基于BP神经网络的农机总动力组合预测方法

鉴于单一预测模型和线性组合预测模型的局限性,在确定黑龙江省农机总动力单一预测模型的基础上,建立了基于BP神经网络的非线性农机总动力组合预测模型。误差分析表明,该非线性组合预测模型的拟合平均绝对百分误差为3.03%,低于一元线性回归模型、指数函数模型、灰色GM（1,1）模型和三次指数平滑模型的6.26%、4.65%、4.88%和3.72%;稍高于以误差平方和最小为原则构建的线性组合预测模型的2.86%。用2006～2008年黑龙江省农机总动力进行检验预测,结果表明该模型可以有效地提高农机总动力的预测精度,用该模型预测了黑龙江省2009～2015年农机总动力。预测结果表明,在未来几年黑龙江省农机总动力将保持快速增长趋势,到     

考虑自变及因变影响的农机总动力组合预测模型

为能获得精确预测农机总动力的方法,以灰色模型和多元线性回归模型为子模型,应用Shapley值法计算子模型权重系数,构建农机总动力组合预测模型。应用我国2000-2010年农机总动力数据,分别标定上述模型相关参数,并计算各模型年度相对误差和平均相对误差。其中,GM模型和多元线性回归模型的平均相对误差分别为0.68%和0.91%,组合预测模型的平均相对误差为0.59%,精度较高。同时,组合模型既能够反映数据自身变化规律的特征,又能定量反映农机总动力与其相关影响因数间的数理关系,具有较强的适用性。     

农机总动力组合预测模型研究-基于密度算子

农机总动力的需求具有增长性、波动性及非线性的特征。采用基于密度算子的组合预测方法,对陕西省农机总动力进行预测。在确定单一预测模型的基础上,计算各模型的偏离度和准确度,进而确定聚类组的准确度和密度加权向量,建立基于密度算子的农机总动力组合预测模型,以及基于离差系数法和Shapley值法的组合预测模型。拟合结果表明:建立的密度算子组合模型的各项误差评价指标都低于选定的单一预测模型和基于离差系数法和Shapley值的组合预测模型,具有很好的预测效果。     

基于人工神经网络的黑龙江省农机总动力预测

黑龙江省农机总动力的建模和预测是制定黑龙江省农机发展计划的重要依据。为此,应用BP人工神经网络技术(BP-ANN)处理1980～1998年农机总动力数据,建立正确的预测模型。利用此模型预测出1999～2003年黑龙江省农机总动力数值,预测结果和实际结果有很好的一致性;同时,预测了2004～2006年黑龙江省农机总动力数值,为今后制定农机发展战略提供参考依据。     

新疆兵团农机总动力预测模型的研究

为了提高新疆兵团农机总动力预测模型的精度,获得更加可靠的预测结果,针对回归模型的多重共线性问题及灰色模型仅含有指数增长趋势的问题,基于2007-2014年农机动力的相关数据,建立了主成分回归和灰色回归两种预测模型。对两种模型的预测精度进行比较分析,结果表明:主成分回归模型和灰色回归模型预测值的平均相对误差分别为0.57%、0.46%,灰色回归预测模型的精度较高,可以较真实地反映新疆兵团农机总动力的变化趋势。应用该模型进行预测,得到了新疆兵团农机总动力未来5年的预测值。     

基于实数遗传算法与神经网络的农机总动力预测及分析

为了能够更好地确定黑龙江省农机总动力带来的影响,从提高黑龙江省农机总动力预测精度出发,运用黑龙江省1983-2014年农机总动力数据,以实数遗传算法训练神经网络对2015-2019年的黑龙江省农机总动力进行预测。预测结果表明:在达到相同精度的目标下,基于实数遗传算法来训练神经网络的农机总动力预测比标准BP神经网络对农机总动力的预测具有更快的收敛速度,预测速度优势明显,且拟合的精度也得到了很大提高。数据结果还表明:离需要预测的年代(2015-2019年)越近,预测数据的绝对误差越小,因此运用实数遗传算法训练神经网络有较好的预测性能。最后,运用2017年和2018年的预测数据来确定农机总动力对与其相关方的影响,并给了出参考建议。     

