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.     

基于主成分分析和粒子群优化神经网络的粮食产量预测

粮食产量的预测研究在粮食安全方面具有重要意义,神经网络可以较好地反映粮食产量这一复杂的非线性动态系统。但是传统的BP神经网络预测模型存在学习收敛速度慢、易陷入局部极小值等缺陷,为了改善这一缺陷,提出了一种基于主成分分析(PCA)和粒子群(PSO)优化神经网络的预测模型。首先计算各影响因素与粮食产量之间的相关系数,利用主成分分析方法降低影响因子的维度,将降维后的因子作为神经网络的输入,然后采用BP神经网络建立粮食产量预测模型,其中引入PSO算法对BP神经网络的权值和阈值进行优化,最后使用训练过的BP神经网络预测粮食产量值。预测结果表明,该模型可有效提高预测精度,且收敛速度快,全局收敛性好,为粮食产量预测提供了一种新的途径。     

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。     

基于人工神经网络的粮食产量预测模型

研究了人工神经网络在经济预测中的应用问题,探讨利用人工神经网络进行农业粮食产量预测的方法。提出一种基于多层前馈BP神经网络的农业粮食产量预测模型,可以得到影响粮食产量的主要因子和粮食产量之间的非线性映射关系。并通过实例验证了神经网络模型的预测精度明显高于线性回归模型的预测精度。     

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LM-BP网络的粮食产量预测

利用Levenberg-Marquardt (LM)算法对BP神经网络法进行改进,提出了基于改进型LM-BP神经网络模型的粮食产量预测方法.提取了粮食作物播种面积、化肥施用量、粮食作物有效灌溉面积、受灾面积、农村用电量、农业机械总动力、从事农业的人口、农村居民家庭生产性固定资产原值、农村居民家庭平均纯收入9个因子作为输入因子构筑模型,粮食产量作为网络输出,通过LM算法使网络误差最小化,最后使用相关系数、相对误差等指标对模型的模拟结果进行检验.结果表明,训练样本集中模拟值和实际值的相关系数为0.996,平均相对误差为0.47％;检测样本集中,预测值和实际值的相关系数为0.994,平均相对误差为0.56％;该模型具有较高的拟合精度和预测精度,将此网络模型应用于粮食产量预测是有效的、可行的.     

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。     

基于粒子群优化的BP网络模型在旱涝预测中的应用

旱涝预测为旱涝灾害防御措施的研究提供重要的依据.运用PSO优化的BP神经网络建立了旱涝预测模型.PSO优化的BP神经网络既发挥了BP神经网络在预测领域的优点,同时又结合了PSO算法全局搜索能力强、收敛速度快等特点进行预测.预测结果表明:辽宁省本溪地区11年实测数据对PSO优化的BP神经网络模型进行验证,PSO优化的BP神经网络模型的预测结果明显好于未经优化的,模型精度得到了一定程度的提高,能满足本溪地区旱涝预测的实际需要.     

基于粗糙集和BP神经网络的粮食产量预测研究

为提高粮食产量的预测精度,提出一种基于粗糙集和BP神经网络的粮食产量预测方法。该方法以吉林省粮食总产量的历史数据作为研究对象,利用粗糙集理论的属性约简特性,识别与粮食产量相关性较大的影响因素,剔除非主要影响因素,利用约简后数据建立RSBP神经网络预测模型。结果表明,粗糙集理论能有效减少数据的维数及噪声,减少神经网络的计算量,结合两种方法能有效提高预测速度和精度。     

基于多种模型的浙江省入境游客量预测

入境游客量是衡量地区旅游发展的重要指标之一,准确的旅游需求预测可以为旅游规划提供参考依据。本文根据浙江省2001-2011年接待入境旅游游客量及其他相关统计数据,运用BP神经网络法、GMDH模型、逐步回归分析与BP神经网络组合预测法以及BP神经网络与GMDH模型组合预测法,基于影响因子要素对入境游客量进行预测分析。实验证明BP神经网络与GMDH模型组合预测法具有较强的预测优势。     

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。     

基于逐步回归法和BP神经网络模型的苹果产量预测

本文通过逐步回归法挑选出4种影响苹果产量的关键气象因子，并运用逐步回归法和BP神经网络建立苹果产量预测模型，通过模型检验两种预测模型拟合效果均较好，均能够较好的预测今后苹果的产量趋势，BP神经网络模型预测有较高精度，但BP神经网络预测模型存在局限性。     

基于BP神经网络的马铃薯气候产量预报模型

为了准确预测马铃薯气候产量达到趋利避害的目的,利用1980—2015 年山西省大同市马铃薯产量及同期国家基准观象台观测到的气候资料,选用传统的统计回归方法和BP神经网络方法分别建立马铃薯产量预报模型。结果表明：通过二次函数曲线和最小二乘法确定马铃薯敏感期的气候因子是气温、日照和降水,其中降水对马铃薯产量的影响最大。通过改进的气候产量算法可以更好地反映气候要素与作物单产之间的函数关系。在Matlab 平台上训练精度设为0.005、学习率0.01 的BP神经网络方法可以很好地逼近非线性函数。用大于1/3 样本进行预报检验表明,在预报精度和拟合精度上,BP神经网络模型都明显优于传统的回归模型,BP神经网络方法在马铃薯产量预报中有具有非常广泛的应用前景。     

