基于灰色理论的陕西农业机械总动力预测

农业机械总动力预测是农业机械化科学管理的重要内容。为此,运用灰色系统理论GM(1,1)模型,对1998-2008年陕西省农业机械总动力进行了相关检验,模拟了陕西省农机总动力发展情况,相对误差均小于3%,平均误差为1.01%,模型可用于农机总动力预测。预测结果表明:2011-2015年陕西农业机械总动力分别为19 570,21 687,2 3932,26 315,28 843kW,呈直线上升趋势,年平均递增率为9.48%。     

黑龙江省农业机械总动力预测分析——基于ARIMA模型

运用黑龙江省1980-2011年的统计数据,建立了黑龙江省农业机械总动力的ARIMA模型,并进行了预测分析。结果表明:黑龙江省农业机械总动力是非平稳的时间序列,ARIMA模型的拟合效果良好;应用ARIMA(0,2,1)模型进行预测,1980-2011年预测值与实际值之间的平均相对误差为2.87%,可用于今后黑龙江省农业机械总动力的预测与分析。     

中国农业机械总动力预测分析——基于ARIMA模型

运用我国1978-2005年的统计资料,建立了中国农业机械总动力的ARIMA模型,并进行了预测分析.结果表明:ARIMA模型不但适合于中国农业机械总动力的非平稳时间序列特点,且预测效果比较理想;ARIMA(2,2,2)模型预测1982-2005年数值与实际数值之间的平均相对误差仅为1.009%,可用于中国农业机械总动力的预测与分析.     

基于灰色模型的农业机械总动力预测

农业机械总动力是评价一个国家农业现代化程度的重要指标.根据2003-2007年我国农业机械总动力的历史数据,采用基于灰预测的指数增长模型对农业机械总动力进行了预测.在模型建立前,进行了级比平滑检验,认为数据具有建立灰预测模型的基础;模型建立后,又进行了相对误差检验、后验差检验和残差检验.检验结果表明,模型具有较高的精度,适合中长期预测.最后,根据该模型给出了2010-2012年我国农业机械总动力的预测结果,认为我国农业机械总动力将于2012年达到103222亿kW.     

基于混沌时间序列局域模型对农机总动力的预测

农业机械总动力是评价一个国家农业现代化程度的重要指标.本文采用混沌时间序列的一阶局域模型对新疆农业机械总动力进行了预测.误差分析表明,该一阶局域预测模型拟合值的平均绝对误差为0.64％,低于灰色理论GM(1,1)模型的0.90％,得到了较好的预测效果.     

中国农机总动力预测分析

农业机械总动力是衡量农机化发展水平的主要指标。通过对我国农业机械总动力统计数据研究分析,建立了农业机械总动力预测分析数学模型,经检验,表明模型预测的准确度很高,模型是合适的、实用的;依模型预测我国农业机械总动力在相当长时间内将呈直线增长态势。     

中国农机总动力预测分析

农业机械总动力是衡量农机化发展水平的主要指标。通过对我国农业机械总动力统计数据研究分析,建立了农业机械总动力预测分析数学模型,经检验,表明模型预测的准确度很高,模型是合适的、实用的;依模型预测我国农业机械总动力在相当长时间内将呈直线增长态势。     

黑龙江省农机总动力灰色预测与分析

借助灰色系统理论，利用黑龙江省农机总动力历史数据，建立子灰色预测GM(1，1)模型，对其农业机械总动力进行了预测，这对黑龙江省农业机械发展现划有着重型意义。     

2011-2015年河南省农业机械总动力的预测

农业机械总动力是衡量农业机械化水平的一项重要指标。对河南省农业机械总动力进行预测,将为农业机械化部门制定合理的发展规划提供一定的理论支持,同时也为农机企业了解未来市场需求状况提供一定的参考。以1991-2010年间的河南省农业机械总动力统计数据为基础,利用BP神经网络建立了河南省农业机械总动力的预测模型。该模型采用3层BP神经网络,输入层、隐含层和输出层的神经元数目分别为5,13和1。隐含层和输出层的激励函数分别为正切型与对数型Sigmoid函数。采用分步预测的思想,利用自适应学习速率训练方法对该网络进行了训练,获得了该模型中各层之间的连接权值和各层神经元的阈值。利用该模型对现有数据进行了仿真预测,结果表明,该模型具有较高的预测精度。在此基础上,对河南省"十二五"期间的农业机械总动力进行了预测,并给出了预测数据。     

灰色补偿BP神经网络预测农机总动力—以吉林省为例

农机总动力的预测研究对于农业机械的“供给侧”改革有着重要意义和研究价值,科学合理的预测结果对于职能部门的规划制定有着重要的指导意义。农机总动力数据具有时间序列性质,本研究应用灰色GM(1,1)模型对其进行有效的预测分析。为了提高预测的准确性,应用BP神经网络对灰色残差数据进行处理,补偿灰色预测结果,建立了相应的预测模型。实验表明:该模型对于吉林省农机总动力的预测科学有效,并对吉林省未来5年的农机总动力进行了预测,为相关政策制定提供了科学依据。     

