基于时间序列GA-SVR的水产品价格预测模型及验证

水产品价格的准确预测有助于合理规划水产养殖,正确引导水产行业的发展。根据水产品价格序列的非线性、非平稳和周期性特点,提出了一种基于时间序列遗传优化(genetic algorithm,GA)支持向量回归(support vector regression,SVR)的水产品价格预测模型。该模型首先通过时间序列分析方法对价格序列进行平稳性检验和确定相关阶数,得到训练数据集;再利用遗传算法对支持向量回归模型的参数组合进行寻优,使用优化后的参数建立支持向量回归模型,然后使用模型进行预测。分别选取桂鱼、基围虾、梭子蟹的价格数据对模型进行验证,选取2011-2014年的数据作为训练集,对2015年价格进行预测,结果表明:桂鱼、基围虾、梭子蟹的平均绝对误差分别为6.70%、7.82%、14.76%,均方根误差分别为5.853 1、23.701 1、13.858 0,且优于基于时间序列的SVR模型及BPANN模型的预测结果,可以为水产品价格的预测提供依据。     

基于PCA-SVR-ARMA的狮头鹅养殖禽舍气温组合预测模型

为提高狮头鹅养殖禽舍气温预测精度,提出了基于主成分分析(Principal Component Analysis,PCA)、支持向量回归机(Support Vector Regression,SVR)融合自回归滑动平均(Autoregressive Moving Average,ARMA)模型的狮头鹅养殖禽舍气温组合预测模型。在建模过程中,运用主成分分析法筛选狮头鹅养殖禽舍气温的关键影响因子,消除变量之间冗余信息,约简预测模型结构;采用SVR-ARMA构建狮头鹅禽养殖舍气温组合预测模型,先通过SVR对气温进行预测,再由基于ARMA模型的残差预测值修正气温预测结果。利用该模型对广东省汕尾市2018年7月21日至2018年7月30日期间的狮头鹅养殖禽舍气温进行预测。结果表明,该组合预测模型取得了良好的预测性能,与标准BP神经网络、标准SVR、PCA-BPNN(反向传播神经网络,BackPropagationNeuralNetwork)、PCA-SVR和PCA-BPNN-ARMA等模型对比分析,其评价指标平均绝对误差、均方根误差和平均绝对百分比误差分别为0.183 2℃、0.454 0℃和0.005 9,均表明所提出的组合模型具有更高的预测效果,不仅能够满足狮头鹅养殖禽舍气温实际精准调控的需要,还为狮头鹅健康养殖和种苗繁育环境精细化管理提供决策。     

基于集合经验模态分解和人工蜂群算法的工厂化养殖pH值预测

针对单一预测模型预测养殖pH值精度低等问题,提出集合经验模态分解(ensemble empirical mode decomposition,EEMD)和改进人工蜂群算法(improve artificial bee colony,IABC)相结合的南美白对虾工厂化养殖pH值组合预测模型。在建模过程中,利用EEMD算法对原始pH值时间序列进行多尺度分解,得到一组平稳、互不耦合的子序列;根据各子序列变化特征选择适宜的单项预测方法并建模,通过改进人工蜂群(IABC)算法优化复杂非线性组合预测模型目标函数权重系数,构建了工厂化养殖pH值非线性组合预测模型。利用该模型对广东省湛江市2014年9月8日-2014年9月15日期间工厂化养殖pH值进行预测,结果表明,该预测模型取得了较好的预测效果,与模拟退火优化BP神经网络(simulated Annealing-BP neural network,SA-BPNN)和遗传算法优化最小二乘支持向量回归机(genetic algorithm-least square support vector regression,GA-LSSVR)对比分析,模型评价指标平均绝对百分比误差MAPE、均方根误差、平均绝对误差MAE和相关系数R2分别为0.0035、0.0274、0.0224和0.9923,均表明该文提出的组合预测模型具有更高预测精度,能够满足实际南美白对虾工厂化养殖pH值精细化管理需要,也为其他领域pH值预测提供参考。     

