新疆奇台县粮食生产影响因素与模拟预测研究

[目的]分析奇台县粮食生产的影响因素,并对其产量进行预测.[方法]在分析奇台县58年粮食生产动态变化特点的基础上,利用主成分分析法(PCA)探讨了粮食生产的影响因素.[结果]农业科技进步和经济发展、制度政策是影响奇台县粮食生产的两个主要因子;分别建立GM(1,1)模型、ARIMA(1,3,3)模型以及两者的组合模型,拟合了奇台县粮食总产量的动态变化趋势.结果发现组合模型平均相对误差率仅为7;,说明组合模型的模拟精度较高,从而得出2010～2015年奇台县粮食总产预测值.[结论]GM(1,1)模型和ARIMA(1,3,3)模型两者组合的模型预测精度高于单个模型的预测精度.2015年该县粮食产量将达到52.1×104 t.     

短叶松同龄纯林林分平均直径的时序分析

根据Box-Jenkins建模原理,将ARIMA模型拟合时间序列的方法用于同龄纯林林分平均直径生长的拟合及预测研究。利用Eviews软件分别对短叶松同龄纯林样地1号、2号、3号的林分平均直径序列建模和预测,选出最优模型形式。然后用样地4的林分平均直径序列对所得到的模型形式进行适应性验证。通过用这4块样地数据对最优模型形式的拟合和预测,结果显示,最优模型形式剔除AR(2)项的AR(3)模型能够较好的拟合平均直径序列,决定系数(R2)分别为0.907 5、0.909 7、0.910 3、0.949 8,并且预测相对误差(Bias)很小(<1%)。在直径生长序列的近期预测中应用时间序列的ARIMA模型方法较为合适。     

基于ARIMA和DSVM组合模型的松毛虫发生面积预测

提出一种基于ARIMA和动态ε支持向量机(ε-DSVM)的组合预测模型(ARIMA-ε-DSVM),预测松毛虫发生面积.先采用ARIMA模型进行时间序列线性趋势建模,为非线性部分确定输入阶数,根据确定的输入阶数进行时间序列样本重构,再采用ε-DSVM模型进行时间序列非线性特征建模,将这两模型预测值相加得到组合模型预测值.对辽宁省朝阳市松毛虫时间序列进行仿真试验,结果表明,ARIMA-ε-DSVM模型预测精确度比单一模型ARIMA和SVM及简单组合模型ARIMA-SVM要高,ARIMA-ε-DSVM模型大幅度改善预测效果,显著地减少预测误差,泛化能力强.     

基于时间序列与横截面数据的吉林省水稻产量预测对比分析

【目的】对比不同模型预测效果,分析各模型预测水稻产量的特点、不足及适用条件,为粮食产量预测问题模型选择提供依据。【方法】从时间序列预测和横截面数据预测两种角度,利用ARIMA、LSTM、SVR、MLP这4种模型,通过吉林省水稻产量、病虫害及其他特征历史数据对吉林省水稻产量进行预测,并对不同模型的预测结果进行了对比分析。【结果】基于ARIMA模型和LSTM模型的时间序列预测结果较好,横截面数据预测中,原始数据经主成分分析PCA降维处理后,可提高模型预测性能。【结论】对于水稻产量预测,应根据掌握的影响产量因素的数据以及趋势延续性情况合理选择预测模型,以达到较理想的预测效果。     

ARIMA和蒙特卡洛方法在预测降水量中的应用

为提高组合模型的预测精度,使其更好的应用于旱灾预测,采用差分自回归移动平均模型(ARIMA)模型和蒙特卡洛(Monte Carlo)方法分别对降水序列的线性、周期和非线性、随机部分进行预测,并通过博弈论组合赋权,建立基于博弈赋权的ARIMA和蒙特卡洛组合模型。以吉林省松原地区为例,利用1953~2012年逐月降水资料建模并预测,并与最小二乘法赋权法进行对比。结果表明:在对松原地区2012年月降水量的预测中,ARIMA模型预测值的决定系数为0.908,蒙特卡洛方法预测值的决定系数为0.941;应用博弈理论拟合蒙特卡洛方法和ARIMA模型的预测值,其结果的决定系数为0.945,高于最小二乘法拟合结果。蒙特卡洛方法的预测精度高于ARIMA模型,更适合降水量数据。同时将博弈理论应用于拟合两种方法的预测结果,使预测数据的线性和非线性特征有机结合起来,提高了预测精度,是切实可行的。     

ARIMA模型和灰色模型在农产品价格预测中的应用比较

以遵义猪肉价格为例进行预测模型分析,构建了ARIMA模型和灰色模型,对2种模型的具体步骤进行对比分析。结果表明,ARIMA(1,1,0)模型和灰色模型GM(1,1)为最优预测模型;在农产品价格模型中,ARIMA模型适合短期预测,灰色模型适合中长期预测。     

