基于小波变换的GM(1,1)-ARIMA组合模型对粮食产量的预测

为提高粮食产量的预测精度,针对粮食产量的数据特点,提出了在小波变换的基础上,结合GM(1,1)模型与ARIMA模型的优点,建立GM(1,1)-ARIMA组合预测模型。首先,通过小波变换对非平稳序列进行分解,得到近似分量和细节分量;针对各分量序列的不同特征,采用灰色GM(1,1)模型对近似分量进行趋势预测,为进一步提高趋势信号的预测精度,使用灰色GM(1,1)模型对预测序列进行残差修正;然后,采用ARIMA预测模型对分离出的细节分量进行预测;最后,通过小波重构得到粮食产量的预测值。预测结果表明,基于小波变换的GM(1,1)-ARIMA模型的拟合平均误差为0. 69%,通过对2011—2014年粮食产量的预测,其预测平均误差低于1%,为粮食产量预测提供了一种新的技术途径。     

基于REMCC-BPNN的粮食产量预测研究

粮食产量的准确预测对保证粮食安全、维持社会稳定具有重大意义。提出了一种基于K个最近邻训练样本拟合相对误差绝对值与时序的相关系数最小原则优化BP神经网络的时间序列预测模型REMCC-BPNN,并将该模型应用到我国粮食产量及湖南省粮食产量预测中。结果表明,REMCC-BPNN模型的预测精度优于BPNN、SVR、ARIMA、GM(1,N)等常用的时间序列预测模型,训练速度快,稳定性高。     

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。     

灰色神经网络耦合模型在加矾系统预测中的应用

为更准确预测自来水厂的加矾量,弥补灰色GM(1,1)预测模型和神经网络预测模型在自动加矾系统中预测的不足,采用灰色GM(1,1)预测模型和BP神经网络预测模型相结合的方法,即灰色神经网络耦合模型,并运用于自来水厂自动加矾系统,根据实测数据计算预测值.结果表明:灰色GM(1,1)模型平均相对误差为0.016％,最大相差为0.025％,BP神经网络模型平均相对误差为0.037％,最大相差为0.069％,灰色神经网络耦合模型的平均相对误差0.006％,最大相差0.009％,其模拟精度远远高于其他2种模型的模拟值,具有广泛的实用性.     

灰色理论与BP神经网络耦合的粮食产量预报

以河南省为例,选取影响粮食产量的8个农业生产条件为指标,以2000~2007年8个序列的数据分别建立新陈代谢GM(1,1)模型,得到一系列预测值。将8个指标1990年至2007年的原始数据作为BP神经网络的输入样本,粮食产量实际值作为输出样本,然后对网络进行训练,构建了BP神经网络。再将各新陈代谢GM(1,1)模型得到的8个农业生产条件的预测值作为BP神经网络的输入,得到的输出即为最终预测值。仿真实验表明,用灰色理论与神经网络耦合模型研究河南粮食产量的拟合精度和预测准确度都比较理想。     

基于灰色神经网络与马尔科夫链的城市需水量组合预测

【目的】针对城市需水量预测系统具有非线性和随机波动性的特点,建立基于马尔科夫链修正的组合灰色神经网络预测模型,以提高模型的预测精度。【方法】比较分析灰色GM(1,1)模型、BP神经网络模型以及二者线性组合的灰色神经网络预测模型的预测效果,建立基于马尔科夫链修正的组合灰色神经网络预测模型,并以榆林市2000-2009年的用水量实际数据为研究对象,通过实例比较分析模型的检验预测精度。【结果】经马尔科夫链修正处理后,建立的基于马尔科夫链修正的灰色神经网络组合模型的预测精度更高,预测误差的绝对值均小于4%,且均方差σ为1.00,小于组合灰色神经网络模型与GM(1,1)模型、BP神经网络模型预测误差值的均方差。【结论】基于马尔科夫链修正的组合灰色神经网络需水量预测模型,对城市需水量的预测优于灰色神经网络及各单项预测模型,不仅预测精度高,而且能同时反映出数据序列发展变化的总体趋势和系统各状态之间的内在规律,适合描述随机波动性较大的预测问题。     