基于蚁群优化最小二乘支持向量回归机的河蟹养殖溶解氧预测模型

养殖池塘溶解氧是河蟹赖以生存的重要指标,及时准确地掌握溶解氧浓度变化趋势是确保高密度河蟹健康养殖的关键。为提高溶解氧预测精度和效率,该文提出了蚁群算法(ACA)优化最小二乘支持向量回归机(LSSVR)的河蟹养殖溶解氧预测方法。采用蚁群算法对最小二乘支持向量回归机的模型参数进行优化,并以自动获取的最佳参数组合构建溶解氧与其影响因子间非线性预测模型。利用该模型对江苏宜兴市2010年7月20日～7月28日期间高密度养殖池塘溶解氧进行预测。研究表明,该预测模型取得较好的预测效果,与支持向量回归机和BP神经网络相比,模型评价指标均方根误差、相对均方误差均值、平均绝对误差和和决定系数和运行时间分别为0.0328、0.0016、0.0448、0.9916和3.3275s均优于其他预测方法,ACA-LSSVR模型不仅计算复杂度低、收敛速度快、预测精度高、泛化能力强,还能满足实际高密度河蟹养殖溶解氧管理的需要,为其他领域的水质预测提供参考。     

基于支持向量机的滴灌灌水器流量预测模型建立与验证

为了直接、准确预测灌水器流量,引入支持向量机预测方法,取灌水器6个工作压力和8个几何参数作为因素,正交设计安排300组灌水器训练样本和30组检测样本,并采用精度较高的SST k-ω模型模拟计算灌水器流量,同时利用遗传算法对支持向量机参数进行优化计算,得到与模拟流量误差最小的流量预测值。结果表明,惩罚参数为100、核函数参数为20时检测样本的流量预测值与模拟值的误差最小,平均相对误差为1.91%,决定系数为0.98,而回归拟合方法计算得到的平均相对误差为6.45%,决定系数为0.93,表明支持向量机预测流量的优越性,且30组试验验证样本的平均相对误差为2.25%,证明支持向量机预测的准确性和可靠性。预测模型建立可有效地提高灌水器研发效率,对水力性能评估和流道结构设计与优化提供依据。     

基于蜣螂算法优化BP的冬夏生菜根区温度预测模型

为解决生菜应用营养液膜技术（nutrient film technique,NFT）在冬夏季根区温度控制的问题,该研究基于机器学习方法,结合温室内外历史环境数据,构建BP神经网络根区温度预测模型。为提高模型精度,采用蜣螂算法（dung beetle optimizer, DBO）优化BP神经网络模型的输入权重和阈值,构建了冬夏两个季节的基于DBO-BP神经网络的栽培槽内根区温度预测模型,并与GA-BP、BP神经网络模型进行对比。结果表明,根区温度预测值与真实值变化趋势较为一致,DBO-BP模型温度预测最大误差为2.21°C,决定系数为0.943,而GA-BP与BP模型决定系数分别为0.928、0.892;DBO-BP模型评价指标的均方根误差、平均绝对误差分别为0.707、0.549°C,均小于其他模型评价指标。DBO-BP神经网络可满足在NFT栽培中根区温度预测精度的需求,能够为生菜栽培根区快速控温提供有效方法。     

基于季节分解和长短期记忆的北京市鸡蛋价格预测

准确把握北京市场鸡蛋价格波动特征和规律,及时预测鸡蛋价格波动趋势,不仅是农业进入新发展阶段的首都"菜篮子"工程建设的需要,而且有利于社会经济的稳定发展。该文选取北京市月度鸡蛋价格作为试验数据,在对北京市鸡蛋价格历史数据分析的基础上,根据鸡蛋价格序列的非线性、季节性和周期性特征,提出一种基于时间序列季节性分解(Seasonal-trend Decomposition Procedure Based on Loess,STL)和长短期记忆网络(Long-short Term Memory,LSTM)组合的鸡蛋价格预测模型。通过采用LSTM模型实现对由STL方法分解的鸡蛋价格波动成分的趋势成分及剩余成分和用季节朴素方法(Seasonal-na?ve, Sna?ve)对鸡蛋价格波动的季节成分分别进行预测,可以获取未来鸡蛋价格的综合预测值。研究结果表明:2000—2018年北京市鸡蛋价格在整体呈现上升趋势,且存在"春低秋高"的季节性和随机波动特征;该研究构建的STL-LSTM模型在预测步长分别为1、3、6时的均方根误差分别为0.19、0.33、0.43;平均绝对百分比误差分别为1.91、3.53、4.58,均优于长短期记忆网络、支持向量回归(Support Vector Regression,SVR)和差分整合移动平均自回归(Autoregressive Integrated Moving Average Model,ARIMA)模型,可以为预测预警北京市场鸡蛋价格异常波动情况、为行业和政府主管部门保障北京市场鸡蛋供应决策提供参考依据。     

