组合预测方法及其在粮食单产分析中的应用

介绍组合预测模型及最优权重的确定，并通过此方法对黑龙江省某农场粮食单产进行了预测。建立了组合预测模型。从预测结果上看，组合预测模型优于单一预测模型，使预测精度有一定的提高。     

一种非线性组合预测方法在径流预测中的应用

将基于人工神经网络的非线性组合预测方法应用于径流预测中，以1996年太阳沱的洪水资料为例，对已经建立的2个模型，采用3层的BP网络进行组合模拟预测，从多方面分析比较，证明用该种方法能够提高预测精度，结果令人满意。     

黑龙江省农机总动力的组合预测研究

探讨了组合预测方法及其在黑龙江省农机总动力预测中的应用，建立了组合预测模型。     

禽蛋孵化过程组合预测研究

针对孵化过程是一个具有高度非线性、大滞后、时变特性且强耦合性的农业生产过程,提出了一种基于灰色预测和联想记忆神经网络的组合预测方法.该模型首先利用灰色预测模型和联想记忆神经网络分别对焦炉禽蛋孵化过程温、湿度进行预测,然后采用方差-协方差优选组合预测法对2种单一模型的预测结果进行加权集成,以获得较为准确的预测精度,实现孵化过程温度和湿度的有效预测.运行结果表明,组合预测模型均方根相对偏差为0.9％.     

基于ESMD-LSSVM模型的径流式水电站出力预测研究

针对径流式水电站日出力随机性强，直接预测精度低的特点，采用极点对称模态分解（ESMD）对出力序列进行平稳化处理，结合最小二乘支持向量机（LSSVM），建立了基于ESMD-LSSVM的组合预测模型。选取西北某省径流式水电站2020年的日出力时间序列进行实例分析，并与单一模型SVM,LSSVM,BP及组合模型ESMD-SVM,ESMD-BP预测效果进行比较。结果发现：(1) PACF分析得到ESMD分解后的各子序列的特征向量不同，反映了径流式水电站日出力的复杂性和多变性的特征。(2)与单一模型相比，组合模型泛化能力更强，对时间序列中出力突变点的预测更准确。(3)ESMD-LSSVM组合模型日出力预测效果较好，为径流式水电站日出力时间序列预测提供了新的方法参考。     

组合预测技术在农机市场预测中的应用

企业的成败在于经营，而预测又是经营活动中的重要工作之一，本文结合农机市场的特点，在综合分析几种方法的基础上，通过实例比较，认为在农机市场预测中，组合预测技术是一种简便可行的方法。     

BP神经网络最优组合预测方法及其应用

为了解决各种单一传统的预测方法中存在的问题，提出了一种BP神经网络最优组合的预测方法。将单一预测方法所得到的预测值作为BP神经网络的输入样本，相应历史数据的实际值作为样本的输出，经过样本训练达到期望精度，应用BP神经网络进行预测。通过对浙江省农机总动力需求预测，表明该方法比各种单一的预测方法都有更高的精度。     

预测技术在垦区大中型拖拉机中的应用

通过组合预测模型及最优权重的确定,以黑龙江垦区农用大中型拖拉机的保有量为例,建立了组合预测模型。从预测结果看,组合预测技术是一种简便可行的方法。     

水产品收购价格预测的时序组合模型研究

我国水产品市场已经出现了区域性、结构性的供大于求及价格持续下降的现象。为此，对水产品价格进行预测是必要的。以1978～1999年数据为样本，利用时序组合模型对2000年的水产品收购价格进行了预测研究。     

基于灰色预测和 随机森林组合算法的电量预测

为解决地区电量预测精度低、预测模型通用性差等问题,文章通过对区域用电量和经济因素的历史数据研究分析,提出了一种基于灰色预测和随机森林的组合电量预测方法。首先利用灰色预测方法通过历史电量数据进行电量初步预测;其次再利用经济指标数据,通过随机森林算法对初步预测的用电量进行修正,以达到最佳的用电量预测效果。最后将本模型运用于地区月用电量预测,结果表明:该预测方法平均绝对百分误差为(MAPE)2.06%,为地区电量预测工作提供一种新思路。     

基于灰色支持向量机组合模型的农产品产量预测

鉴于灰色预测模型和支持向量机各自的优点,将灰色预测模型与支持向量机相结合,提出灰色支持向量机组合模型,并将该模型应用于花生产量预测中。结果表明,与单一支持向量机和灰色预测模型相比,灰色支持向量机组合模型的预测精度明显提高。     

基于粗糙集的粮食产量组合预测模型

为预测粮食总产量,建立了基于粗糙集的粮食产量组合预测模型.通过建立预测模型与预测对象的关系数据模型,离散化属性数据值来建立知识表达系统和决策表,并依据粗糙集理论计算出预测对象对预测模型的依赖度、预测模型的重要度以及组合预测模型中各单一模型的权系数.利用浙江省粮食总产量的历史数据建立了粮食产量组合预测模型,分析表明所建模型有较好的预测效果.     

