无偏灰色预测模型在农业机械总动力预测中的应用

以我国1997~2005年农业机械总动力数据为基础,将无偏灰色预测模型应用到农业机械总动力预测中,并与传统灰色预测模型进行比较,结果反映了无偏灰色预测模型的优越性,最后预测数据显示2009年我国农业机械总动力将达到85 262.54万kW。     

黑龙江垦区农业机械总动力预测与分析

本文对黑龙江垦区农业机械总动力进行了预测分析。利用灰色系统理论,建立了灰色预测GM(1,1)模型,利用历史数据对农业机械总动力进行了预测,并进行了分析,为农业机械化发展规划提供依据。通过定性分析和建立GM(1,1)预测模型进行定量预测,预测结果为黑龙江垦区到2005和2010年末农业机械总动力将达到366.9和404.6万千瓦。认为黑龙江垦区农业机械将向着科技含量高、通用性好、经济性好、高生产率方向发展。     

组合预测模型在农业经济研究中的应用——以吉林省粮食产量为例

根据最优加权理论来确定权重,将时间序列模型、指数平滑模型和GM(1,1)预测模型加以组合,利用吉林省1952~2007年的粮食产量统计数据,建立了吉林省粮食产量的组合预测模型;并预测出了吉林省2008~2015年的粮食产量和年均增长率。     

组合预测模型在黑龙江省农机总动力预测中的应用

农机总动力是反映和评价农业机械化水平的一个重要指标.通过对黑龙江省农机总动力历史数据进行分析,建立了指数模型、GM（1,1）模型和BP神经网络模型3种预测模型,其次,应用基于离异系数法、二次规划法、Shapley值权重分配法分别构建组合预测模型.拟合结果表明,各种组合预测模型优于各单一模型.最后应用基于Shapley值权重分配法对黑龙江省农机总动力进行组合预测,为制定农机动力发展规划提供了依据.     

我国农业机械总动力预测——基于背景值优化的GM(1,1)模型

随着现代科技的不断发展,农业机械化程度不断提高,而农业机械总动力是衡量一个国家农业现代化程度的重要指标。传统的灰色预测方法无法更加准确地进行预测,因此,提出了基于背景值优化的GM(1,1)模型预测,并用2003~2012年的数据对模型进行验证对比,解释了此方法相比单纯的灰色预测精度有所提高,可以预测我国未来数年内农业机械总动力的拥有量,便于国家对农机发展的宏观调控。     

基于BP神经网络的农机总动力预测模型研究

利用黑龙江省1980～2007年农机总动力数据,对BP神经网络模型和现有农机总动力预测模型进行分析,建立了基于BP神经网络的农机总动力预测模型,并将该模型应用到2007年以后黑龙江省农机总动力的预测中,取得了良好的预期效果,为黑龙江省的农业机械化发展趋势和农机产品市场分析提供了一定的理论指导。     

基于支持向量机的中国农业机械总动力预测

为更好地预测中国农业机械总动力的发展趋势,引入了基于支持向量机的预测方法.以1979—2008年中国农业机械总动力的统计数据为训练样本,以2009年和2010年的统计数据为检验样本,采用新陈代谢法建立了基于支持向量机的我国农业机械总动力预测模型.为了验证该方法的有效性和优越性,同时采用新陈代谢法分别建立了基于普通BP神经网络和改进的BP神经网络的预测模型.仿真预测与检验样本预测的结果表明,基于支持向量机的预测精度明显高于普通BP神经网络和改进的BP神经网络预测模型.在此基础上,计算出2011年至2015年中国农业机械总动力的预测值分别为97 859.1,103 053.7,108 480.7,112 794.7,115 096.8万kW,指出了其具有增长趋缓的变化趋势.     

基于时间序列数据的粮食播种面积单产预测模型研究

采用了一种基于时间序列数据的灰色—线性回归模型对广西某市的粮食作物播种面积的单产进行了预测,并将预测结果及预测误差与线性回归模型及灰色GM（1,1）模型的预测结果进行了比较。结果表明,灰色—线性回归组合模型进行粮食作物耕地需求量预测精度较高,具有科学可行性。     

具有多重检验机制的农业机械总动力结构分析预测模型

农业机械总动力结构是农业机械项目发展水平高低的具体体现,合理配置农业机械总动力,可有序地推动农业机械化的发展.从动力源和农业机械项目两方面划分农业机械总动力结构的基础上,依据经济计量学理论,以丘陵地区为背景,构造了农业机械总动力及其结构配置影响关系,建立了具有多重检验反馈机制的动力结构综合分析预测数学模型,并在实际中加以应用,可得到满意结果.     