基于主成分回归的日光温室内低温预测模型

利用2010/2011年度冬季日光温室内小气候观测资料对冬季日光温室内温度变化特征进行分析,并结合温室外温度以及用云遮系数法和风级风速转换方法得到的室外总云量和最大风速,采用主成分回归分析法建模,以对日光温室内日最低气温进行预报.结果表明,(1)通过云遮系数法和风速风级转化标准模拟的室外总云量和最大风速误差较小.(2)日光温室内最低气温与温室内前一天的各小气候要素有较好的相关性,此外,温室内外各气象要素之间也存在显著的相关性.(3)主成分回归提取了温室内小气候要素主成分、温室外天气状况与温度主成分、风速主成分3个主要因子.建立的日光温室内最低气温预报模型,其复相关系数为0.857,并通过显著性检验.(4)利用2011/2012年冬季温室资料对低温预报模型进行检验,预测值与实际值之间的平均绝对误差小于1℃,平均相对误差在13％以内,整个冬季的均方根误差为1.1℃.说明所建日光温室内低温预报模型有较高的精度,能够满足温室内最低温度的预测需求.     

基于游程检测法重构集合经验模态的养殖水质溶解氧预测

为了提高水产养殖中溶解氧的预测精度,该文提出了基于集合经验模态(ensemble empirical mode decomposition,EEMD)分解、游程检测法重构、适宜的单项预测算法建模和BP神经网络非线性叠加的组合预测模型。该模型首先将溶解氧原始序列用EEMD分解法进行分解,得到了多个分量;其次,用游程检测法将这些分量重构成高频分量、中频分量和低频分量等3个分量;接着,针对高频分量波动性大且复杂、中频分量呈现周期性、低频分量几乎呈线性的特点,采用粒子群(particle swarm optimization,PSO)优化的最小二乘支持向量机(least square support vector machine,LSSVM)对高频项进行预测,采用极限学习机(extreme learning machine,ELM)对中频项预测,采用非线性回归(nonlinear regression method,NRM)对低频项预测;最后,将3个分量预测的结果用BP神经网络进行重构得到最终的预测结果。将该模型应用于江苏省溧阳市埭头黄家荡特种水产养殖场的溶解氧预测中,试验表明,该种以游程检测法重构EEMD为基础的混合预测模型的预测精度高于PSO-LSSVM和单一的ELM预测模型。在预测未来48 h的溶解氧值时,该模型的预测值与实测值的均方根误差RMSE为0.099 2、平均相对误差均值MAPE为0.078、平均绝对误差MAE为0.015 5,R~2为0.995 5。表明该模型有较好的预测精度和泛化能力,能够满足现代化水产养殖业对溶解氧精细化管理的高要求。     

砂姜黑土有机质含量高光谱估测模型构建

为快速估测砂姜黑土有机质含量,该研究以河南省商水县砂姜黑土为对象,采用光谱指数和遗传算法结合支持向量机构建砂姜黑土有机质估测模型。结果表明,以Savitzky-Golay(SG)平滑后的一阶导数光谱792和1 389 nm两波段组合构建的比值指数表现最好,建模集决定系数为0.81。利用独立的样本验证,预测决定系数和均方根误差分别为0.91和1.56 g/kg。而相同样本经遗传算法筛选敏感波段结合支持向量机回归构建的模型以SG平滑的一阶导数光谱表现最好,建模集和验证集决定系数分别为0.95和0.91,均方根误差分别为1.01和1.69 g/kg。基于遗传算法结合支持向量机回归和光谱指数2种方法构建的有机质含量估测模型均表现出较高的精度,前者稍优于后者,可用于对砂姜黑土有机质含量的有效估测。该研究成果可为砂姜黑土有机质含量的快速定量估算提供依据和参考。     