基于灰色神经网络的粮食预测

结合灰色GM(1,1)预测模型和BP神经网络2种预测模型的优点,提出了一种灰色神经网络模型,并用该模型对蚌埠市小麦产量进行预测。结果表明,灰色神经网络预测精度高于单一的灰色GM(1,1)预测模型或BP神经网络。     

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。     

证券市场灰色神经网络组合预测模型应用研究

提出将3种灰色模型(残差GM(1,1),无偏GM(1,1)和pGM(1,1))与神经网络模型进行有机组合,建立一种新的灰色神经网络组合预测模型,并以中国股票市场上证指数为例进行模拟预测.实证表明:组合预测模型的模拟预测精度较原有方法更为精确,可作为股市预测的有效工具.     

基于灰色神经网络和证据理论预测地下水位的研究

用灰色GM(1,1)模型、BP神经网络模型和证据理论相结合而成的灰色证据神经网络模型,对山东枣庄区域地下水位进行预测。基本思路是运用灰色GM(1,1)模型所得到的预测值按前两年来预测下一年的组合规律分别作为BP神经网络的输入输出;再用BP神经网络输出作为证据理论基本可信度分配函数,使用D-S理论将信息进行二次融合;并用地下水位实测数据对模型进行验证。结果表明,预测模型具有可行性和实用性,为生态农业规划发展提供了科学依据。     

基于灰色理论和BP神经网络预测观光农业旅游人数的研究

运用灰色GM(1,1)预测模型与BP神经网络预测模型相结合而成的灰色神经网络模型,对山东枣庄市旅游人数进行预测。基本思路是运用灰色GM(1,1)模型所得到的预测值按前2年来预测下一年的组合规律分别作为BP神经网络的输入输出,并用旅游人数数据对模型进行学习验证。为山东枣庄市沿运区域旅游资源的合理利用及管理提供了科学依据,并以科学预测为依据提供一些观光农业旅游资源合理开发对策。     

灰色神经网络耦合模型在河套灌区引黄水量预测中的应用

针对河套灌区22年净引水量的变化特点,在建立灰色GM(1,1)模型的基础上,结合BP神经网络预测法建立灰色神经网络耦合模型,并通过Matlab编程实现。实例结果表明,耦合模型的预测精度明显优于单一灰色GM(1,1)模型,可应用于实际生产中。     

基于等维新息GM(1,1)模型的河南省粮食产量预测

以河南省1978—2013年的粮食产量为依据,利用灰色系统理论对河南省未来的粮食产量变化趋势进行了预测。首先在MATLAB中实现不同维数GM(1,1)模型相关参数的计算,然后把预测精度最高的7维常规GM(1,1)模型改进成等维新息GM(1,1)模型,经检验该模型精度等级为好,并预测出河南省2015—2020年的粮食产量。结果表明,等维新息GM(1,1)模型比常规GM(1,1)模型具有更高的预测精度,河南省未来5年的粮食产量仍保持增长趋势,但年平均增幅为1.43%,增产潜力较低。     

基于经验模态分解和小波神经网络的温室温湿度预测

温室温湿度的准确预测有助于及时调节温室小环境,温湿度预测模型是温室控制的重要基础,提高预测精度有助于提高生产水平。针对温室系统具有非线性、非平稳性等特点,提出一种基于经验模态分解(empirical mode decomposition,简称EMD)和小波神经网络(wavelet neural network,简称WNN)的温室温湿度组合预测方法。首先,利用经验模态分解方法将原始时间序列分解成一系列分量;然后对各分量分别构建小波神经网络模型进行预测;最后叠加各子序列得到预测值。结果表明,运用EMD-WNN组合的温度模型有效性为0. 993 4,湿度模型有效性为0. 978 1,且优于单独WNN模型和BP神经网络模型的预测结果,可有效提高短期温室温湿度预测的精度。     

