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。     

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。     

年降水量灰色摆动等维新息预测模型

本文根据国营八五五农场气象站实测年降水量数据列,在等维新息GM(1,1)建模基础上,根据残差序列经离散傅里叶变换建立灰色摆动GM(1,1,ω)模型,再对其残差信息进行周期分析来修正预测值,其模型的预测精度较高。     

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。     

灰色等维新息模型在灌溉用水量预测中的应用研究

在分析现有灌溉用水量预测方法的基础上,运用灰色系统理论建立了等维新息模型GM(1,1),并用同步残差等维新息模型进行修正。结果表明,该模型能够及时更新数据信息,使模型保持良好的适应性,有效提高了预测精度。最后应用该模型对宝鸡峡灌区灌溉用水量进行预测检验,结果表明模型具有较高的预测精度。     

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。     

基于新维无偏灰色马尔可夫模型的小麦产量预测

针对小麦产量具有较大波动性的特点,结合灰色预测模型和马尔可夫理论,同时利用新信息优先的思想,以河南省2010—2019年小麦产量作为原始数据建立无偏灰色GM(1,1)模型、无偏灰色马尔可夫模型和新维无偏灰色马尔可夫模型,并对比3种模型的预测精度.结果表明,新维无偏灰色马尔可夫模型能提高预测精度,适合中长期预测,并预测出河南省未来5年的小麦产量数据.     

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。     

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GM(1,1)模型的四川省林业产业结构预测

【目的】预测四川省林业产业结构未来几年的发展趋势,为该省制定林业发展策略提供依据。【方法】以四川省2000-2010年林业三次产业产值为依据,在Matlab环境编码实现不同维数GM(1,1)模型相关参数的计算,选择精度最高的GM(1,1)模型与同等维数的新陈代谢GM(1,1)模型相结合,预测四川省2011-2020年间的林业产业结构。【结果】研究选择四维GM(1,1)模型与四维新陈代谢GM(1,1)模型结合,分别对四川省2011-2020年林业三次产业产值进行动态预测,并得到三次产业产值的比例关系。【结论】四川省林业产业结构在2011-2016年期间为"第二产业>第一产业>第三产业",2017年转换为"第二产业>第三产业>第一产业",且该结构有一直持续的趋势。     

基于GM(1,1)模型的河南省粮食总产量预测研究

基于河南省1990-2015年粮食生产的资料,利用GM(1,1)模型对河南省粮食总产量进行预测。通过对比预测值与实际值的误差,GM(1,1)模型对粮食总产量的预测效果较好。预测结果表明,河南省粮食总产量在未来呈现稳定递增的趋势。     

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。     

洛阳市粮食产量影响因素及预测

以洛阳市为例,探讨粮食产量的变化特征及其影响因素,结合主成分分析法,建立粮食产量分别与生产资料、消费能力的关系模型。运用GM(1,1)灰色模型预测洛阳市未来5年的粮食产量,结果显示未来5年该市粮食产量具有平稳增长的良性趋势,据此可为粮食生产相关部门提供决策指导。     

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。     

基于新陈代谢GM(1,1)模型的陕西省生猪及猪肉生产预测

对陕西省生猪及猪肉生产进行准确预测,力求避免盲目扩大或缩小生产规模给陕西省生猪产业造成经济损失是本文的研究主题。首先,利用1999～2008年陕西省生猪及猪肉生产的相关数据,对其生猪及猪肉生产的现状进行了分析;其次,运用灰色系统理论建立了不同维的常规GM(1,1)模型群,根据不同维预测模型的相对误差优选出基础GM(1,1)模型,并建立了灰色新陈代谢GM(1,1)模型,对陕西省未来五年的生猪及猪肉生产进行了预测;最后得出结论并提出适应陕西省生猪及猪肉生产的相关建议。     

灰色系统理论在陕西省农作物秸秆可收集量预测中的SAS应用

[目的]在SAS环境下,运用灰色系统理论对陕西省农作物秸秆可收集量进行预测。[方法]以草谷比和可收集系数估算2005—2015年陕西省农作物秸秆可收集量。以农村就业人口、农作物播种面积、农用化肥施用量和农业机械总动力作为影响农作物秸秆可收集量的4个主要因素进行灰色关联度分析。在SAS环境下,利用GM(1,1)灰色模型和基于GM(1,1)的多元回归模型对2016—2020年的陕西农作物秸秆可收集量进行预测,并对模型精度与误差进行分析比较。[结果]基于GM(1,1)的多元回归模型预测精度高于GM(1,1)模型的精度,较准确预测了2016—2020年陕西农作物秸秆的可收集量。[结论]准确预测农作物秸秆可收集量可为政府开展农业面源污染防治、提高秸秆综合利用提供强有力的数据支撑。     

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GM(1,1)模型的陕西省农村居民收入的预测分析

为了更好地预测和分析农村居民的收入问题,以陕西省农村居民2013—2018年的可支配收入数据为基础,利用灰色GM (1,1)预测模型进行预测分析。进行光滑性和级比检验,数据符合模型建模的条件,然后对数据序列先后进行了GM (1,1)模拟,并对结果进行了精度检验,结果表明,在分析陕西省农村居民收入这个问题上,该模型精度达到了99%以上;对2020—2024年陕西省农村居民收入进行了相应的预测,得出在未来5a居民收入会持续稳定地增长。     

新疆奇台县粮食生产影响因素与模拟预测研究

[目的]分析奇台县粮食生产的影响因素,并对其产量进行预测.[方法]在分析奇台县58年粮食生产动态变化特点的基础上,利用主成分分析法(PCA)探讨了粮食生产的影响因素.[结果]农业科技进步和经济发展、制度政策是影响奇台县粮食生产的两个主要因子;分别建立GM(1,1)模型、ARIMA(1,3,3)模型以及两者的组合模型,拟合了奇台县粮食总产量的动态变化趋势.结果发现组合模型平均相对误差率仅为7;,说明组合模型的模拟精度较高,从而得出2010～2015年奇台县粮食总产预测值.[结论]GM(1,1)模型和ARIMA(1,3,3)模型两者组合的模型预测精度高于单个模型的预测精度.2015年该县粮食产量将达到52.1×104 t.     

基于离散型灰色DGM(1,1)预测模型在涝灾预测中的应用

为提高涝灾预测模型的预测精度,针对GM(l,1)模型预测条件的局限性,提出离散灰色预测模型[称DGM(1,1)模型Ⅰ。应用离散灰色模型,以鞍山市1959~2006年的降雨量为依据,建立涝灾预测模型。结果表明:优化后的离散型DGM(1,1)模型的预测精度较原有的灰色GM(1,1)预测模型的预测精度有很大提高。并且该模型建模过程简单、适用性强,为涝灾的预测提供了新的方法。