结合光谱降维的IPSO-SVR水体总磷浓度预测模型

[目的] 选择最优模型对水体中总磷浓度进行预测,为准确、实时、高效检测水资源状况提供支持。 [方法] 以2021年在长江中下游武汉—安徽地区采集的水质样本作为研究对象,首先,对采集到的长江光谱数据进行最大最小归一化和均值中心化两种预处理操作以便统一数据的范围和均值点,并使用核主成分分析(KPCA)技术对预处理后的光谱数据进行降维操作。选取方差解释率为99.6%下的6个特征向量进行后续预测模型的训练,接着在原有粒子群算法的基础上引入自适应惯性权重更新公式和遗传—模拟退火变异思想,提高算法的寻优能力。使用改进的粒子群优化算法对支持向量回归模型中的超参数组合进行寻优,对支持向量回归模型使用输出的结果进行预测模型的训练,最后使用测试集数据进行总磷浓度的预测。 [结果] 提出了一种结合光谱降维的改进粒子群优化算法(IPSO)结合支持向量回归(SVR)的水体总磷含量预测模型。通过和当前预测性能较好的几种机器学习模型进行精度的比较发现,该试验模型对长江水体总磷浓度进行预测时决定系数(R²)为0.973 920,均方根差(RMSE)为0.003 012,平均绝对误差(MAE)为0.002 105。 [结论] 使用光谱数据结合降维技术、粒子群优化算法和机器学习模型的算法融合模型检测水体总磷浓度可行性强,精确度高,且拟合效果良好。     

基于自适应进化相关向量机的耕地面积预测模型

为解决耕地面积预测模型建立过程中的非线性、稀疏化及结果可靠性评价等问题,该文将相关向量机与差分进化优化算法进行融合及改进,提出基于自适应进化相关向量机的耕地面积预测模型。该文以黄石市为例,建立基于自适应进化相关向量机的短期、中期耕地预测模型,并与多元线性回归、BP神经网络、支持向量机算法在精度、计算效率及可靠性方面进行对比分析。试验验数据表明,自适应进化相关向量机的预测精度大约是其余3种方法的2倍以上;模型的计算效率是多元线性回归方法的2倍,比BP神经网络、支持向量机高出2个数量级;测试数据的实际耕地面积均在自适应进化相关向量机估计的95%置信度的置信区间内,并且由后验差比、小误差概率判定模型等级属于"好"。基于以上数据,证实该模型是一种精度高、计算快、可靠性强的耕地预测新方法。     

基于BP神经网络的杨梅大棚内气温预测模型研究

利用2009年12月-2010年5月塑料大棚内外观测的气象数据,构建了基于BP神经网络的杨梅生产大棚内的最高、最低气温预测模型,根据逐时转化系数计算出棚内相应的逐时气温,达到逐时预报大棚内气温的目的。通过模拟回代和对独立试验数据的验证,基于BP神经网络模型对大棚内日最低气温、日最高气温和逐时气温预测值与实际值的回归估计标准误差（RMSE）分别为0.8℃、1.4℃和0.7℃,精度明显高于同时利用逐步回归法建立的模型。该模型所需参数少,实用性强,模拟精度高,可为设施杨梅气象服务和环境调控提供依据。     

