基于组合模型的粮食产量预测方法研究

发布时间：2021-08-31 06:32

　　农业是国民经济的基础,粮食产量是粮食安全保障的一个重要组成部分,因此粮食产量预测也成为了一个重要的研究课题,采用合理的方法和模型预测粮食产量变化趋势十分重要。针对我国粮食产量数据的特点,从两方面对粮食产量预测进行研究。一方面从影响因子入手,建立描述粮食产量与影响因子间的映射关系,提出了两种组合预测模型,模型一首先通过灰关联筛选出影响因子,其次,根据影响因子与粮食产量数据之间的非线性特点,建立BP神经网络模型,并采用粒子群算法对其权值进行优化,最后得到预测值。模型二首先计算影响因子与粮食产量间的相关系数,其次,利用主成分分析构建影响因子主要成分,最后建立主要成分与粮食产量数据的极限学习机模型,从而得到预测值。另一方面从单一的粮食产量时间序列上入手,建立时间序列模型。针对粮食产量的数据具有复杂性、随机性和非平稳性的特点,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,建立了GM（1,1）-ARIMA组合预测模型。针对小波分解后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,然后采用ARIMA预测模型对细节分量进行预测;最后通过小波重构得到产量... 

【文章来源】：河南工业大学河南省

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

BP神经网络模型

PSO-BP神经网络预测模型流程图

1985 1990 1995 2000 2005 year图 4 主成分 ， 和 对粮食产量的影习机粮食产量预测算法e Learning Machine, ELM）是一种新颖统的单隐层神经网络，只需要在 ELM 法过程中不需要对网络的输入权值和隐M 既能保证较快的学习速度，又具有较

【参考文献】：
期刊论文
[1]气候变化视角下我国粮食生产率增长及其影响因素分析[J]. 刘战伟.  南方农业学报. 2019(02)
[2]不同灰色GM（1,1）模型在地铁沉降预测中的效果分析[J]. 成枢,冯子帆,郭祥琳,邱建.  测绘地理信息. 2019(01)
[3]粮食制度改革和宏观调控等时代大背景下粮食行业的生存与发展探析[J]. 何志瑾.  粮食科技与经济. 2018(12)
[4]灰色预测GM（1,1）模型应用现状与展望[J]. 孔雪,王丽,冯益华.  齐鲁工业大学学报. 2018(06)
[5]改进粒子群优化BP神经网络粮食产量预测模型[J]. 宗宸生,郑焕霞,王林山.  计算机系统应用. 2018(12)
[6]利用ARIMA模型预测浙江省GDP增长情况[J]. 管超宇.  科技经济导刊. 2018(35)
[7]基于灰色模型的全国棉花产量预测方法研究[J]. 梁后军,谢睿,冯宜强,周万怀,常郝,李浩,刘从九,徐守东.  中国纤检. 2018(07)
[8]河南省粮食产量预测方法研究[J]. 陈全润,杨翠红.  系统科学与数学. 2018(07)
[9]粮食政策实施及其效应波及:2013～2017年[J]. 蒋和平.  改革. 2018(02)
[10]基于多元回归对粮食产量的研究[J]. 陆玉玲,谢钱姣,朱家明,李德政.  黑龙江工业学院学报(综合版). 2017(06)

硕士论文
[1]基于时间序列分析技术的预测模型设计与应用[D]. 莫增文.中国科学院大学（工程管理与信息技术学院） 2014



本文编号：3374392