基于灰色-马尔科夫模型的粮食产量预测

为提高粮食产量预测的准确性,针对我国粮食产量数据的特点,提出基于马尔科夫的新陈代谢灰度模型对我国粮食年产量进行短期精准预测。该方法首先利用传统灰色模型对产量进行预测,并计算预测误差,通过对误差序列灰色建模修正产量预测数据;其次,通过粮食年产量预测精度,将年产量数据划分成若干状态,进而得到各阶状态转移概率矩阵及历年产量对未来年份粮食产量的影响权重;最后通过建立新陈代谢灰度模型对未来年份的粮食产量进行预测。结果表明,在使用2000—2010年年粮食产量数据对2011—2015年年粮食产量进行预测时,预测误差均小于0.40%,平均误差低至0.19%,能够实现粮食产量的短期精准预测。     

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。     

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。     

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。     

时间序列组合预测模型研究:以农业机械总动力为例

[目的]本文旨在提出更有效的时间序列组合预测模型的构建方法,建立预测精度较高的时间序列组合预测模型。[方法]以1978—2013年新疆农业机械总动力为数据源,建立了源序列的曲线回归、自回归积分滑动平均、3次指数平滑和灰色模型,并构建了预测对象和预测模型的关系数据库。提出了基于百分误差的计算属性重要度方法,依据该方法计算单一模型在组合模型中的权重,构建了单一模型预测值及其权重为输入的组合预测模型,使输出结果中完整的涵盖了时间序列不同单一预测模型的输出值特征。以误差分布特征为指标,对组合预测模型和各单一模型的预测性能进行分析。以组合预测模型拟合优度和预测值平均绝对百分误差(MAPE)作为评价指标,对基于百分误差、粗糙集、Shapley和熵权法的组合预测模型构建方法进行定量分析。[结果]预测周期内提出的组合预测模型的最大及平均误差与各单一模型最优值相比,分别降低了27.35和6.43,误差平方和(SSE)减少了73%,平均绝对百分误差降低了1.56%。基于百分误差的组合预测模型的拟合优度与基于粗糙集、Shapley和熵权法的组合预测模型拟合优度相比,分别提高了2.40%、5.10%和2.27%,粗糙集、Shapley和熵权法的预测值的平均绝对百分误差分别为1.673 0、3.726 1和2.702 4,而本文提出的模型的平均绝对百分误差为1.298 4。[结论]基于百分误差的组合预测模型在农业机械总动力和类似时间序列预测分析中,降低预测误差波动幅度及提高预测精度方面与其他单一模型和组合模型相比具有显著优势。     

极限学习机在洪涝灾害预测中的应用

为了减轻洪涝灾害对人类的伤害,将极限学习机(extreme learning machine,ELM)引用到洪涝灾害预测中,利用凌河流域1960~2010年44个观测站(其中大凌河流域33站、小凌河流域11站)的降水资料,对凌河流域洪涝灾害进行预测,并将其与传统神经网络预测结果进行对比分析。结果表明:基于极限学习机预测模型的年均降水量预测值,大凌河流域的均方误差(MSE)为0.003,决定系数(R2)为0.927;小凌河流域的均方误差(MSE)为0.0037,决定系数(R2)为0.8481,均满足误差精度要求,其结果均优于BP神经网络预测模型的均方误差值和决定性系数。说明极限学习机预测模型用于洪涝灾害预测效果良好,为洪涝灾害预测提供了新的方法。     

基于时间序列分析的吉林省粮食产量预测模型

吉林省是我国重要的商品粮生产基地,时间序列分析中的ARIMA( p,d,q)模型可以很好地反映吉林省的粮食生产状况。利用吉林省1978—2012年的粮食产量数据,根据时间序列分析法,通过Eviews软件得到吉林省粮食产量预测模型,由该模型预测吉林省未来粮食产量呈现稳中增长的势头,但增产幅度逐渐减弱。     

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。     

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。     

基于组合预测模型的水质数据预测研究

对时间序列水质预测问题进行研究,提出了基于最优加权法的组合预测模型.综合利用了ARIMA预测模型、人工神经网络模型和指数平滑法对水质数据进行预测,再将它们的结果利用最优加权组合法进行组合,得到组合预测模型结果.将组合预测模型应用到广州长洲水质预测工作中,得到了较好的预测结果.组合预测模型结果的精度高于单一模型结果.组合预测模型能平衡单一模型的偏差,具有更好的适用性和更高的精度.     