基于ARIMA和GA-Elman神经网络的新疆年降水耦合预测研究

[目的]提高降水预报的预测精度,准确预测一个地区未来的降水量,可以提高该地区防灾减灾的能力,更好地为工农业生产生活提供决策参考.[方法]以年降水时间序列为研究对象,利用差分自回归移动平均(ARIMA)和GA-Elman神经网络技术建立一种耦合预测模型.该模型首先根据年降水时间序列建立ARIMA模型,拟合它的线性结构部分,基于原始降水序列和ARIMA模型的预测值、残差序列,利用GA-Elman神经网络技术进行耦合建模.将该模型应用于新疆年降水量的预测预报,并与单一的ARIMA模型、GA-Elman神经网络模型进行比较.[结果]耦合模型的归一化均方误差、平均绝对误差、后验差比值及小误差概率分别为0.287,9.581,0.241和1,均优于ARIMA模型、GA-Elman神经网络模型,预测精度得到了明显的提高,预测精度等级为好.[结论]基于ARIMA和GA-Elman神经网络的耦合预测模型具有更高的预测精度,可用于新疆的年降水量预报.     

KPCA_SVM水文时间序列预测模型的建立与应用

【目的】建立水文时间序列预测的核主成分支持向量机(KPCA_SVM)模型。【方法】利用核主成分分析(KPCA)对输入数据进行非线性特征信息提取,并将提取的特征信息作为最小二乘支持向量机(LSSVM)的输入变量,建立KPCA_SVM预测模型。以甘肃民勤地区的月蒸发量为例,对模型的预测效果进行检验。【结果】预测结果表明,KPCA_SVM模型预测效果优于PCA_SVM模型和LSSVM模型,预测平均相对误差为8.36%。【结论】KP-CA_SVM模型的预测效果优于没有特征提取的LSSVM模型。与主成分分析(PCA)提取特征相比,KPCA特征提取效果更好。     

ARIMA模型在河南省PDSI旱度模式预测中的应用(英文)

[目的]构建准确度较高的旱情预测模型。[方法]采用ARIMA回归模型,对已经建立的河南省帕默尔旱度模式(PDSI)时间序列进行分析建模,借助DPS数据处理软件构建未来干旱预测模型。[结果]通过选取合适的参数,能够较好地预测未来干旱发生的可能性。[结论]ARIMA模型在PDSI的干旱的分析和预测上具有一定的实用性和较好的预测精度。     

基于LS-SVM的烤烟烟叶产地判别

为了探索一种快速有效的烤烟烟叶产地鉴别方法,利用近红外光谱技术结合最小二乘支持向量机(LS-SVM)对烤烟烟叶的产地进行了判别。选择云南、湖北、河南三地不同等级烤烟烟叶作为研究对象,对原始光谱数据进行平滑和附加散射校正(MSC)预处理后再进行主成分分析,选择4～12个主成分作为输入变量进行LS-SVM建模。结果显示,该LS-SVM模型预测效果较好,预测相关系数rp≥0.990 7,预测标准误差(SEP)和预测均方根误差(RMSEP)分别为1.755 1和1.737 3,优于偏最小二乘回归(PLS)的预测结果,基于LS-SVM的近红外光谱技术能够很好地对烟叶产地进行判别。     

科技成果转化过程分析

选取2002~2013年我国石油进出口贸易量的数据进行建模分析。首先运用小波分析理论将贸易量数据进行分解,识别出数据的主要特征和细节特征,针对不同特征进行识别和平稳性检测和参数估计,建立相应的ARIMA模型,并进行预测加权合成。仿真结果表明,小波分析结合ARIMA组合模型的预测精度远远大于为改进的ARIMA预测模型,从而为科学合理的决策提供更为精确的预测模型。     

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。     

广西桑蚕原种净种率的时间序列分析

【目的】了解广西桑蚕原种净种率的发展规律,为原种生产管理提供决策依据。【方法】采用时间序列ARIMA模型及季节性结构分量（Seasonal structure component）模型,对广西桑蚕原种净种率的发展规律进行分析研究。【结果】运用SPSS软件对广西2001~2007年每年12批的桑蚕原种净种率序列进行时间序列分析,建立了一个反映广西桑蚕原种净种率规律的ARIMA（1,0,0）统计预测模型,且该模型通过白噪声序列检验;利用该模型对2008年的12个批次桑蚕原种净种率进行预测,发现预测值与实际值较接近。而季节性结构分量模型分析结果表明,广西桑蚕原种净种率在7年里呈逐年下降的趋势,客观反映了广西桑蚕原种的生产规律。【结论】应用时间序列分析方法分析广西桑蚕原种历年生产数据并研究其潜在规律,是一种行之有效的分析方法。     