基于Shapley值的农机总动力组合预测方法

应用合作博弈中的Shapley值方法,通过分配总误差来确定组合预测模型中各预测模型的权重,以此构建组合预测模型并对山西省农机总动力进行组合预测.结果表明,该组合预测模型的预测平均误差为1.81,低于选定的一元线性回归模型、三次指数平滑模型和BP神经网络模型的3.12、2.42和2.23;也低于基于方差倒数法以及基于离异系数法构建的组合预测模型的预测平均误差1.88和1.90.     

基于机器学习的重庆市粮食产量预测及影响因素分析

科学进行粮食产量预测及其影响因素分析对作出粮食生产决策及保障粮食安全有重要意义。对重庆市1997—2021年粮食数据进行收集、整理、分析,发现各特征与重庆市粮食产量间不是简单线性关系,因此使用非线性模型拟合粮食产量与其影响因素之间的函数关系,训练三种核函数的高斯过程回归(GPR)模型并进行组合预测,试验结果显示所得的组合模型具有很好的泛化能力。以2020—2021年数据为测试集,组合预测模型对2020年和2021年数据预测的绝对百分比误差分别为0.074 4%和0.632 4%。但GPR不易获得粮食产量与其影响因素之间的函数关系,导致使用GPR模型进行影响因素重要性分析很困难,进而借助多元函数泰勒公式及偏最小二乘回归(PLSR)对重庆市粮食产量进行影响因素分析。通过PLSR模型发现对重庆市粮食产量影响较大的因素是粮食播种面积、农用机械总动力、劳动力投入和成灾面积;农用机械总动力的增加降低了粮食播种面积减少等带来的负面影响。最后提出保护耕地面积、发展农业科技创新、鼓励返乡创业就业以及加强气候监测等建议来保障重庆市粮食安全。     

五种地下水埋深预测模型对比分析——以肇州县为例

地下水埋深预测对于区域水资源管理利用、生态环境保护和经济社会发展等具有重要的价值与作用。地下水埋深受多种因素影响,其动态变化具有非平稳性、随机性和滞后性等特征。为了准确预测浅层地下水埋深,选用多元线性回归、灰色GM(1,1)、基于马尔科夫链优化的灰色GM(1,1)、BP神经网络和基于遗传算法优化的BP神经网络五种预测模型,以黑龙江省肇州县为应用实例,将1980-2009年数据作为训练样本,2010-2019年数据作为检验样本,以降水量、蒸发量、地下水开采量和前期水位作为输入层输入,以地下水埋深作为输出层输出,选择绝对误差、相对误差、平均绝对误差、平均绝对百分比误差、均方误差和均方根误差作为评价指标,进行地下水埋深模拟预测和对比分析。结果表明：基于遗传算法优化的BP神经网络模型的平均绝对误差0.13 m,平均绝对百分比误差1.58%,均方误差0.02,均方根误差0.15,预测精度较高、拟合效果较好,相较于其他4种模型可以更好的模拟地下水埋深动态变化,为肇州县地下水合理开发和利用提供参考;遗传算法优化提升了BP神经网络的训练效率和稳定性,马尔科夫链理论弥补了灰色GM(1,1)所缺少的波动性...     

辽宁省农机总动力组合预测与分析

通过对1994～2004年辽宁省农机总动力历史数据的统计分析,建立了农机总动力发展的组合预测模型,并对农机总动力进行了预测.预测结果表明,组合预测模型优于单一预测模型,使预测精度有了一定的提高,用其对辽宁省农机总动力进行预测更具有合理性.分析预测结果对辽宁省农机发展规划有着重要意义.     

基于离散灰色模型的中国农机总动力预测

农机总动力预测对于国家制定相关农机发展政策具有重要意义。为此,运用离散灰色模型,对2004-2011年间的我国农机总动力的数据进行了分析建模、相关检验。其平均相对误差为0.307%,小误差概率为1,后验差比为0.026,关联度为0.999 1,各指标都达到一级判别标准,表明该模型可以用于农机总动力的预测。在此基础上,对其2012-2020年间的发展趋势进行了预测,预测结果显示农机总动力呈逐年递增趋势,平均年增长率为6.204%,发展态势良好。     

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.     