兵团农机总动力预测的灰色模型

借助灰色系统理论,利用兵团农机总动力的历史数据,建立了灰色预测GM(1,1)模型,对兵团农业机械总动力进行预测,为以后兵团农业机械化的发展提供一定的参考。     

基于灰色BP神经网络的农业机械总动力预测

为预测宁夏地区农业机械化水平的发展变化趋势,提出一种将灰色预测模型与BP神经网络有效结合的农业机械总动力预测方法。在BP神经网络的数据预处理阶段融入灰色预测理论,建立基于灰色BP神经网络的农机总动力预测模型,并选取1991-2014年宁夏回族自治区农业机械总动力数据作为样本,利用该模型进行仿真预测,结果表明:该模型具有较高的预测精度,其平均相对误差仅为0.18%,明显优于灰色GM(1,1)模型的3.5 0%和标准BP神经网络的0.2 9%。     

山西省农机购置补贴资金需求预测研究

采用Gompertz Curve(龚珀兹)时序预测及最小二乘法估算方法 ,构建了山西省农业机械总动力和GDP与农业机械总动力回归预测模型;对农业机械总动力、实现GDP发展目标和需求农业机械动力总量之间的关系进行了预测研究,并对农业机械投入与农业机械总动力增长进行了实证分析,提出了"十二五"期间山西省农机购置补贴资金年需求量,为国家和省级部门制定农机购置补贴政策提供科学依据和决策参考。     

新陈代谢GM(1,1)模型在兵团农机总动力预测中的应用

借助灰色系统理论,利用兵团农机总动力的历史数据,建立并对比分析了GM(1,1)模型和新陈代谢GM(1,1),对兵团农业机械总动力进行预测,为以后兵团农业机械化的发展提供一定的参考。     

农业机械总动力及其影响因素的时间序列分析——以江苏省为例

对一个地区的农业机械总动力及其影响因素进行分析可为当地农业机械化发展目标的制定提供可靠依据。本文采集了江苏省1989～2006年的相关数据,对江苏省农业机械总动力及其影响因素进行了相关性分析分析,并用自相关时间序列回归分析方法建立了模型。结果表明,影响农业机械总动力的6个关键因素的相关性排序为:农村剩余劳动力转移率、农村居民家庭人均纯收入、粮食播种面积、政府的财政投入、农民受教育程度和粮食单产,它们与农业机械总动力的相关系数分别为0.9396、0.9384、0.8924、-0.8778、0.8671和0.7224,并得出了较高精度的农业机械总动力的自相关时间序列回归模型(R2=0.998),模型预测结果的平均偏差为0.68%。     

BP网络在吉林省农机总动力预测中的应用

吉林省是我国的农业大省、粮食主产区。农业现代化程度直接影响农业的生产水平,农业机械总动力是衡量农业现代化的重要指标之一。根据统计年鉴记录农业机械总动力的相关数据,在互联网+农业的背景下,深度挖掘现有的统计数据。建立基于BP网络的预测模型。通过大量实验获得稳定的预测知识库。对吉林省农业机械总动力的需求及发展趋势进行科学预测,根据得到的预测结果,为政府职能部门制定合理的发展规划提供决策依据。     

粮食生产中农业机械与劳动力的替代弹性分析

基于CES生产函数,利用我国1978-2008年的统计数据,实证分析了粮食生产中农业机械总动力与劳动力投入之间的关系。结果表明:单位播种面积农业机械总动力与劳动力投入之间确实具有一定的替代关系,但目前农业劳动力投入量依然是影响我国粮食生产产量的重要因素,而农业机械替代劳动的作用不大。     

运用GM（191）模型对新疆农机总动力发展状况预测

农业机械总动力是国民经济发展水平的重要指标之一。运用灰色系统理论，基于GM（1，1）模型，对新疆农机总动力统计结果进行建模、求解、分析。模型检验结果为C=0．08〈0．35，P=1．00〉0．95，-a=0．084058〈0．3。说明建立的GM（1，1）模型精度高，预测性能好，适合作中长期及短期预测等。2011-2015年的农机总动力发展状况预测结果表明，到2015年新疆农机总动力可达到1926．17×10。kW。     

农机总动力预测的灰色神经网络新方法

为提高农机总动力变化趋势的预测精度,将pGM(1,1)模型与RBF神经网络相结合,建立了基于pGM(1,1)-RBF神经网络的农机总动力预测模型,并以中国农机总动力数据预测为例,验证了该模型精度高、可行有效,适用于农机总动力预测.     

宜都市农业机械协会建设发展探讨

1农业机械协会在农机化发展中的"领头雁"作用明显(1)农业机械协会在促进全市农业机械发展和提升农机作业水平上发挥了重要作用。全体会员的参与和共同努力,促进了全市农机化大发展:全市现拥有农机总动力18.2万kW,百亩农田农机总动力76.8kW,拖拉机保