达到最小建立组合预测模型。所得到的预测结果误差优于各个单一模型的单行预测,说明组合预测模型在时间序列数据的预测中更有可信度的优势。     

烤烟糖碱比和氮碱比的醇化预测模型研究

[目的]建立醇化烟叶化学成分的预测模型,用于预测醇化后烟叶化学成分协调性的变化情况,以便指导配方打叶的小配方模块设计。[方法]利用灰色理论建立了烤烟醇化过程糖碱比GM（1,1）灰色模型、糖碱比新陈代谢GM（1,1）灰色模型、氮碱比GM（1,1）灰色模型、氮碱比指数平滑GM（1,1）灰色修正模型和氮碱比对数GM（1,1）灰色修正模型。[结果]糖碱比灰色模型精度较高,2种模型精度分别达到了98．37％、99．73％;氮碱比灰色模型通过指数平滑和对数修正后,模型精度分别达到了93．56％、88．52％。[结论]建立的各种糖碱比、氮碱比模型都有意义,而且可用作中、长期预测。     

基于一种加权组合模型的娄底市粮食总产量预测

为了对娄底市粮食总产量进行有效的预测,将多项式拟合模型、平滑指数模型、灰色GM(1,1)模型等3种常用的预测模型进行线性组合,构建了一种用于娄底市粮食总产量预测的加权组合模型。结果表明,采用加权组合模型预测的平均相对误差较小,具有较高的预测精度,从而为粮食产量预测问题的研究提供了一种有效方法。     

广东耕地数量预测方法对比研究

以广东为例,运用GM(1,1)模型法、Holt双参数线性指数平滑法、多元线性回归模型法、平均增长法和时间序列移动平均法对其耕地数量进行预测,通过对预测结果残值的对比分析,发现移动平均法和GM(1,1)模型法具有较高的预测精度,并对各种预测方法进行了简要评价。     

基于小波广义回归神经网络的粮食产量预测模型

将小波分析与广义回归神经网络(GRNN)相融合,构建了一种小波广义回归神经网络(WGRNN)模型。该模型应用于我国粮食总产量预测,其预测结果在精度上均优于单一的GRNN预测模型和GM(1,1)灰色预测模型,既具有神经网络非线性逼近能力和自学习能力的特性,又具有小波在时、频两域表征局部特征的功能,可为粮食产量预测的定量化和智能化提供一条新途径。     

基于CBS-GM的时序数据短期预测方法

介绍了时序数据常用的参数回归和非参数回归方法,分析并比较了各自的优势和局限。结合这些特点提出一种基于B样条系数(CBS)与灰色模型(GM)的组合预测方法CBS-GM。此预测方法兼有参数和非参数的优点,具有较强的适应性和稳健性。最后将提出的方法应用于实际数据(常规数据和含异常值数据)。结果表明,综合预测精度和速度,CBS-GM相比于GM(1,1)、ARMA、BP神经网络和SVM等4种常用预测方法具有一定优势,是一种实用、高效的短期预测方法。     

江苏省全社会固定资产投资预测

采用Holter-Winter非季节指数平滑模型、GM(1,1)模型和分段线性回归模型,对江苏省1978～2005年的全社会固定资产投资总额进行研究.结果表明,与其他两模型相比,分段线性回归模型具有较好的拟合效果,并预测了"十一五"期间的固定资产投资总额.     

组合预测在吉林省粮食产量预测中的应用

利用吉林省1952~2009年粮食产量的统计数据,将指数平滑模型和GM（1,1）预测模型加以组合,建立了吉林省粮食产量的预测模型。同时,对吉林省2010~2015年粮食产量和年均增长率进行了预测,为吉林省未来的农业发展规划提供合理依据。     

最优加权预测在吉林省粮食产量预测中的应用

根据最优加权理论来确定权重,将时间序列模型、指数平滑模型和GM(1,1)预测模型加以组合,利用吉林省1952-2007年的粮食产量统计数据,建立了吉林省粮食产量的组合预测模型,并预测出吉林省2008-2015年的粮食产量:2008年的粮食产量为2798.8万t,2015年将达到3377.01万t,年均增长率为2.72%.     

组合预测模型在农业经济研究中的应用——以吉林省粮食产量为例

根据最优加权理论来确定权重,将时间序列模型、指数平滑模型和GM(1,1)预测模型加以组合,利用吉林省1952~2007年的粮食产量统计数据,建立了吉林省粮食产量的组合预测模型;并预测出了吉林省2008~2015年的粮食产量和年均增长率。     

GM(2,1)模型在玛纳斯河流域绿洲区气温、降水预报中的应用

根据灰色系统理论,利用1964~2007年玛纳斯河流域绿洲区5个气象台站逐月气温、降水数据,通过数据质量控制,建立灰色预测GM(2,1)模型预估玛纳斯河流域绿洲区未来3年气温和降水变化情况,并与实际值进行比较。结果表明,采用5年原数据建立模型进行预测相对误差最小,后验差检验结果显示,温度、降水预测模型的方差比均小于0.35,相对误差概率均大于0.95,表示模型精度好,可用于对气温和降水进行预测;预测结果显示,今后3年玛纳斯河流域绿洲区年平均气温逐渐升高,到2010年可能达9.34℃,而降水量呈减小趋势;将预测值与利用一元线性回归方程求得的变化倾向率的结果对比后得出,GM(2,1)对气温预测的结果较好,而对与波动较大的降水序列预测还存在一定弊端。     

利用ALOS PALSAR双极化数据估测山区森林蓄积量模型

合成孔径雷达（SAR）技术以其独特的成像机制及其全天候、全天时成像能力,在森林生物量估测方面发挥着越来越重要的作用。利用野外实测数据分析了ALOSPALSAR双极化数据后向散射系数（σoHH,σ0HV,σHV/HH）与云南山区松林蓄积量的关系,并分别构建简单线性、自然指数和加入地理因子的多元回归模型。研究结果表明：极化比值（σ0Hv/HH）与蓄积量的相关系数（r=-0．407）比任何单极化（σoHH和σ0HV分别为0．204和－0．242）都要高,加入地理因子的多元回归模型在森林蓄积量估算中有较好的精度。图3表2参12     

组合模型分析方法在我国粮食产量预测中的应用

尝试将组合预测法应用于我国未来粮食产量的预测,以提高预测精度。通过赋予合理权重,将C-D生产函数模型、多元回归模型和指数平滑模型加权组合。对各模型进行平均绝对百分误差(MAPE)、希尔不等系数(Theil IC)和均方根误差(RMSE)等指标的比较,证明单一模型经过组合能够提高预测精度。     

GM(1,1)模型的中国农业经济发展趋势分析

选取2002-2012年全国农业总产值数据,依据灰色系统理论对全国农业总产值进行灰色关联分析。根据数据建立了全国农业总产值的灰色GM(1,1)预测模型,预测结果表明,运用灰色系统模型的方法对全国农业经济总产值的预测与实际偏差很小,模型具有较强的预测能力。