2000—2017年中国农业机械总动力水平空间演变特征

运用ArcGIS空间分析探究2000—2017年中国9大农业区农业机械总动力水平的空间分布,从省域层面分析各省(自治区、直辖市)(香港、澳门、台湾除外)地均农业机械总动力空间分布的演变特征,并运用皮尔逊(Pearson)相关性分析探究耕地变化和第一产业增加值变化与农业机械总动力变化的相关性。结果表明:2000—2017年,中国农业机械总动力水平快速提升,整体由"一强多弱"向"多强并存"格局演变,但省域发展不均衡,存在较明显的空间差异。农业机械总动力与第一产业增加值变化的相关系数为0.735,说明农业机械总动力的增长会带动第一产业增加值的提高,与耕地变化的相关系数为0.478。     

时间序列分析关键问题研究

简要介绍了时间序列的定义、模型及型态,重点研究了时间序列分析的相关内容,最后对其未来发展方向进行了展望。     

山西省农机总动力需求的灰色—马尔柯夫预测模型

灰色—马尔柯夫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。本文利用该方法对山西省农机总动力需求进行了预测分析 ,为农业机械化有计划的发展提供了依据。     

2000—2017年中国农业机械总动力水平空间演变特征

运用ArcGIS空间分析探究2000—2017年中国9大农业区农业机械总动力水平的空间分布,从省域层面分析各省(自治区、直辖市)(香港、澳门、台湾除外)地均农业机械总动力空间分布的演变特征,并运用皮尔逊(Pearson)相关性分析探究耕地变化和第一产业增加值变化与农业机械总动力变化的相关性。结果表明:2000—2017年,中国农业机械总动力水平快速提升,整体由“一强多弱”向“多强并存”格局演变,但省域发展不均衡,存在较明显的空间差异。农业机械总动力与第一产业增加值变化的相关系数为0.735,说明农业机械总动力的增长会带动第一产业增加值的提高,与耕地变化的相关系数为0.478。     

基于SVR的多维时间序列农业经济预测模型

基于支持向量回归(SVR)并融合带受控项的自回归模型(CAR),建立了一种既反映样本集动态特征又体现自变量影响的非线性多维时间序列分析预测方法(SVR-CAR)。用一步预测法对两个经济学样本集的预测结果表明,SVR-CAR在所有参比模型中预测精度最高,并具结构风险最小、非线性、避免过拟合、泛化推广能力优异等诸多优点。SVR-CAR在农业经济预测等多维时间序列分析领域有广泛应用前景。     

基于时间序列与RBF的农产品市场价格短期预测模型

为协助生产者更好地播种和收获,有效把握国内农产品价格波动规律,提高农产品价格预测精度.本文构建了基于农产品价格时间序列组合预测方法与RBF神经网络的集成预测模型,以ARCH、Holt-Winters无季节模型时间序列组合预测方法揭示农产品价格序列线性特征,以RBF神经网络揭示农产品价格非线性变动规律,并以1997-2011年全国农产品集贸市场大豆月度价格走势数据为例进行实验验证.研究结果显示,基于农产品价格时间序列组合预测方法与RBF神经网络的集成预测模型精度高于时间序列组合预测方法或RBF神经网络模型,是一种有效的农产品价格预测模型.     

基于时间序列的农业非点源污染产出预测研究

选取三江平原蛤蟆通河流域作为研究区,利用SWAT模型农业非点源污染模拟结果,建立了农业非点源污染的季节性ARIMA模型,对未来3年农业非点源污染进行了预测,为非点源污染防治提供一定的理论依据。     

时间序列分析在地下水动态预测中的应用

建立了基于时间序列分析的地下水埋深动态模型,并对垦区地下水水位进行了预测.结果表明,当样本容量足够大时,该方法的预测结果具有很高的精度以及稳定性,可以应用于地下水埋深的动态预测中.     

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.     

人均GDP时间序列模型及预测

大多数经济时间序列存在惯性或是迟缓性,通过对这种惯性的分析可以由时间序列的当前值和过去值对未来值进行预测。用ARIMA似模型可以对天津市人均国内生产总值（1978～2006）时间序列进行建模和短期外推预测。