广西桑蚕原种净种率的时间序列分析

【目的】了解广西桑蚕原种净种率的发展规律,为原种生产管理提供决策依据。【方法】采用时间序列ARIMA模型及季节性结构分量（Seasonal structure component）模型,对广西桑蚕原种净种率的发展规律进行分析研究。【结果】运用SPSS软件对广西2001~2007年每年12批的桑蚕原种净种率序列进行时间序列分析,建立了一个反映广西桑蚕原种净种率规律的ARIMA（1,0,0）统计预测模型,且该模型通过白噪声序列检验;利用该模型对2008年的12个批次桑蚕原种净种率进行预测,发现预测值与实际值较接近。而季节性结构分量模型分析结果表明,广西桑蚕原种净种率在7年里呈逐年下降的趋势,客观反映了广西桑蚕原种的生产规律。【结论】应用时间序列分析方法分析广西桑蚕原种历年生产数据并研究其潜在规律,是一种行之有效的分析方法。     

基于PCA-LSTM神经网络的凡纳滨对虾养殖水质预测

基于上海奉贤区2个水产养殖合作社2014—2018年和2021年的检测数据,选取水温(T)、溶解氧(DO)、高锰酸盐指数(I_Mn)、总磷(TP)、总氮(TN)、氨氮(TAN)、亚硝酸盐氮(NO₂^--N)、硝酸盐氮(NO₃^--N)共8个水质指标进行研究,提出了基于主成分分析(Principal component analysis, PCA)和长短时记忆神经网络(Long short-term memory neural network,LSTM)的预测模型。首先采用主成分分析法对数据进行特征提取和降维,选取高锰酸盐指数(I_Mn)和氨氮(TAN)作为水质预测指标,建立基于PCA法的LSTM模型;接着采用PCA-LSTM模型对不同养殖塘的水质进行预测;最后,将其与单一LSTM模型进行对比以验证模型的优劣。结果表明:PCA-LSTM模型可用于凡纳滨对虾养殖池塘水中I_Mn和TAN的预测, 预测结果优于单一LSTM模型。     

基于气象因子的柏木属植物引种成活率预测模型

[目的]探索柏木属(Cupressus L.)植物在南京中山植物园的引种成活率与来源地各气象因子之间的关系。[方法]根据1976年以来的档案数据,通过主成分分析法对气象因子参数进行降维处理,得到2个相互独立的主成分;以主成分为自变量,平均成活率为因变量,利用回归分析法建立引种成活率预测模型。[结果]引种成活率预测模型为:Y=88.480+0.028Z_1-0.10Z_2,其中主成分Z_1温光条件因子是决定引种成活率最主要的因素。[结论]该模型可为柏木属植物引种前评估提供理论依据。     

基于支持向量机的教学质量评估研究

给出了基于LS-SVM的教学质量评估模型,先采用主成分分析对其影响因素作评价和预处理,然后构建LS-SVM模型,为了便于比较,同时利用单一的LS-SVM模型对教师教学质量进行模拟与预测,并在Matlab中实现。结果表明,基于主成分与LS-SVM的教学质量评估模型较单一的LS-SVM模型具有更加理想的精度,得到了满意的评估结果,具有广泛的适用性。     

Modeling greenhouse air humidity by means of artificial neural network and principal component analysis

A back propagation neural network (BPNN) based on principal component analysis (PCA) was proposed for modeling the internal greenhouse humidity in winter of North China. The environment factors influencing the inside humidity include outside air temperature and humidity, wind speed, solar radiation, inside air temperature, open angle of top vent and side vent, and open ration of sunshade curtain, which were all collected as data samples. Through PCA of these data samples, 4 main factors were extracted, and the relationship between the main factors and the original data was discussed. Taking the principal component values as the input of BPNN, the model showed a good performance. A comparison was made between the performances of the BPNN based on PCA and the stepwise regression method with 20 data samples which had not been used to establish the NN model, and the prediction of stepwise regression method was less accurate than the BPNN based on PCA.     

基于主成分分析和BP神经网络的土壤养分近红外光谱检测

基于近红外光谱技术的土壤养分快速、无损检测,有利于精细施肥决策。在一黄豆田采用7 m×7 m的栅格采集54个土样,测定其土壤有机质、速效氮、有效磷、有效钾,并使用FieldSpec 3光谱仪测定土样的近红外漫反射光谱。将54个样本随机分成预测集与验证集,其中预测集40个,验证集14个。通过平滑预处理后,利用主成分分析法(PCA)提取原始光谱8个主成分。然后以8个主成分为输入,分别以所测土壤养分作为输出,建立土壤有机质、速效氮、有效磷、有效钾的预测模型,最后对14个验证样本进行预测。结果表明,在小尺度采样的情况下进行光谱分析,采用主成分分析和人工神经网络相结合的方法建立土壤有机质预测模型,其测量值与预测值的相关性较高,相关度为0.796 2,相对误差较小,其平均值为1.88%,表明该方法预测土壤有机质含量是可行的。但对土壤速效氮、有效磷和有效钾含量的预测并不理想,还有待进一步研究。     

组合时间序列模型及其在我国农业总产值预测中的应用

基于组合预测理论,首先建立了我国农业总产值的ARIMA和Holt双参数线性指数平滑单项时间序列预测模型;对模型进行检验后,根据标准差法对各模型进行权重分配,建立我国农业总产值组合预测模型。通过对比证明,组合时间序列模型能在一定程度上克服单项模型缺陷,提高预测精度。