基于灰度极限学习机的粮食产量预测

为提高粮食产量预测的准确性,针对我国粮食产量的数据特点,采用灰度和极限学习机相结合的组合预测模型对我国粮食产量进行短期精准预测。首先从原粮食序列中选取适量距离待预测年份较近的产量数据构成子序列,对该序列建立灰度预测模型,并计算模型预测误差。然后对原序列进行归一化处理,进而建立序列的极限学习机预测模型并计算模型的预测误差,以反映序列的长期变化规律。最后,根据2个模型的预测误差得到模型的权重系数,进而由2个模型的预测值组合得到最终的粮食产量。通过应用1949—2013年我国粮食产量数据对该模型进行验证表明,该组合方法能够准确预测3年的粮食产量,预测平均误差约为1.19%,预测精度明显好于灰度模型和极限学习机模型。     

基于小波变换灰度模型-人工神经网络(GM-ANN)组合的粮食产量预测模型

由于粮食生产受到社会、经济和气候等多方面因素的影响,造成粮食产量序列的复杂性、随机性和非平稳性。为了准确预测粮食产量,提出基于小波变换的灰度模型(GM)-反演(BP)神经网络[BP神经网络是人工神经网络(AMNN)的一种]相结合的预测方法,首先利用小波变换将非平稳序列转化为若干不同频率分量的平稳序列;然后针对各序列使用灰色GM(1,1)模型建立预测模型,为了进一步提高模型的预测精度,结合BP神经网络对预测残差进行修正;最后通过组合得到粮食产量的预测模型。通过对2011—2014年我国粮食产量数据的预测,表明所提方法的预测精度明显高于GM(1,1)和BP神经网络预测模型,4年的平均预测误差小于1%,能够较准确地预测我国粮食产量。     

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。     

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。     

工业污染与城镇化对粮食产量影响的灰色分析——以江苏省为例

引入工业污染和城镇化进程在粮食生产活动中的影响,通过灰色关联分析获取影响粮食产量的主要因素,建立GM(1,N)灰色系统模型对江苏省1996—2010年的粮食产量进行预测,与GM(1,1)模型对比结果表明,其拟合值平均相对误差较小,预测精度较高,可为未来粮食生产提供科学的指导。     

福建省粮食产量影响因素主成分分析与产量趋势预测

[目的]深入了解福建省粮食产量的主要影响因素,预测福建省粮食产量未来发展趋势,为相关部门制定粮食生产决策提供科学依据.[方法]以1978～2012年福建省粮食产量的相关统计资料为基础数据,利用主成分分析法探讨粮食产量的影响因素;并以2007～2012年的粮食产量数据为样本,建立GM（1,1）预测模型对福建省未来5年（2013～2017年）的粮食产量进行预测.[结果]1978～2012年福建省粮食产量呈波动增长、快速下降和平稳发展的阶段特征,粮食生产主要集中在南平、龙岩和三明市一带;利用主成分分析法在确保信息量的基础上,提取了农业现代化水平因素和价格政策因素两个主成分;灰色GM（1,1）模型预测结果显示,在政策扶持下2013～2017年福建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为0.87％,预测精度较高.[建议]应增加科技投入、提高单位面积粮食产量、加大粮食扶持政策实施力度,以保持福建省粮食生产能力及提高粮食产量水平.     

基于ε-SVR的粮食产量预测模型及应用

    提出一种基于支持向量回归的粮食产量预测方法,以浙江省近14年的粮食产量统计数据作为分析对象,选择影响粮食产量的农业从业人员、谷物播种面积、粮食总种植面积、农村机械总动力、农村用电量、受灾面积、成灾面积、上一年粮食收购价格、有效灌溉面积和化肥施用量等10个因素,用1991-2002年的产量数据进行建模,得到98.47%的拟合精度.应用这一模型,对2003和2004年度的粮食产量进行预测,分别达到97.5%和95.8%的预测精度.说明该方法适合用于粮食产量分析和短期预测,为粮食产量预测提供了一种新方法.     

