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.     

黑龙江省农机总动力的组合预测研究

探讨了组合预测方法及其在黑龙江省农机总动力预测中的应用，建立了组合预测模型。     

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。     

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。     

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.     

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。     

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。      

基于GM(1,1)模型的浙江省农机总动力预测分析

农机总动力是反映和评价农业机械化水平的一个重要指标。农机总动力的变化受自然、经济、技术和社会等多种灰色因素影响。为此,借助灰色系统理论,利用浙江省农机总动力的历史数据,建立了GM（1,1）模型预测模型,并据此对浙江省农机总动力进行预测分析,为制定农机动力发展规划提供了依据。     

基于人工神经网络的黑龙江省农机总动力预测

黑龙江省农机总动力的建模和预测是制定黑龙江省农机发展计划的重要依据。为此,应用BP人工神经网络技术(BP-ANN)处理1980～1998年农机总动力数据,建立正确的预测模型。利用此模型预测出1999～2003年黑龙江省农机总动力数值,预测结果和实际结果有很好的一致性;同时,预测了2004～2006年黑龙江省农机总动力数值,为今后制定农机发展战略提供参考依据。     

2011-2015年河南省农业机械总动力的预测

农业机械总动力是衡量农业机械化水平的一项重要指标。对河南省农业机械总动力进行预测,将为农业机械化部门制定合理的发展规划提供一定的理论支持,同时也为农机企业了解未来市场需求状况提供一定的参考。以1991-2010年间的河南省农业机械总动力统计数据为基础,利用BP神经网络建立了河南省农业机械总动力的预测模型。该模型采用3层BP神经网络,输入层、隐含层和输出层的神经元数目分别为5,13和1。隐含层和输出层的激励函数分别为正切型与对数型Sigmoid函数。采用分步预测的思想,利用自适应学习速率训练方法对该网络进行了训练,获得了该模型中各层之间的连接权值和各层神经元的阈值。利用该模型对现有数据进行了仿真预测,结果表明,该模型具有较高的预测精度。在此基础上,对河南省"十二五"期间的农业机械总动力进行了预测,并给出了预测数据。     

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。     

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%。     

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。     

辽宁农机科技发展方向初探

随着辽宁农机动力数量和质量的大幅提升,农机科技面临新的问题。简要介绍辽宁省农业机械化发展的主要成就,分析当前辽宁农机科技发展过程中存在的主要问题,深入探讨辽宁农机科技发展方向,为提高辽宁农机的科技水平提供参考。     

农业机械总动力与影响因素关系分析

分析了影响农业机械化发展的主要因素，包括生产规模、需求和经济条件；建立了农业机械化发展的总动力分析模型，该模型反映了农机总动力与农民收入水平、农业劳均粮食播种面积和粮食单产的关系；依模型对农机总动力发展进行预测。     

基于GWR的新疆农机总动力空间异质性分析

从县域空间尺度出发,利用空间分析方法和地理加权回归模型,研究了2003-2012年新疆县域农机总动力空间聚集特征及其影响因素的空间异质性。结果表明:新疆县域农机总动力存在明显的空间异质性和空间聚集分布模式,空间分布表现出在经向上北疆大、南疆小,纬向上西部大、东部小;总体由天山南北两侧向外递减的趋势,中部为高高聚集区,南部为低低聚集区。近10年来,新疆县域农机总动力存在一定的空间正相关特性,且空间相关性随着时间整体呈现下降趋势。新疆县域农机总动力的影响因素存在明显的空间异质性。新疆西北部区域农机总动力对耕地经营规模比较敏感,西南部区域对政府财政投入比较敏感,而中南部区域对农民收入比较敏感。在不同区域第一产业人数对农机总动力的作用表现出正反两种相关关系,并且负相关关系有南移的趋势。根据农机总动力影响因素的空间分异特征,可以更好地解释分析农业机械总动力的发展变化规律,推动农业机械化事业更加科学、快速发展。     

基于综合评价法的农机装备水平研究及预测

农机装备水平的高低、结构是否合理,将影响农业综合生产能力及现代化大农业的发展。为此,选取农机装备水平中的农业机械总动力、大中型拖拉机、小型拖拉机、大中型拖拉机配套农具、小型拖拉机配套农具、农用排灌动力机械、联合收获机、机动割晒机及农用运输车作为评价农机装备水平的指标,采用熵值法确定各指标权重,再根据综合评价模型计算得出各年度的农机装备水平综合得分情况,对黑龙江垦区农机装备水平进行评价。然后,基于二次曲线,建立回归函数模型,预测未来一段时间内农机装备发展情况。结果表明:在未来黑龙江垦区农机总动力仍将继续增加,大中型拖拉机及其配套农具占据主导地位,小型拖拉机及其配套农具持续减少,垦区农机装备加速换代升级,农机装备结构进一步优化。     

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%。