陕西省近20年粮食产量变化及预测研究

深入了解陕西省粮食产量的变化情况,探究影响陕西省粮食产量的主要因素,为粮食安全政策构建提供科学合理理论参考。本文选取陕西省1999—2019年的粮食产量数据作为基础数据,采用GM (1,1)预测模型对未来5年(2020—2024年)陕西省粮食产量进行预测分析。研究结果表明,陕西省粮食产量变化趋势为波动型增长,单位面积粮食产量和人均粮食产量的变化情况与粮食总产量变化趋势基本保持一致。灰色GM (1,1)模型预测结果显示,2020—2024年陕西省粮食产量将呈现小幅稳步增长的发展趋势。模型平均相对预测误差模型平均相对误差Δ=0.03370.10,预测精度较高。     

关于灰色预测模型的一点探讨——灰色预测模型的改进

灰色预测模型通常是GM(1,1)模型,但预测精度有时不令人满意.因此利用以下两种方法的结合对模型GM(1,1)做了进一步的改进,提出了一个预测精度较高的新灰色预测模型。第一步:利用"幂函数变换"模型,它能提高离散数据的光滑度,从而提高了灰色预测模型预测结果的可信度.第二步:分析GM(1,1)预测模型存在的理论缺陷,指出在形成预测公式时规定为∧X(1)(1)为已知条件是不合理的,应当根据实际情况选用其他数据。     

线性回归与BP神经网络方法的山东粮食产量预测比较研究

山东省是我国传统农业大省,粮食产量对我国粮食总产量的影响较大,因此对山东省粮食产量进行预测具有重大意义.分别利用多元线性回归方法和BP神经网络两种预测方法对山东粮食产量进行预测,并对两种方法的预测结果进行分析比较,实验证明,BP神经网络平均预测精度高于多元线性回归模型,且各期预测精度较多元线性回归模型更稳定,但随时间推移,误差增大,因此BP神经网络预测模型较适用于近期粮食产量预测.     

基于BP神经网络的粮食产量预测模型

提高我国粮食产量的预测精度与效率是人们关注的一个重要问题.BP模型是目前最为广泛应用的神经网络模型之一,它是一种简单又非常有效的算法.将BP神经网络模型应用到粮食产量预测中,并建立了粮食产量的神经网络预测模型,结果表明BP神经网络应用于粮食产量预测是可行的.     

基于GM(1,1)模型的四川粮食产量预测研究

中国人口众多,粮食安全关系到国计民生,加强粮食产量预测有利于确保粮食安全。根据2001—2015 年四川粮食产量的历史数据,运用灰色系统理论,建立基于弱化缓冲算子的GM(1,1)预测模型,通过残差、级比偏差、关联度、后验差检测、模拟数据检查对模型的合理性和精度进行误差检验,并应用模型预测未来3 年的粮食产量。研究结果表明,灰色系统理论GM(1,1)适用于粮食产量预测且具有较高的精度。预测了2016、2017、2018 年的粮食产量同比增长分别为-2.11%、-0.39%和1.21%,由此得出未来粮食产量将在波动中增长。     

马尾松毛虫幼虫发生严重程度的预测研究

为了提高马尾松毛虫幼虫发生严重程度的预测精度,寻求简便准确的预测方法,采用时间平稳序列法、回归预测法、马尔科夫链法、BP神经网络法和列联表多因子多级相关分析法对安徽省潜山县1983—2014年的马尾松毛虫越冬代、一代和二代幼虫发生的严重程度进行预测,研究历史符合率,并用2015年和2016年的实际发生情况验证。结果表明,平稳时间序列法,列联表多因子多级相关分析法计算简便,预测结果准确;BP神经网络法和马尔科夫链法预测结果非常准确。回归模型中以当代卵盛期卵量预测当代幼虫发生严重程度的一元回归模型的预测结果准确性高,其余一元回归模型预测结果稍差,多元回归模型和逐步回归模型优于一元回归模型。BP神经网络模型是一种理想的预测模型。