吕梁市农机总动力预测

以1979—2015年吕梁市农机总动力为研究基础，利用指数函数、三次多项式函数及BP神经网络分别建立农机总动力预测模型并进行样本比对。结果表明，BP神经网络和指数函数模型的平均绝对误差分别为1.11%和3.22%，低于三次多项式函数的平均绝对误差（8.05%）。利用BP神经网络模型和指数函数模型对2016—2021年吕梁市农机总动力进行预测，以期为农业机械化水平的发展提供参考。      

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%。     

BP神经网络最佳停止法对农机总动力的预测

在分析和研究了基于神经网络的农机总动力预测的基础上,指出了神经网络传统预测方法预测精度低的原因是神经网络训练阶段和预测阶段的矛盾性。通过一系列实验表明:随着拟合误差的逐渐减小,预测误差出现了先下降后上升的规律,即所谓的"过拟合"问题。为了解决这个问题,应用最佳停止法对农机总动力进行预测,该方法把样本集分成训练样本集、确认样本集及验证样本集3部分。在训练过程中监测训练样本集和确认样本集的误差,当确认样本集的误差连续20次不减小时,退出训练,返回最小确认样本集误差所对应的网络数据,并用验证样本集来检验最佳停止法的预测精度。实验数据表明:最佳停止法避免了网络出现的"过拟合"问题,有效提高了预测精度。最后,用这个训练好的网络模型预测了黑龙江省2015-2020年的农机总动力。     

基于GA-LM-BP模型的云南省农机总动力预测

为预测云南省农机总动力的发展变化趋势,提出一种将GA算法、LM算法与BP神经网络相结合的农机总动力预测方法,克服了BP神经网络易陷于局部极小的缺点。选取1985-2015年云南省农机总动力数据作为样本,建立GA-LM-BP神经网络模型进行仿真预测,结果表明:该模型的平均相对误差为0.313 362%,明显优于BP神经网络的0.926 674%、LM-BP神经网络模型的0.654 053%和GA-BP神经网络模型的0.493 122%,具有较好的预测精度。在此基础上,对云南省2016-2020年农机总动力的发展趋势进行了预测,结果表明:2 0 1 6年农机总动力达3 4 3 9.4 9万k W,超过云南省农业厅预测的3 4 0 9万k W,2 0 2 0年云南省农机总动力达3 952.78万k W,为云南省农机化的发展规划提供了理论依据。     

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。     

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。     

基于LM-BP神经网络的农机总动力预测

利用黑龙江省1983-2013年农机总动力数据,运用标准BP神经网络和LM-BP神经网络对黑龙江省未来5年的农机总动力进行预测。预测结果表明:在达到相同的误差目标值(即计算期望精度),LM-BP神经网络与标准PB相比,具有更快的收敛速度。如果需进一步减小误差目标值(即提高计算期望精度)时,标准BP神经网络在16h内都无法满足给定的精度要求;而LM-BP神经网络在20s内即可满足给定的精度要求。此时,LMBP神经网络的收敛速度优势非常明显,而拟合的精度也进一步提高,表明LM-BP神经网络具有较高的预测精度。准确的预测黑龙江省农机总动力,可为黑龙江省农业机械化发展规划的制定和近阶段农业机械化的发展水平提供参考依据。     

基于包容性检验的新疆兵团农机总动力组合预测

为提高新疆兵团农机总动力预测的精度,以1989-2014年新疆兵团农机总动力为数据源,采用6种单项模型对其进行预测并根据预测性能指标的高低进行排序,再通过包容性逐步检验各单项模型,利用通过检验的单项模型构建组合模型,并使用所建组合模型对兵团2015-2016年农机总动力进行预测。结果表明:利用以上过程所建立的组合模型对兵团农机总动力预测结果的描述更加准确、可靠。