粮食产量灰色模型预测

根据灰色系统理论,建立了GM(1,1)模型,并对粮食产量进行了预测。结果表明:用GM(1,1)模型预测粮食产量,从理论上讲比数理统计模型严谨,计算比较简单,弥补了中小地区不能实现依靠气象预测和遥感预测的缺陷,因此具有一定的可行性。     

中小范围内粮食产量灰色模型预测

利用灰色系统理论的预测和决策功能,对粮食产量进行统计和预测。结果表明：用GM（1,1）模型对粮食产量预测,建模简单,预测精度高,在预测粮食产量、气候变化、农田灾害等方面有较大的实用意义。     

基于灰色马尔科夫模型的中国水果产量预测研究

水果产量信息对于中国水果生产、流通、加工、消费等都有重要意义,水果产量变动的随机性、非线性、波动性和复杂性,给水果产量的中长期预测带来了很大的困扰。为了更准确地预测中国水果产量,尝试将灰色动态预测与马尔科夫模型结合起来,对中国水果及主要水果品种的产量进行预测。结果表明:灰色马尔科夫模型预测的精度和准确性较高,灰色马尔科夫模型预测2017年中国园林水果的产量为22 141万t,各主要水果品种的产量近年也继续保持增长趋势。最后,根据中国水果产量的预测情况,基于资源禀赋和保障粮食安全的考虑,认为中国水果产业要在保证粮食安全的基础上有序发展,同时要根据地区资源环境特征、水果生产特点和区域社会经济状况调整水果优势区域布局。     

基于灰色马尔科夫模型的我国水果产量预测分析

随着现代社会民众饮食和健康观念的不断提升,人们对于水果的需求也是逐渐增加和变化的,而水果的产量由于自然天气和国内外环境的影响,呈现出随机性、非线性、波动性和复杂性,所以水果的产量预测具有很大困难性,因此有必要对我国的水果产量进行预测的评估。以灰色预测理论为基础,提出了基于灰色理论和灰色马尔科夫模型结合的新方法,重新预测了我国未来的水果产量,并将两种方法的精度进行比较,结果表明:灰色马尔科夫预测模型的精度和准确性均比单纯的灰色模型要高。根据灰色马尔科夫预测模型的预测结果,尝试提出我国未来水果的发展战略。     

基于改进算法的灰色马尔科夫模型的建设用地预测

改进灰色系统理论GM（1,1）模型的算法,并且将改进后的灰色模型与马尔科夫模型结合。通过对灰色系统预测数据的修正,既发挥了灰色系统预测精确的特点,又利用了马尔科夫模型对预测波动性数据准确的优势。结合西安户县的实例,对在时间序列上展开的具有一定的波动性的建设用地数据进行预测,达到很高的预测精度。     

基于新维无偏灰色马尔科夫模型的建设用地预测

根据建设用地需求的特点,采用新维无偏灰色马尔科夫模型进行预测。实例计算结果表明,该模型与一般无偏灰色模型和灰色马尔科夫模型相比,预测准确度得到了较大提高,可以用于土地利用规划预测。     

灰色模型的计算机程序与江西省粮食产量的预测

本文提供了灰色预测模型的计算机程序,应用该程序对江西省粮食产量进行了预测。     

基于灰色多元线性回归的粮食产量预测

针对粮食产量预测精度差和波动大的问题,结合灰色系统和多元线性回归模型,提出了一种灰色多元线性回归模型。利用该模型对南宁市的粮食产量进行了预测。结果表明,灰色多元线性回归模型的预测精度要高于单一的灰色系统或多元线性回归模型。     

灰色-马尔科夫改进的土地利用变化模型研究

土地利用演变具有复杂性、非线性特征,其模拟预测的精度受到空间转换规则及数量预测约束的影响。针对经典数量预测马尔科夫模型存在忽视社会发展阶段性速率不同及灰色模型对随机波动性大的数据拟合效果较弱等不足,构建了基于灰色-马尔科夫改进的土地利用变化预测模型,以双鸭山市为案例区进行实例验证,结果显示,考虑社会因素影响的灰色-马尔科夫改进模型,能够反映社会发展等因素对土地变化的综合作用,预测趋势更加符合不同发展阶段用地规律,同时解决了社会经济类指标在土地利用变化模拟中难以空间化表达的问题;改进的灰色-马尔科夫模型能够发挥马尔科夫链处理数据波动的优点,降低传统灰色模型将土地随机变动数据视为干扰数据剔除进而产生的误差,有效提高数量预测模型的精度。进一步通过模拟验证表明,相比于传统马尔科夫模型,灰色-马尔科夫改进模型2020年模拟结果FoM精度提高了20.07%,证实通过数量预测方面的改进对于提升模拟精度有较为明显的正向推动。     