大跨度保温型温室的热环境模拟

大跨度保温型温室为拱型钢骨架结构,南北走向,相邻温室间距仅2m,相比于传统日光温室土地利用率提高到91%,且仍具有日光温室节能的特点。为分析和评价该温室的蓄热保温性能,基于温室热传导、对流换热、太阳辐射、天空辐射、作物蒸腾、自然通风等热物理过程,构建了温室内热环境变化模型,并利用Matlab软件对其进行求解,模拟在冬季连续4个典型工作日无加温条件下,每10min的室内空气温度和作物根区温度,并将模拟值与实测值进行对比分析。结果表明,模型对大跨度温室内空气温度模拟的平均绝对误差在±1.3℃之内,模拟值与实测值间直线方程的决定系数（R2）为0.99（n=576）,回归估计标准误差（RMSE）和相对误差（RE）分别为1.6℃和16.4%;作物根区温度实测值与模拟值的绝对误差在±0.6℃之内,直线方程的R2为0.91（n=576）,RMSE和RE分别为0.76℃和6.7%。模型模拟值与实测值较为一致,可为温室环境精准调控和结构优化设计提供理论依据。     

西湖龙井茶开采期影响因子及预报模型

基于西湖龙井茶主栽品种（龙井43和龙井群体种）开采期及气象资料,应用积温和逐步回归方法,分别构建西湖龙井茶的积温预报模型和逐步回归预报模型,并利用多元线性回归方法,对两个模型的预报结果进行集成,构建集合预报模型。结果表明：积温预报模型、逐步回归预报模型、集成预报模型均通过0.01水平的显著性检验;龙井43和龙井群体种的积温预报模型回代检验平均绝对误差（MAE）分别为3.6d和2.8d,2a试预报MAE分别为2.5d和1.0d;逐步回归预报模型的回代检验MAE分别为0.9d和1.4d,2a试预报MAE分别为1.6d和0.8d;集成预报模型的回代检验MAE分别为0.7d和1.1d,2a试预报MAE分别为1.3d和0.8d。3种预报模型对西湖龙井茶开采期预报均具有应用价值,集成预报模型较积温预报模型和逐步回归预报模型的预报效果更理想,具有实际生产指导作用。     

近红外光谱快速检测食用油必需脂肪酸

为了建立食用油必需脂肪酸快速检测的方法,该研究提出了基于近红外光谱技术检测食用油中α-亚麻酸和亚油酸含量的快速测定方法。对光谱信息分别采用偏最小二乘回归方法(PLS)和最小二乘支持向量机(LS-SVM)建立模型。比较了多种光谱预处理方法对模型预测能力的影响。结果表明对于亚油酸含量的预测,采用Savitzky-Golay平滑法结合多元散射校正(MSC)的光谱预处理所建立的LS-SVM模型最优。预测集的决定系数(R2)、预测均方根误差(RMSEP)和剩余预测偏差(RPD)分别达到了0.989,0.0161和9.4783。对于α-亚麻酸含量的预测,采用Savitzky-Golay平滑法结合标准正态变换(SNV)的光谱预处理所建立的LS-SVM模型最优。α-亚麻酸含量预测结果的R2、RMSEP和RPD为0.972,0.0036和6.0561,据此表明,应用近红外光谱技术能够检测食用油中α-亚麻酸和亚油酸的含量,为快速检测食用油的必需脂肪酸提供了参考。     

用辐热积法模拟温室黄瓜果实生长

为了提高预测温室黄瓜产量的能力,该研究根据温室黄瓜（品种为：戴多星Cucumis sativus cv Deltestar）果实对温度和辐射的响应,建立了以辐热积（Product of thermal effectiveness and PAR,TEP）为尺度的温室黄瓜果实模型,并用独立的试验数据进行了检验。模型对温室黄瓜各节位果实果长、果径和鲜质量的模拟值与实测值的符合度较好,模型对温室黄瓜果长和果径的模拟值与实测值之间的决定系数（R2）分别为0.7325和0.5885;回归标准误差（RMSE）分别为1.64 cm和0.35 cm,而以有效积温（Growing degree days,GDD）为尺度构建的果实生长模型对果长和果径的预测结果与实测值之间的决定系数（R2）分别为0.5768和0.4893;回归标准误差（RMSE）分别为1.83 cm和0.40 cm;本模型对果实鲜质量的模拟结果与实测值之间的回归标准误差（RMSE）和决定系数（R2）分别为25.04 g 和0.6782。而基于有效积温的果实生长模型对果实鲜质量的模拟结果与实测值之间的回归标准误差（RMSE）和决定系数（R2）分别为28.52 g和0.6068。模拟精度提高了12.21%。本研究建立的辐热积模型能较准确地预测温室黄瓜各节位的果实生长,模型的实用性较强,可以为温室黄瓜生产提供理论依据和决策支持。     