基于最小二乘支持向量机的灌区粮食产量预测研究

对常用作物产量预测模型进行了简要评述,建立了基于最小二乘支持向量机的灌区产量预测模型。最小二乘支持向量机,采用二次规划方法代替传统的支持向量机来解决函数估计问题。最小二乘支持向量机在利用结构风险原则时,在优化目标中选取了不同的损失函数,即误差ξ_i（允许错分的松弛变量）的二范数。这使得最小二乘向量机的优化问题为：min（1/2）‖w‖^2＋C（1/2）sum from i=1 to 1ξi~2（ξi是松驰变量;C为正则化参数）。用于函数估计的最小二乘SVM为：y（x）=sum from k=1 to Nαk K（x,xk）＋b。采用等式约束可以将求解的优化问题转化成线性方程,大大减少算法的复杂性,另外,采用径向基核函数的最小二乘SVM仅需确定γ、σ2个参数（γ为可调参数,σ为核函数宽度系数）,参数的搜索空间由标准SVM的三维降低到二维,极大地加快了建模速度。对γ,σ2个参数通过模型评估来确定参数最优值,大大提高了预测的精度。对河南省人民胜利渠灌区作物产量进行模拟计算,并用检验样本与灰色预测和神经网络模型的预测结果进行了比较。结果表明,最小二乘SVM预测的最大误差7.12%,平均误差4.81%;灰色理论预测的最大误差38.36%,平均误差17.52%;神经网络预测的最大误差10.40%,平均误差6.80%。可见,最小二乘支持向量机模型有较高的预测精度和良好的推广能力,预测结果优于灰色预测理论和人工神经网络,可作为灌区粮食产量预测的一种新方法。     

基于最小二乘支持向量机的灌区粮食产量预测研究(英文)

对常用作物产量预测模型进行了简要评述,建立了基于最小二乘支持向量机的灌区产量预测模型。最小二乘支持向量机,采用二次规划方法代替传统的支持向量机来解决函数估计问题。最小二乘支持向量机在利用结构风险原则时,在优化目标中选取了不同的损失函数,即误差ξ_i(允许错分的松弛变量)的二范数。这使得最小二乘向量机的优化问题为:min(1/2)‖w‖~2+C(1/2)sum from i=1 to 1ξ_i~2(ξ_i是松驰变量;C为正则化参数)。用于函数估计的最小二乘SVM为:y(x)=sum from k=1 to Nα_k K(x,x_k)+b。采用等式约束可以将求解的优化问题转化成线性方程,大大减少算法的复杂性,另外,采用径向基核函数的最小二乘SVM仅需确定γ、σ2个参数(γ为可调参数,σ为核函数宽度系数),参数的搜索空间由标准SVM的三维降低到二维,极大地加快了建模速度。对γ,σ2个参数通过模型评估来确定参数最优值,大大提高了预测的精度。对河南省人民胜利渠灌区作物产量进行模拟计算,并用检验样本与灰色预测和神经网络模型的预测结果进行了比较。结果表明,最小二乘SVM预测的最大误差7.12%,平均误差4.81%;灰色理论预测的最大误差38.36%,平均误差17.52%;神经网络预测的最大误差10.40%,平均误差6.80%。可见,最小二乘支持向量机模型有较高的预测精度和良好的推广能力,预测结果优于灰色预测理论和人工神经网络,可作为灌区粮食产量预测的一种新方法。     

基于最小二乘支持向量机的灌区粮食产量预测研究

对常用作物产量预测模型进行了简要评述,建立了基于最小二乘支持向量机的灌区产量预测模型。对灌区作物产量进行模拟计算,并用检验样本与灰色预测和神经网络模型的预测结果进行了比较。结果表明,最小二乘支持向量机预测的最大误差7．12％,平均误差4．81％。最小二乘支持向量机模型有较高的预测精度和良好的推广能力,可做为灌区粮食产量预测的一种新方法。     

基于Kriging插值和BP神经网络结合的粮仓温度场预测模型研究及实现

针对复杂仓储环境中粮情温度单点预测效果不理想、现有温度场建模难以满足工程应用需求等问题,基于温度场理论,结合分布式测温系统结构,提出了基于粮堆温度数据的温度场预测模型。该模型基于BP神经网络,利用粮仓内离散测温点数据预测对应点的未来温度数据;再采用Kriging插值法进行空间插值,利用已知位置的温度值估计出未知点的温度值,进而建立温度场的预测模型。仿真测试结果表明,温度预测的平均绝对百分误差为1.253 5%,均方根误差为0.106 0,预测效果良好。采用Kriging插值法进行温度点的插值,其平均绝对百分误差为9.470 0%,均方根误差为0.865 1。对比于传统的粮堆温度单点预测算法,该模型能够更好地反映粮仓内温度场变化趋势以及温度分布的情况,为粮仓管理者提供更好的数据支持,实现辅助决策。该模型可扩展性强,能够适用于各种仓储现场。     

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。