基于灰色多元线性回归的河南省粮食产量预测

对河南省1990-2009年影响粮食总产量的8个因素进行灰关联分析,找出影响河南省粮食产量的主要因素.运用Eviews软件,对主要影响因素建立多元线性回归模型并预测未来5 a河南省粮食总产量.     

基于无偏灰色马尔科夫链的稻瘟病预测研究

采用五点滑动法优化原始数据,建立新的灰色马尔科夫预测模型。在分析利用湖北省恩施州1995～2004年稻瘟病历史资料的基础上,分别应用五点滑动优化无偏和无偏GM（1,1）模型预测2005～2010年稻瘟病发生面积。预测结果表明：五点滑动优化无偏GM（1,1）模型预测精度较高,应用于稻瘟病预测切实可行。结合五点滑动优化无偏GM（1,1）模型预测结果,笔者给恩施州2010年稻瘟病的防治提供了政策建议。     

基于趋势-状态预测方法的粮食产量预测

趋势-状态预测方法能够较好地解决既有趋势性又有较大波动性的数据序列的预测问题,且具有计算简便、精度高的特点.本文利用该方法对浙江省粮食产量进行了预测分析,为粮食生产的预测和科学管理提供了依据.     

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。     

基于时空回归模型的河南省粮食产量预测

综合运用相关分析、回归分析和时间序列分析法,把时间和空间结合起来建立河南全省及各地市粮食产量时空回归预测模型。首先用2000、2005年的河南省各地市的粮食产量建立回归方程,然后以某一年的粮食产量作为自变量,预测其后第5年的粮食产量,得到的因变量数值再作为自变量,预测相隔同样年份的粮食产量,以此往前逐年移动预测,一直预测到所需年份。研究表明,河南省2015、2020年的粮食产量分别是5984.96万、6792.93万t,与其他研究者的研究结果有一定程度的吻合。     

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。     

中国粮食产量的无偏灰色GM(1,1)模型与预测

根据《中国统计年鉴-2008》等最新统计数据,建立改进的无偏灰色GM（1,1）模型,并对2009～2015年中国粮食产量进行实证分析和预测。结果表明,所建模型简化了建模步骤,提高了预测精度,预测结果符合中国粮食生产实际。     

基于灰色马尔科夫模型的四川省耕地面积及耕地压力指数的分析与预测

基于四川省36年的耕地数据,采用改进的灰色马尔科夫预测模型对总耕地面积和耕地压力指数进行分析与预测。结果表明:(1)研究期内,四川省耕地总面积及人均面积均呈现下降趋势,但是由于粮食单产和复种指数的提高,最小人均耕地面积呈波浪式递减趋势;(2)耕地压力指数总体呈上升趋势,说明实际人均耕地面积的减速低于最小人均耕地面积的减速;(3)灰色马尔科夫模型预测比单一灰色预测模型的预测精度提高了1.14%,可见其对中长期具有波动性的数据预测拟合度更高;(4)随着二胎政策出台,将面临更大的人口压力,未来10年四川省耕地面积仍有下降趋势,耕地压力指数呈波动上升趋势。     

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。     

基于马尔可夫模型的粮食产量丰歉状态预测

基于粮食产量序列存在不确定性、不精确性的特点,应用有序聚类的方法建立粮食产量丰歉状态的分级标准,并根据烟台市1949~1997年粮食产量对1998和1999年的粮食产量进行了预测。结果表明,根据有序聚类的原理确定粮食产量的状态,可使确定的分级标准更加合理;1998和1999年预测结果为丰年的发生概率为0.786和0.838,与实际情况相符,预测效果比较明显。