基于优化 EEMD 和支持向量机的国内大豆价格预测

【目的】国内大豆的价格易受到多种因素的影响,具有非线性等特点,很难进行准确的预测。为 了提高预测精度,提出一种优化的 EEMD-SVR 集成预测方法。【方法】为解决 EMD 分解中存在的模态混叠和 端点效应问题,使用 EEMD 和平行延拓法结合的优化方法,加入白噪声并在原始序列两端延拓出多个极值,将 大豆原始价格分解为多个 IMF 分量,从而使数据趋于平稳。运用支持向量回归（SVR）算法对各分量进行预测, 引入遗传算法寻找参数最优解,对各分量的预测结果进行再次集成,重构大豆市场价格预测值。【结果】为了 检验优化组合模型的预测效果,采取多种模型进行比较,结果发现预测指标 MSE、RMSE、MAPE 都有明显提高。 【结论】采用优化的 EEMD 分解算法和支持向量机的组合模型,可以有效抑制 EMD 分解的端点效应和模态混叠 问题,相对于其他传统预测模型,预测效果更好。     

基于ARIMA和DSVM组合模型的松毛虫发生面积预测

提出一种基于ARIMA和动态ε支持向量机(ε-DSVM)的组合预测模型(ARIMA-ε-DSVM),预测松毛虫发生面积.先采用ARIMA模型进行时间序列线性趋势建模,为非线性部分确定输入阶数,根据确定的输入阶数进行时间序列样本重构,再采用ε-DSVM模型进行时间序列非线性特征建模,将这两模型预测值相加得到组合模型预测值.对辽宁省朝阳市松毛虫时间序列进行仿真试验,结果表明,ARIMA-ε-DSVM模型预测精确度比单一模型ARIMA和SVM及简单组合模型ARIMA-SVM要高,ARIMA-ε-DSVM模型大幅度改善预测效果,显著地减少预测误差,泛化能力强.     

基于WA-SVM的水库溶解氧预测

【目的】提出一种基于小波分析-支持向量机(WA-SVM)的水库溶解氧预测模型,以期提高水库溶解氧的预测精度。【方法】通过小波分解,将原始复杂的溶解氧浓度序列分解到不同的高频和低频层次,对每层得到的分解重构序列分别采用支持向量机回归方法进行预测后,合成原始序列的预测值,将该模型应用到于桥水库溶解氧浓度序列的预测中,并与单独支持向量机(SVM)回归方法预测结果进行比较。【结果】WA-SVM方法预测精度较SVM方法有较大提高,其平均绝对百分比误差和均方根误差分别为0.04937和0.3453,而SVM方法的分别为0.08493和0.6319。【结论】WA-SVM方法综合运用了小波分析的多分辨特性和支持向量机的非线性回归功能,能够较准确地预测水库溶解氧浓度。     

基于EEMD-LSTM的森林火灾成灾面积预测模型

森林火灾作为一种常见的自然灾害,影响因素众多,一旦发生将会造成严重损失。基于“分解-重构”的研究思路,采用集合经验模态分解EEMD对森林火灾成灾面积时间序列进行特征分解,将提取出的特征分量分别代入长短期记忆网络LSTM模型进行预测,由各分量的预测值叠加重构得到最终的森林火灾成灾面积预测值。选取我国1992—2017年的全国森林火灾成灾面积作为样本数据进行应用验证,结果表明,与单一BP和LSTM神经网络模型相比,本文所建EEMD-LSTM预测模型平均绝对误差MAE的预测性能分别提高了33.7%和41.8%,均方根误差RMSE的预测性能提高了28.8%和39.1%,预测精度明显优于另外2种模型,在森林火灾预报研究领域具有一定的应用价值。     

基于EEMD分解与BOA算法优化神经网络的密云水库大阁水文站径流预测

利用R/S分析法研究密云水库潮河流域大阁水文站1969-2013年的径流数据的变化趋势，以BP神经网络为背景，EEMD分解为辅助，建立分解-重构-预测的组合模型对月径流序列进行预测，利用蝴蝶算法（BOA）优化组合模型，综合得到最优预测模型。结果表明，大阁站年、月径流序列均呈现下降趋势；对月径流序列预测，BPNN预报合格率为60.0%，不能用于预报作业，但可作为参考使用（MAE=0.406，RMSE=0.539，MAPE=0.349 7）；引入BOA算法优化BP网络参数，得到EEMD-BOA-BP模型预报合格率为83.3%，可以用于预报作业（MAE=0.257，RMSE=0.347，MAPE=0.219 5）。通过EEMD分解得到分解-重构-预测组合模型对提高模型精度有一定的作用，同时在组合模型中引入优化算法能进一步提高模型精度。     