基于灰色关联下的广西粮食主要生产影响因素评价

通过对1995—2010年主要年份广西主要粮食（稻谷、玉米、大豆、薯类）产量与相关生产因素的灰色关联度动态分析,提出广西主要粮食生产的可持续发展途径,为农业可持续发展提供参考。运用灰色系统理论中的关联度分析法对1995—2010年其中6个主要年份与粮食生产有关的7个影响因素进行量化动态分析。结果表明：粮食产量与相关生产因素的关联度为播种面积〉城镇居民家庭人均购买粮食数量〉化肥施用量〉乡村从业人员〉农田有效灌溉面积〉单位面积产量〉农田总用电量。     

粮食产量变化趋势的物元分析

利用灰色关联分析,挑选出与粮食产量关系密切的物理因子,可对粮食产量影响因子做出较准确的排序。以浙江省为例,利用前期的影响因子,对其粮食产量的变化趋势进行了物元分析。结果表明:在1995~2009年的15 a当中,浙江省粮食年产量的计算等级与实际等级符合的年份为13 a,1998年和2005年的计算等级和实际等级虽然情况不符合,但是也只是相差一个等级,计算结果理想。可以利用物元分析对未来粮食产量变化做出较准确的预测。     

基于灰色理论的河南省粮食生产预测

粮食生产的变化受很多因素的影响,其具有灰色系统的特征,可以应用灰色理论对其进行预测。基于河南省1978-2006年的粮食生产的相关数据,分析了粮食生产、人口、耕地的变化特征,并利用灰色理论对河南省未来14年内粮食产量、人口和人均耕地进行了预测研究,预测精度较高。结果表明,河南省未来几年内,人口数量和粮食产量呈不断上升趋势,但人均耕地面积却呈不断下降趋势。根据预测结果,提出了相对应保护耕地,提高粮食产量的对策,为政府部门制定政策提供科学依据。     

日照市玉米产量的预测模型构建

基于山东省日照市的玉米产量资料和相关气象资料,利用逐步回归和灰色理论进行了玉米产量的预测模型构建。利用MATLAB软件建立多元线性回归方程Q′=-20 175+116X1-54 944X2-4 218X3+148X4+616X5+279X6-91 735X7+12 806X8,方程通过显著水平0.05检验,预测出的1998—2008年产量误差幅度在0.5%～3.6%,预测精度较高;利用灰色系统理论,对GM(1,N)灰色预测模型加以改进,预测出的1994—2006年产量误差幅度在1.4%～16.6%,预测的精度在90%左右,效果较好。     

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。     

基于时间序列的黑龙江省粮食产量预测

应用时间序列分析方法,建立粮食生产动态模型,利用黑龙江省1980～2006年粮食总产量的数据进行了粮食产量的预测。将预测数据实际数据对比,结果表明：抛物线型趋势线平均百分误差为9.60,平均绝对误差为215.80,平均偏差平方和为70 281.90是准确度最高的。而指数型趋势线预测值在最近4年内最接近实际产量,其精度分别达到98.32%、97.31%、96.35%和94.02%。     

基于气象产量预测粮食产量的方法探索与研究

本文利用北京市10个区县25a(1980—2004年)作物产量和播种面积数据序列,运用直线滑动均值法求得趋势产量,运用马尔柯夫模型预测动态气象产量,二者结合得到2004年北京市10个区县粮食单产,预测结果表明:相对误差稳定在30%以下,该预测粮食产量方法有效。该粮食产量计算方法操作简单,可为粮食产量预测技术方法和生产实践指导依据。     

