新陈代谢GM(1,1)模型在兵团农机总动力预测中的应用

借助灰色系统理论,利用兵团农机总动力的历史数据,建立并对比分析了GM(1,1)模型和新陈代谢GM(1,1),对兵团农业机械总动力进行预测,为以后兵团农业机械化的发展提供一定的参考。     

兵团农机总动力预测的灰色模型

借助灰色系统理论,利用兵团农机总动力的历史数据,建立了灰色预测GM(1,1)模型,对兵团农业机械总动力进行预测,为以后兵团农业机械化的发展提供一定的参考。     

基于离散灰色模型的中国农机总动力预测

农机总动力预测对于国家制定相关农机发展政策具有重要意义。为此,运用离散灰色模型,对2004-2011年间的我国农机总动力的数据进行了分析建模、相关检验。其平均相对误差为0.307%,小误差概率为1,后验差比为0.026,关联度为0.999 1,各指标都达到一级判别标准,表明该模型可以用于农机总动力的预测。在此基础上,对其2012-2020年间的发展趋势进行了预测,预测结果显示农机总动力呈逐年递增趋势,平均年增长率为6.204%,发展态势良好。     

基于灰色理论的陕西农业机械总动力预测

农业机械总动力预测是农业机械化科学管理的重要内容。为此,运用灰色系统理论GM(1,1)模型,对1998-2008年陕西省农业机械总动力进行了相关检验,模拟了陕西省农机总动力发展情况,相对误差均小于3%,平均误差为1.01%,模型可用于农机总动力预测。预测结果表明:2011-2015年陕西农业机械总动力分别为19 570,21 687,2 3932,26 315,28 843kW,呈直线上升趋势,年平均递增率为9.48%。     

黑龙江省农机总动力灰色预测与分析

借助灰色系统理论，利用黑龙江省农机总动力历史数据，建立子灰色预测GM(1，1)模型，对其农业机械总动力进行了预测，这对黑龙江省农业机械发展现划有着重型意义。     

基于人工神经网络的黑龙江省农机总动力预测

黑龙江省农机总动力的建模和预测是制定黑龙江省农机发展计划的重要依据。为此,应用BP人工神经网络技术(BP-ANN)处理1980～1998年农机总动力数据,建立正确的预测模型。利用此模型预测出1999～2003年黑龙江省农机总动力数值,预测结果和实际结果有很好的一致性;同时,预测了2004～2006年黑龙江省农机总动力数值,为今后制定农机发展战略提供参考依据。     

中国农机总动力预测分析

农业机械总动力是衡量农机化发展水平的主要指标。通过对我国农业机械总动力统计数据研究分析,建立了农业机械总动力预测分析数学模型,经检验,表明模型预测的准确度很高,模型是合适的、实用的;依模型预测我国农业机械总动力在相当长时间内将呈直线增长态势。     

农机总动力的预测及多种数学方法的应用比较

应用多种数学方法对青海省历年的农机总动力进行了预测，取得了良好的效果。通过对这些数学方法的应用比较。分析了其中每种方法的适用范围和优缺点。为相关管理部门进行正确的决策提供了依据，并为正确选用各种数学方法进行预测具有指导意义。     

中国农机总动力预测分析

农业机械总动力是衡量农机化发展水平的主要指标。通过对我国农业机械总动力统计数据研究分析,建立了农业机械总动力预测分析数学模型,经检验,表明模型预测的准确度很高,模型是合适的、实用的;依模型预测我国农业机械总动力在相当长时间内将呈直线增长态势。     

吕梁市农机总动力预测

以1979—2015年吕梁市农机总动力为研究基础,利用指数函数、三次多项式函数及BP神经网络分别建立农机总动力预测模型并进行样本比对。结果表明,BP神经网络和指数函数模型的平均绝对误差分别为1.11%和3.22%,低于三次多项式函数的平均绝对误差（8.05%）。利用BP神经网络模型和指数函数模型对2016—2021年吕梁市农机总动力进行预测,以期为农业机械化水平的发展提供参考。      

辽宁省农机总动力组合预测与分析

通过对1994～2004年辽宁省农机总动力历史数据的统计分析,建立了农机总动力发展的组合预测模型,并对农机总动力进行了预测.预测结果表明,组合预测模型优于单一预测模型,使预测精度有了一定的提高,用其对辽宁省农机总动力进行预测更具有合理性.分析预测结果对辽宁省农机发展规划有着重要意义.     