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。     

基于改进粒子群优化极限学习机的养殖氨态氮含量预测模型

针对养殖水体氨态氮含量预测准确性低的问题,提出了一种基于改进粒子群算法优化极限学习机的水产养殖氨态氮含量预测模型。引入自适应变异算子改进粒子群算法的搜索性能,利用改进粒子群算法优化极限学习机的初始权值和阈值,最后训练极限学习机预测模型求得最优解。将该预测模型应用在小汤山水产品养殖系统进行有效性验证,通过试验发现,与PSO-ELM和普通BP神经网络相比,IPSO-ELM预测氨态氮含量模型有更高的精度和更好的拟合能力。结果表明,基于改进粒子群优化的极限学习机氨态氮含量预测模型简单易懂、预测精度高、易于实现,具有较好的预测性能。     

基于高光谱和极限学习机的冷却羊肉表面细菌总数检测

为实现对冷却羊肉表面细菌总数(TVC)的无损检测,采用高光谱技术结合数学建模的方法,通过高光谱成像系统采集波长范围为400～1 100 nm冷却羊肉样本的高光谱信息,并采用基于极限学习机(ELM)及其改进算法建立冷却羊肉表面细菌总数预测模型,分别实现了基本的极限学习机(ELM)、核极限学习机(KELM)以及遗传算法优化核极限学习机(GA-KELM) 3种建模方法。通过试验验证,3种建模方法中,GA-KELM模型预测效果最佳,其训练集样本和预测样本的相关系数分别为Rc=0. 983 7,Rp=0. 930 6,均方根误差为RMSEc=0. 001 6,RMSEp=0. 001 6,从而验证了该方法的有效性。     

基于KPCA-IGOA-ELM的油气混输管道腐蚀速率预测模型

油气混输管道内腐蚀速率较大,准确预测混输管道内腐蚀速率对于提升管道完整性管理水平具有重要意义。针对这一问题,首先,利用现场监测结果构建评价指标体系和数据集,采用核主成分分析法(Kernel Principal Component Analysis,KPCA)进行降维操作,随后利用改进的蝗虫算法(Improved Grasshopper Optimization Algorithm,IGOA)对极限学习机(Extreme Learning Machine,ELM)进行优化,确定最优网络结构和激励函数,提出了KPCA-IGOA-ELM组合预测模型。利用该模型,以8组数据为基础进行预测,并与其他模型预测结果进行对比,以此验证预测效果。结果表明：KPCA算法共提取出3个主成分,简化了ELM模型的网络结构,其中H₂S分压、CO₂分压、Ca²⁺浓度、Cl-浓度、温度、流速对腐蚀作用的贡献较大;通过试算法确定最优ELM模型的网络结构为3-32-1,激励函数为Sigmoid函数,此时的均方根误差最小;KPCA-IGOA-ELM组合预测模...     

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。     

基于小波分解的害虫发生非平稳时间序列分析和预测

将小波分解应用于害虫发生程度非平稳时间序列的分析和预测。通过小波分解,将非平稳时间序列分离为多个平稳分量,然后采用自回归滑动平均方法对各平稳分量分别进行分析和建模,最后将所有分量的模型进行组合,从而可以得到原非平稳时间序列的预测模型。在实例分析中,利用1959年至2004年烟台市一代玉米螟发生程度数据序列建立了预测模型,利用2005年至2009年的数据对模型进行了检验。检验结果表明:5年预测准确率达到了80%,预测效果令人满意。     

基于新维无偏灰色马尔可夫模型的大坝沉降预测研究

【目的】基于组合预测思想,结合灰色理论与马尔可夫预测方法的特点构建一种新的预测模型,为大坝沉降量的中长期预测提供支持。【方法】通过对传统灰色系统模型的优化改进,简化建模步骤并提高模型预测精度。在此基础上,借助于马尔可夫模型处理时间序列的随机性波动,克服灰色模型对随机波动性大的序列预测精度较低的局限性,并利用新信息优先原理,构建新维无偏灰色马尔可夫组合预测模型。将构建的新维无偏灰色马尔可夫组合模型应用于大坝沉降量的预测。【结果】构建的模型预测平均误差由原来的1.7%降低为1.0%,且预测误差的变化波动性减小。同时,随着预测期数的增加,相对于传统灰色模型,改进后的组合模型的预测精度进一步提高。【结论】与传统计算方法相比,所建立的新维无偏灰色马尔可夫组合预测模型计算量小、预测精度较高,且该模型保留了传统灰色模型短期预测精度高的优点,提高了模型的中长期预测能力,适用于大坝沉降量的中长期预测。     

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。     

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。     

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。