基于遗传对角回归神经网络的农机总动力预测

利用遗传算法强全局随机搜索特点,结合DRNN神经网络对非线性数据具有鲁棒性和自学习能力的优点,通过将历年农机总动力数据作为时间序列进行分析,建立DRNN神经网络预测模型对农机总量进行预测。本文采用遗传算法对DRNN神经网络进行训练,可克服基于梯度算法的神经训练算法的缺点,收敛速度快,可达到全局最优。通过与校验用数据的比较证明本文建立的预测模型具有较高的精度。     

基于逐级均值聚类算法的短期负荷预测研究

在原有短期负荷预测方法的基础上,考虑气候、季节、气温和节假日等因素,结合数据挖掘中聚类分析原理,通过逐级均值聚类算法提高特殊日的预测精度,形成一套可行的预测模型。实例分析证明,该方法收敛速度较快,预测误差较小,能够在工程中应用。     

基于灰色-马尔柯夫模型的中国农业机械总动力预测

灰色一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.为此,利用该方法对我国农机总动力需求进行了预测分析,为农业机械化发展提供了依据.     

灰色预测模型粮食产量预测比较研究

鉴于粮食生产系统的复杂性和信息不完全性,在对粮食生产系统灰色关联分析的基础上,确定出影响粮食产量的主要因子,然后建立灰色GM(1,N)预测模型;应用同一原始数据和GM(1,1)预测模型进行了比较,证明GM(1,N)预测模型具有较高的预测精度,较好地拟合了粮食产量的发展趋势。     

HEC-HMS模型在四川省清溪河流域山洪预报中的应用

山洪灾害往往给山区人民生命财产、自然环境等造成了极大的损害,降低山洪灾害的有效途径之一是实现基于降雨径流模型的实时预报预警系统。选取四川省山洪易发流域-清溪河流域为研究区,通过GIS技术,结合流域DEM、土壤及土地利用数据提取流域信息,构建HEC-HMS降雨-径流模型进行流域山洪预报。根据降雨径流形成过程,分别采用SCS-CN曲线法、SCS单位线法、指数退水法和马斯京根法进行计算产流、坡面汇流、基流和河道汇流四个部分。选取6场洪水进行模型参数的率定,4场洪水进行模型验证。模拟结果表明:Nash效率系数均值为0.792,相关系数均值为0.84,峰现时差均在3 h以内,合格率为90%,该模型对清溪河山洪预报具有较好适应性,可为四川省中小河流域山洪预报提供借鉴和参考。     

我国农业机械化作业水平的组合预测模型对比研究

为探究不同组合模型对我国农业机械化作业水平预测的影响,以我国农业机械化作业水平时间序列为研究对象,以2001-2012年历史数据作为训练样本,分别选择指数曲线法、三次指数平滑法及灰色预测法构建单项预测模型,并基于单项模型的预测结果,选择误差平方和最小法、Shapley法和IOWGA法构建组合预测模型,对2013-2015年农业机械化作业水平进行预测。预测结果的对比分析表明:组合模型的预测精度从高到低分别为IOWGA组合模型、基于误差平方和最小法组合模型及Shapley组合模型。IOWGA组合预测模型充分汇集了各单项预测模型中的有效信息,且根据预测精度的大小赋予不同的权值,具备更好的预测效果和稳定性,相对误差可控制在1%,可用于我国农业机械化作业水平预测。     

Copula-MCP洪水概率预报方法研究与应用

常用的洪水概率预报方法一般都采用了正态化变换与线性假设,可能会导致信息的丢失,也影响了其对洪水过程的适用性。鉴于此,将Copula函数与模型条件处理器MCP相结合,不需要正态-线性条件约束,直接推求以预报值为条件的流量分布函数,构建Copula-MCP的洪水概率预报模型。以淮河王家坝断面为例,在经验降雨径流模型API的确定性预报结果的基础上,采用Copula-MCP模型实现洪水概率预报。对1990-2010年共25场洪水的研究结果表明:Copula-MCP模型优于MCP模型的概率预报结果,Copula-MCP模型的期望值预报亦优于API模型结果。