基于面板数据的江西省农业机械总动力影响因素研究

为明确影响农业机械总动力增长变化的主要原因,根据江西省1994—2018年的相关统计资料,选取种植结构、粮食产量、农民人均可支配收入、第一产业就业人员占比和江西省财政总收入5个影响江西省农机总动力增长的主要指标,采用多元回归分析法,解释影响江西省水稻农业机械化总动力变化的主要因素,包括粮食播种面积占比（即粮食作物播种面积占总农作物播种面积比值）和第一产业就业人员占比。结合江西省的实际情况提出稳定粮食播种面积,创造良好的耕作环境,综合考虑政策因素、技术因素因地制宜制定合理的补贴政策等具体对策及建议。      

基于灰色模型的农业机械总动力预测

农业机械总动力是评价一个国家农业现代化程度的重要指标.根据2003-2007年我国农业机械总动力的历史数据,采用基于灰预测的指数增长模型对农业机械总动力进行了预测.在模型建立前,进行了级比平滑检验,认为数据具有建立灰预测模型的基础;模型建立后,又进行了相对误差检验、后验差检验和残差检验.检验结果表明,模型具有较高的精度,适合中长期预测.最后,根据该模型给出了2010-2012年我国农业机械总动力的预测结果,认为我国农业机械总动力将于2012年达到103222亿kW.     

吉林省农业机械总动力及其影响因素分析

农业机械化是农业现代化的重要标志,吉林省作为粮食大省,农业机械化的发展至关重要。为此,运用吉林省1987-2012年的相关数据,对吉林省农业机械总动力及其影响因素进行多元线性回归分析,建立了回归模型。结果表明:在其他变量保持不变的情况下,农村居民家庭恩格尔系数每降低1%,农机总动力就增加0.5947%;农村劳动力转移率每增加1%,农机总动力就增加0.5155%;农民家庭年纯收入每增加1%,农机总动力就增加0.1248%;农业财政支出每增加1%,农机总动力就增加0.0936%;人均耕地面积每增加1%,农机总动力就增加0.0064%。未来吉林省要充分重视这5个主要因素,从提高农民对农机的内在需求和加强政府扶持等外部环境两大方面促进农业机械化的发展。另外,需要加强对新型职业农民的培育,以适应新时期农机发展对人才与科技的需求。     

基于Shapley值的农机总动力组合预测方法

应用合作博弈中的Shapley值方法,通过分配总误差来确定组合预测模型中各预测模型的权重,以此构建组合预测模型并对山西省农机总动力进行组合预测.结果表明,该组合预测模型的预测平均误差为1.81,低于选定的一元线性回归模型、三次指数平滑模型和BP神经网络模型的3.12、2.42和2.23;也低于基于方差倒数法以及基于离异系数法构建的组合预测模型的预测平均误差1.88和1.90.     

考虑自变及因变影响的农机总动力组合预测模型

为能获得精确预测农机总动力的方法,以灰色模型和多元线性回归模型为子模型,应用Shapley值法计算子模型权重系数,构建农机总动力组合预测模型。应用我国2000-2010年农机总动力数据,分别标定上述模型相关参数,并计算各模型年度相对误差和平均相对误差。其中,GM模型和多元线性回归模型的平均相对误差分别为0.68%和0.91%,组合预测模型的平均相对误差为0.59%,精度较高。同时,组合模型既能够反映数据自身变化规律的特征,又能定量反映农机总动力与其相关影响因数间的数理关系,具有较强的适用性。     

基于BP神经网络的农机总动力组合预测方法

鉴于单一预测模型和线性组合预测模型的局限性,在确定黑龙江省农机总动力单一预测模型的基础上,建立了基于BP神经网络的非线性农机总动力组合预测模型。误差分析表明,该非线性组合预测模型的拟合平均绝对百分误差为3.03%,低于一元线性回归模型、指数函数模型、灰色GM（1,1）模型和三次指数平滑模型的6.26%、4.65%、4.88%和3.72%;稍高于以误差平方和最小为原则构建的线性组合预测模型的2.86%。用2006～2008年黑龙江省农机总动力进行检验预测,结果表明该模型可以有效地提高农机总动力的预测精度,用该模型预测了黑龙江省2009～2015年农机总动力。预测结果表明,在未来几年黑龙江省农机总动力将保持快速增长趋势,到