基于经验模态分解和小波神经网络的温室温湿度预测

温室温湿度的准确预测有助于及时调节温室小环境,温湿度预测模型是温室控制的重要基础,提高预测精度有助于提高生产水平。针对温室系统具有非线性、非平稳性等特点,提出一种基于经验模态分解(empirical mode decomposition,简称EMD)和小波神经网络(wavelet neural network,简称WNN)的温室温湿度组合预测方法。首先,利用经验模态分解方法将原始时间序列分解成一系列分量;然后对各分量分别构建小波神经网络模型进行预测;最后叠加各子序列得到预测值。结果表明,运用EMD-WNN组合的温度模型有效性为0. 993 4,湿度模型有效性为0. 978 1,且优于单独WNN模型和BP神经网络模型的预测结果,可有效提高短期温室温湿度预测的精度。     

基于时间序列多尺度分解的建筑用电负荷预测方法

随着近年来建筑能耗的迅速增长,建筑节能成为可持续发展战略的一个重要问题,因此,构建一个可以快速精准预测建筑能耗的模型成为实现建筑节能的关键一步.本文结合集合经验模态分解,将LSSVR与ARIMA相融合,构建了一种基于时间序列多尺度分解的预测建筑用电负荷数据的EEMD-LSSVR-ARIMA混合模型.该模型通过EEMD将建筑用电负荷数据分解为多个频率不同的分量,使用LSSVR模型预测高频分量以及用电负荷数据与各分量之和的差值序列,使用ARIMA模型预测低频分量,最后将各分量的预测结果以及差值序列的预测结果叠加得到最终的预测结果.并通过某建筑的用电数据进行实验分析,通过与传统的ARIMA和EEMD-ARIMA模型以及基于残差的ARIMA-LSTM模型进行对比,实验结果表明,本文提出的模型预测精度达到了98%以上,与其他模型相比预测精度提升了将近2%.     

基于经验模态分解和支持向量机的农产品价格短期预测

针对农产品价格序列非平稳、非线性的特征,提出一种基于经验模态分解和支持向量机的短期农产品价格组合预测方法。以全国苹果批发价格的周度价格序列为研究对象,首先对价格序列进行非平稳、非线性检验;然后将价格序列分解成一系列具有不同特征尺度的分量;最后针对各分量的特点分别构建支持向量机模型进行预测,得到苹果批发价格的预测值。研究结果表明,该预测模型能够更好地追踪农产品价格的变化,其预测精度与BP(back propagation)神经网络模型相比有显著提高。     

时间序列组合预测模型研究:以农业机械总动力为例

[目的]本文旨在提出更有效的时间序列组合预测模型的构建方法,建立预测精度较高的时间序列组合预测模型。[方法]以1978—2013年新疆农业机械总动力为数据源,建立了源序列的曲线回归、自回归积分滑动平均、3次指数平滑和灰色模型,并构建了预测对象和预测模型的关系数据库。提出了基于百分误差的计算属性重要度方法,依据该方法计算单一模型在组合模型中的权重,构建了单一模型预测值及其权重为输入的组合预测模型,使输出结果中完整的涵盖了时间序列不同单一预测模型的输出值特征。以误差分布特征为指标,对组合预测模型和各单一模型的预测性能进行分析。以组合预测模型拟合优度和预测值平均绝对百分误差(MAPE)作为评价指标,对基于百分误差、粗糙集、Shapley和熵权法的组合预测模型构建方法进行定量分析。[结果]预测周期内提出的组合预测模型的最大及平均误差与各单一模型最优值相比,分别降低了27.35和6.43,误差平方和(SSE)减少了73%,平均绝对百分误差降低了1.56%。基于百分误差的组合预测模型的拟合优度与基于粗糙集、Shapley和熵权法的组合预测模型拟合优度相比,分别提高了2.40%、5.10%和2.27%,粗糙集、Shapley和熵权法的预测值的平均绝对百分误差分别为1.673 0、3.726 1和2.702 4,而本文提出的模型的平均绝对百分误差为1.298 4。[结论]基于百分误差的组合预测模型在农业机械总动力和类似时间序列预测分析中,降低预测误差波动幅度及提高预测精度方面与其他单一模型和组合模型相比具有显著优势。     