美国粮食和耕地变化及其趋势分析

本文基于最小耕地面积和压力指数对2000—2013年美国耕地面积和粮食产量数据进行现状分析,在此基础上利用BP神经网络模型对2014—2015年数据进行精度测算,最后运用该模型预测美国2016—2020年数据,实证结果表明,2000—2013年美国耕地面积呈波动下降趋势,水稻、大豆等农产品呈波动上升趋势。BP神经网络具有误差小、精度高的特征,因此,本文运用该模型预测未来5年美国耕地及农产品产量状况,2016—2020年美国耕地面积呈下降态势,农产品产量呈小幅度持续上升态势。     

运用混沌理论预测粮食产量

运用混沌理论的原理和方法预测粮食产量,探寻一种准确率高、时效长、成本低、便于普及推广的区域粮食产量预测方法。把粮食单产序列分解为趋势产量和气象产量2部分,用5年滑动平均法求得趋势产量后,通过分析粮食单产中气象产量分量的时间序列的变化规律,论述了由气候变化引起气象产量的年际波动具有混沌特性,具体表现为平稳的马尔柯夫型状态转移概率和相同的概率密度分布特点。并以陕西省武功县、河北省禹县和涿州3个地区1949—1999年小麦单产序列为例,运用MATLAB7.0语言编程构建了粮食产量的混沌预测模型,对2000年小麦单产进行预测,准确率分别为98.1%、92.1%和97.1%。预测结果表明,粮食产量的混沌预测法相对准确而有效,准确率在92%以上,可作为粮食产量预测的新方法加以推广。     

基于灰色新陈代谢模型的我国棉花产量预测

为预测2011年我国棉花产量,基于灰色预测建模思想和新陈代谢原理,建立了灰色新陈代谢预测模型,并结合实际情况分析了常规GM（1,1）模型和新陈代谢GM（1,1）模型的预测结果,表明新陈代谢预测模型比常规预测模型精度高。用新陈代谢GM（1,1）模型预测的我国2011年棉花产量为614.968 3万t。     

基于灰色关联分析法的河南省粮食产量影响因素研究

科学合理地利用农业各生产资源要素,是促进粮食增产、确保粮食安全的关键.选取全国第一夏粮大省河南省为研究对象,基于2000—2019年统计数据,运用灰色关联方法分析了影响粮食产量的因素,并通过时间序列模型对未来一个时期内河南省粮食产量进行了预测.结果表明:在影响河南省粮食产量的各个因素中,化肥使用量作用最为明显,其次为农药使用量和播种面积,受灾面积的影响程度最低.在未来一个时期内,河南省粮食产量预计将以一定的速度持续增长.     

河南省粮食生产能力预测

首先,介绍了河南省粮食生产现状,指出河南省粮食生产的飞速发展既解决了河南省人民的温饱问题,支持了工农业生产发展,保持了全社会大局稳定,又为保障国家的粮食安全作出了巨大贡献。其次,考虑到研究对象为小样本、贫信息的不确定信息,对数据及其分布的限制要求少,一般利用时间序列数据,通过GM（1,1）模型进行灰色预测。为确保所建立的灰色模型有较高的精度并应用于实践预测,该研究采用残差检验法。再次,选用1996～2008年河南省粮食产量数据,建立河南省粮食产量灰色预测模型,经灰色系统建模软件运算得到模拟及预测结果,表明河南省粮食产量在今后的发展中仍将呈现平稳攀升的态势,反映了粮食产量变化的规律。最后,规划将预测目标分为3个阶段,通过分析指出,规划目标切合实际,具有可行性。     

基于人工神经网络的辽宁省粮食产量模型预测研究

利用辽宁省1983～2008年粮食产量数据,建立了粮食产量预测的3层BP网络模型,网络拓扑结构为6-6-1。用此模型对作物产量进行预测,并与多元线性回归预测结果进行比较。结果表明,人工神经网络预测的最大误差为1.57%,平均误差为0.79%,网络预测精度为0.97,说明人工神经网络模型具有较高的预测精度和较强的泛化能力,为粮食产量预测提供了一条新途径。