基于机器学习算法的蒸发量模型评估

[目的]探讨合理的气候因子个数,建立蒸发量模型,提出基于特征选择算法筛选最优特征集。[方法]以陕西榆林、泾河和汉中3个气象站16年(2005-01至2021-03)的逐小时观测资料为研究对象,利用特征选择函数和遍历循环方法对模型参数、特征变量个数进行优化。基于最佳参数结合随机森林模型和多元线性回归模型两种机器学习算法建立榆林、汉中和泾河地区蒸发量模型,采用平均绝对误差、均方根误差和平方相关系数三项指标评估模型的预测精度。[结果]特征变量和随机森林模型中的决策树个数分别是8,61时,模型预测效果最佳。采用优化的随机森林模型、多元线性回归模型评估3个地区的平均绝对误差均为0,均方根误差除泾河地区相等外,榆林、汉中地区的均方根误差均小于优化的多元线性回归模型。优化的随机森林模型预测榆林、泾河和汉中地区蒸发量拟合效果分别为0.85,0.90,0.86,优化的多元线性回归模型的拟合效果分别为0.77,0.83,0.79。[结论]整体而言,优化的两种模型都具有良好的预测效果且随机森林模型的预测效果优于多元线性回归模型。     

东北地区稻谷储藏期间脂肪酸含量的预测模型

粮食储备是保障国家粮食安全的重要物质基础,谷物中脂肪酸含量是粮食储藏过程中品质变化的敏感性指标。为了实现绿色储粮安全管理,该文采用多元线性回归(multiple linear regression,MLR)、人工神经网络(artificial neural network, ANN)、支持向量回归(support vector regression, SVR)、最小二乘支持向量回归(least square support vector regression,LSSVR)等机器学习算法模型,对东北地区稻谷储藏过程中的脂肪酸含量(以KOH计)进行预测。通过主成分分析(principal component analysis,PCA)方法筛选稻谷关键储藏参数,得到4个影响稻谷脂肪酸含量的关键因子,分别为稻谷入仓水分、入仓脂肪酸含量、储藏有效积温、检测粮温。然后,将得到的关键因子进行归一化处理,再分别输入到MLR、ANN、SVR、LSSVR模型,采用决定系数R2、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)等评价指标对不同模型的预测性能进行对比,探讨稻谷脂肪酸含量预测的最优模型算法。研究结果表明,LSSVR模型的决定系数R2、MAE、MAPE、RMSE分别为0.911、0.275 mg/100 g、1.604%、0.348 mg/100 g,预测效果略优于MLR,明显优于ANN和SVR,LSSVR和MLR模型可作为稻谷储藏期间脂肪酸含量预测的方法。该研究实现了稻谷脂肪酸含量的预测,为科学储粮、安全绿色储粮提供参考。     

农业云视频平台虚拟机负荷预测半监督偏最小二乘法模型

为了优化基础设施资源的效率,农业云视频平台虚拟机布局算法需要了解虚拟机当前和未来的资源工作效率,尽可能准确地预知下一步工作,如服务部署,虚拟机的部署、迁移或停止.然而,通常在预测中使用的样本非常小,可用于分析的数据有限.因此,该文研究设计了一个考虑时间因素,基于小数据集学习的滑动窗口模型.此外,鉴于现有的预测算法仍然有很大的改进误差率的空间,该文中采用基于滑动窗口与最小二乘法和半监督学习的数学方法相结合,提出了一种半监督偏最小二乘法(semi-supervised partial least squares,SS-PLS)的方法来计算上述预测.该文中,分析了在虚拟机使用SS-PLS负荷预测的可行性和优势.试验结果表明,基于滑动窗口模型结合SS-PLS,使得预测精度有了显着的改善,即均方根误差为1.77786,平均绝对误差是1.3312,平均绝对误差百分比为0.23836,三者的增量分别5.47%、6.37%、6.12%.该研究可为云平台中虚拟机资源管理和优化提供一种参考方法.