基于小波分析的中国人均GDP分析与预测

提出基于小波分析,GM（1,1）模型和AR（P）模型结合的预测方法。通过多分辨率小波分解,将中国人均GDP依尺度分解成不同层次,对低频部分和高频部分分别进行重构,然后对每层建立不同模型进行预测,再合成得到所需的预测值。实例验证,该方法具有较好的预测精度。     

基于组合预测模型的水质数据预测研究

对时间序列水质预测问题进行研究,提出了基于最优加权法的组合预测模型.综合利用了ARIMA预测模型、人工神经网络模型和指数平滑法对水质数据进行预测,再将它们的结果利用最优加权组合法进行组合,得到组合预测模型结果.将组合预测模型应用到广州长洲水质预测工作中,得到了较好的预测结果.组合预测模型结果的精度高于单一模型结果.组合预测模型能平衡单一模型的偏差,具有更好的适用性和更高的精度.     

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.     

基于时间序列与小波分析耦合模型区域降雨量预测研究

为提高区降雨量预测精度,提出小波分析与时间序列组合模型。以黑龙江省虎林市858农场区为例,采用小波变换A Trous算法将小波信号分解,对分解后各小波变换序列互相关分析,随后运用时间序列分析分别对该农场周期项W 1(t)、随机项W2(t)、趋势项C2(t)模型求解,采用小波重构算法得到组合模型。运用该模型模拟该区1999~2014年降雨量,结果与实际测量值接近。预测未来3年短期降雨量,为指导区域农业生产及管理提供科学依据。     

小波变换—BP 神经网络的农产品价格预测研究

【目的】农产品价格变动关乎国计民生,由于农产品的价格受到多方面因素的共同影响,其价格预测也一直是研究中的难点。只有充分分析农产品价格的变化趋势才能提高价格预测精度,更好地指引农产品产业健康发展。【方法】文章以菠菜、大白菜、番茄、辣椒和马铃薯5种蔬菜为研究对象,基于2013年1月至2018年12月共72组月度价格数据,研究农产品价格变动趋势,并基于小波变换和BP神经网络构建农产品价格组合预测模型。首先利用小波变换对价格进行db5的3尺度分解,其次采用BP神经网络模型对分解出的趋势部分和细节部分分别进行预测,最后对各分量的预测结果进行组合重构。【结果】采用预测精度指标对5种蔬菜的价格预测结果进行评价分析,其平均绝对误差最小值为0.083元/kg,平均百分比误差最小为3.95%,均方根误差最小值为0.102。【结论】将小波变换和BP神经网络结合起来的组合预测模型具有较好的农产品价格预测性能,该组合方法能适应多种蔬菜的价格预测,具有普适性。但农产品价格波动幅度和强度会对该模型的预测精度产生影响。     

基于小波分解的害虫发生非平稳时间序列分析和预测

将小波分解应用于害虫发生程度非平稳时间序列的分析和预测。通过小波分解,将非平稳时间序列分离为多个平稳分量,然后采用自回归滑动平均方法对各平稳分量分别进行分析和建模,最后将所有分量的模型进行组合,从而可以得到原非平稳时间序列的预测模型。在实例分析中,利用1959年至2004年烟台市一代玉米螟发生程度数据序列建立了预测模型,利用2005年至2009年的数据对模型进行了检验。检验结果表明:5年预测准确率达到了80%,预测效果令人满意。     

