基于Python的粮食产量组合预测模型研究及应用

发布时间：2020-05-23 14:28

【摘要】：粮食作为人类生存的根本,对于一个国家的安定起到举足轻重的作用,中国作为一个产粮大国,一直把粮食生产的发展放在最主要的地位。而随着现代技术的发展,人们不断尝试将现在科技和理论应用在粮食生产技术上,而预测技术就是其中之一。预测技术作为一个已经较为成熟的技术,已经给人们带来许多方便,从天气情况的变化到航天轨迹的预测,都对人类的生活发展产生了巨大的影响,将预测技术运用在粮食生产上,可以有效地改善和预防粮食生产过程中存在的一系列问题。运用预测技术可以对未来粮食产量进行一定评估,从而可以提早对部分地区乃至国家的粮食生产进行规划,达到增产增收,不浪费粮食的目的。预测粮食产量的方法有很多种,对于不同的地域、环境、以及作物等,不同的预测方法所预测的准确度都会不太相同,因而无法用单种方法预测所有的东西,除此之外,由于要准确地预测粮食产量需收集大量的数据并进行处理,只是实现一种预测模型就需要花费很长的时间。随着各种大数据平台的建立,收集数据渐渐已经不像过去那么复杂,不过因为数据量日益庞大,人们亟需一种能同时拥有收集和处理功能的软件来完成任务,于是Python便因此进入了人们的视野。Python拥有强大的数据处理能力和大量丰富的库,使Python能够胜任大部分数据处理的任务。同时,因为Python是一款拥有爬虫功能的软件,所以收集数据也变得非常简单,这使得Python可以在粮食预测上贡献自己的力量。它可以较快处理单个预测模型的工作,这也为粮食的组合预测提供了条件和可能性。本文将通过Python编程以及调用库函数,例如Math、Numpy、scikit-learn以及Pandas等,对指数平滑法、灰色GM(1,1)、回归分析法以及支持向量机这四种常用的粮食预测方法分别进行建模工作,将其编译成Python程序并测试其准确度,再由程序根据不同权重分配的方法将不同的模型进行权重分配,筛选出一种准确度更高的方法,来将多种单一预测模型组合成一个新的预测模型,并对其进行检测,从而获得一个能够取长补短、稳定性好、适用范围更广的组合预测模型,来实现对粮食产量更精准的预测。
【图文】：

流行度,排行榜,编程语言,指标

武汉轻工大学硕士专业学位论文（8）可扩展性：Python 程序中可以使用部分 C 或 C++中进行处理过的程序。（9）丰富的库：Python 有很庞大的标准库，可以胜任非常多的功能。其中涵盖了正则表达式、文件修改、线程进程等相关操作。只需安装了 Python，就可以只用这一系列功能。（10）规范的代码：Python 通过语法规定，是的程序编写时需要强制缩进，使得代码更加美观，更具有可读性。2.3 Python 的发展现状图 2.1 来自于 TIOBE：

线性可分,支持向量机

能够使超平面两侧的空白区域最大化在 SVM 中，每个数据样本被看成维空间中的一个点，并构造一个最优超平面将样本分为不同的类别。对于非线分的样本，利用非线性核函数进行超平面的构造SVM 的核心思想是利用满足 Mercer 条件的核函数代替一个非线性映射，在原始样本空间中，不存在能够正确划分两类的超平面，那么将样本映射到一高维的特征空间，并且样本在此特征空间内是线性可分的，从而求解最优超平进行分类。SVM 旨在求解令间隔最大化的“超平面”，即 max ,可转换为 m2|| ||，约束条件为。通过拉格朗日对偶理论，就可|| ||22 ( + ) ≥ 1, = 1,2,…, 述有话问题转换为极值问题，从而求得最优解 a*、b*，分类决策函数。[35] ( ) = ( ∑ = 1 ( , ) + )（1）线性可分支持向量机
【学位授予单位】：武汉轻工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F326.11;F224

【相似文献】