基于聚类分析与时序算法的玉米测产模型

以每公顷玉米产量数据序列为分析处理对象,对玉米产量的时间序列进行了预测分析。结合线性回归分析技术和聚类分析理论,采用分层聚类算法与AR时序算法相融合的方法,探明影响玉米产量的主要因素,确定分层聚类方案,建立一个基于聚类分析的玉米产量AR时序模型,并对2005—2009年的玉米产量进行了预测。聚类分析后模型预测结果的误差值大多数<5%。     

R-T组合预测模型的建立及其在耕整机发展预测上的应用

回归预测技术应用广泛,方法理论较成熟;时间序列分析则是经济模型构造的进一步研究方向。实际应用中,两种方法都有局限性。作为这两者的组合,本文详细阐述了回归-时序(R-T)组合预测模型的建立,并用之对耕整机的发展作了科学的预测。     

基于传递函数模型的台风中心气压动态预测

[目的]通过ARIMA模型和传递函数模型的预测精度比较找到广东省台风预测中心气压的最好方法。[方法]利用时序图和相关系数对台风的风力、最大风速和中心气压进行相关性分析,得到它们具有很强的相关性。[结果]使用台风风力和最大风速作为输入变量的传递函数模型对样本内数据具有更好的预测效果。[结论]将现代时间序列分析的理论与方法应用于气象预报具有重要的实际意义。     

门限自回归模型及其在耕地总量预测中的应用

利用梅州市55年来长时序耕地总量统计资料,引入门限自回归模型对耕地面积进行了预测,并和马尔可夫模型预测结果进行了比较.结果表明,通过门限值的控制作用,门限自回归模型有效地利用时序数据隐含的时序分段相依性这一重要信息,限制了模型误差,从而保证了预测性能的稳健性,有很高的短中期预测精度.     

细分外推与模糊预测在近海水质非线性时序处理中的比较分析

近海水质非线性时间序列通常由于采集范围大、时间间隔长带有一定震荡性和模糊性,这使得对其进行分析与预测有一定的难度。本研究中以某近海水质指标磷酸盐(PO3-4-P)、硝酸盐(NO-3-N)、亚硝酸盐(NO-2-N)、铵盐(TNH+4-N)和硅酸盐(Si O2-3-Si)所形成的5种时间序列为例,采用逼近细分模式导出的细分外推法和多参考加权数据的模糊预测法对近海水质时序预测进行了比较分析,并通过图形与误差计算比较了两种方法的异同。结果表明:采用细分外推法预测序列在整体形状上能更好地逼近初始时序,而模糊预测法在整体逼近精度上占有优势。本研究中提出的预测比较方法可为同类问题的预测与模型选取提供参考依据。     

中国人均食用粮食消费量的时序预测

粮食消费预测是安排粮食生产、调整粮食种植结构、制定粮食安全和农业可持续发展战略的重要理论依据。利用粮食消费量与时间之间的相关关系, 采用SPSS程序包进行筛选, 建立我国人均食用粮食消费的时序预测模型。研究结果表明, 所建立的三个时序预测模型的拟合度等统计指标高度显著, 运用所建模型对所获资料进行的内推预测比较准确, 但外推预测结果因影响因素多, 其准确性有待时间和实际的检验。     

时间序列模型对黑龙江省水稻比较优势的预测

根据时间序列模型的原理,以黑龙江省水稻20多年的产量、规模为研究对象,在数值试验的基础上得到了适合于黑龙江省水稻综合比较优势分析的时间序列预测模型,对水稻综合比较优势做出预测,表明时间序列模型在农作物比较优势分析的预测中具有一定的优势.     

基于时间序列和多元模型的集约化猪舍温度预测

目的 从挖掘猪舍历史环境参数数据时序信息角度出发,提出基于时间序列模型和多元模型序列的猪舍温度预测模型。方法 采取缺失部分环境因子统计预测,评估猪舍环境中相对湿度、二氧化碳浓度、氧气浓度等环境因子对温度预测的影响程度。针对猪舍温度时间序列进行数据预处理,滤除错误值和缺失值,采用时间序列模型构建基于门控循环单元网络(Gated recurrent unit,GRU)的猪舍温度预测模型,采用多元模型建立基于梯度提升决策树(Extreme gradient boosting,XGBoost)缺失值重要程度的猪舍温度预测模型。将该预测模型用于预测广东省某集约化猪场母猪分娩舍温度,并与循环神经网络(Recurrent neural network, RNN)模型、反向神经网络(Back propagation neural network, BPNN)模型进行对比试验。结果 对比温度预测值与实测值发现,基于GRU模型对应的猪舍温度均方根误差和平均绝对误差分别为0.25和0.19 ℃,平均绝对百分比误差为0.65%;基于XGBoost多元模型的猪舍温度均方根误差和平均绝对误差分别为1.21和0.71 ℃,平均绝对百分比误差为2.50%。在时间序列的温度预测模型中,GRU模型表现出更优的预测效果;在多元模型的温度预测中,XGBoost模型的预测效果更优。结论 本研究使用的GRU模型在时间维度上对母猪分娩舍温度的变化起到了预警作用,确定了各种环境参数对温度的影响程度,为养殖环境的精细调控提供了参考。     

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。     

基于时间序列的大型灌区日退水量预测模型研究

采用时序图和自相关图相结合的方法,对大型灌区的日退水量时间序列进行了分析,建立了灌区日退水量时间序列ARIMA模型,并以宁夏青铜峡灌区为例进行了实证研究,取得了较为精确的结果,为灌区退水量的准确预测提供了理论依据。