基于PLS 和组合预测方法的冬小麦收获 指数高光谱估测

【目的】通过遥感反演测量收获指数(HI),可节省时间和人力,但需要提高精度。通过权重最优组合算法改善收获指数估算精度,为基于多时相多光谱信息的HI遥感估算提供新方法参考。【方法】利用测定的冬小麦多个关键生育期的冠层光谱数据,对筛选的44种常用植被指数与实测收获指数进行相关性分析,挑选出每个育期中5种最优的典型植被指数;应用偏最小二乘(PLS)的方法建模,分别得到基于单个生育期光谱信息的HI遥感估测模型;借鉴组合预测原理,应用组合预测方法对全部单生育期的各HI光谱模型赋予最优权重,最终构建基于多生育期数据的HI光谱组合预测模型。【结果】(1)利用PLS后,单一生育期的建模结果较单一植被指数有所改进,但仍有待提高;(2)应用组合预测原理的HI组合预测模型,显著改善了HI的估测精度,R2达到0.55,较单生育期的建模预测,提升了13%。【结论】基于多生育期信息的组合预测方法,对各单一生育期HI预测模型赋予最优权重进行优化组合,实质间接利用了各生育期对作物HI形成的贡献,显著提高冬小麦收获指数的估测精度,是一种新颖的作物HI遥感估测方法。     

基于CEEMD和BP神经网络的鄱阳湖流域旱涝长期预测模型研究

基于鄱阳湖流域1470²014年的原始旱涝等级序列,利用最新的完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD)和BP神经网络(Back Propagation Neural Network),构建了鄱阳湖流域旱涝的长期预测CEEMD-BP模型。结果表明:与EEMD相比,CEEMD对原始数据进行平稳化处理的效果更好,能更有效地提取原始数据中隐含的周期信号和长期趋势;原始数据经CEEMD分解后得到若干个本征模函数(Intrinsic Mode Function,IMF)序列,BP神经网络可以较好地拟合或预测这些IMF序列;CEEMD-BP模型对鄱阳湖流域19852014年的原始旱涝等级序列,利用最新的完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD)和BP神经网络(Back Propagation Neural Network),构建了鄱阳湖流域旱涝的长期预测CEEMD-BP模型。结果表明:与EEMD相比,CEEMD对原始数据进行平稳化处理的效果更好,能更有效地提取原始数据中隐含的周期信号和长期趋势;原始数据经CEEMD分解后得到若干个本征模函数(Intrinsic Mode Function,IMF)序列,BP神经网络可以较好地拟合或预测这些IMF序列;CEEMD-BP模型对鄱阳湖流域1985²014年旱涝等级序列的预测精度优于单一BP神经网络的。CEEMD-BP模型对20152014年旱涝等级序列的预测精度优于单一BP神经网络的。CEEMD-BP模型对2015²064年的长期预测显示,未来50年鄱阳湖流域的旱涝指数有先上升后下降的趋势。     

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。     

小波分析用于土壤速效钾含量高光谱估测研究

【目的】对土壤高光谱数据去噪提纯,提高土壤速效钾含量高光谱估测模型的精度和实用性。【方法】选取土壤有机质、碱解氮、有效磷含量近似而速效钾含量差异较大的样本76个,对土壤样本反射率对数的一阶导数光谱分别基于4种函数进行多层小波离散分解;提取小波低频系数,构建土壤速效钾含量高光谱估测模型。【结果】小波分解1-3层获得的低频系数可用以代表原始光谱。基于各小波函数相同尺度的低频系数,土壤速效钾含量估测建模精度差异不大。其中基于Bior 1.3函数分解的第2层低频系数建模精度略高,作为最佳估测模型,在数据压缩到25%、反映输入光谱信息95.6%的基础上,建模R2达到0.976,RMSE为10.66 mg•kg-1,经验证模型具有较好的预测准确度。【结论】通过小波分析获得小波系数,既提取了土壤高光谱信息,又对数据进行了压缩,结合偏最小二乘回归预测土壤速效钾含量是可行的。     

基于CEEMD和BP神经网络的鄱阳湖流域旱涝长期预测模型研究

基于鄱阳湖流域1470~2014年的原始旱涝等级序列,利用最新的完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD)和BP神经网络(Back Propagation Neural Network),构建了鄱阳湖流域旱涝的长期预测CEEMD-BP模型。结果表明:与EEMD相比,CEEMD对原始数据进行平稳化处理的效果更好,能更有效地提取原始数据中隐含的周期信号和长期趋势;原始数据经CEEMD分解后得到若干个本征模函数(Intrinsic Mode Function,IMF)序列,BP神经网络可以较好地拟合或预测这些IMF序列;CEEMD-BP模型对鄱阳湖流域1985~2014年旱涝等级序列的预测精度优于单一BP神经网络的。CEEMD-BP模型对2015~2064年的长期预测显示,未来50年鄱阳湖流域的旱涝指数有先上升后下降的趋势。