河南省“十四五”期间农机总动力预测研究

【目的】提高河南省农机总动力预测模型的精度,获得更加可靠的预测结果,为河南省“十四五”农业机械现代化及其发展规划提供支撑。【方法】基于河南省2017—2020年农机总动力的相关数据,通过建立预测模型,对“十四五”期间河南省农机总动力进行预测。针对线性回归模型存在的多重共线性问题,以及灰色模型只能表示单一序列的指数增长趋势的问题,建立了主成分回归预测模型和灰色回归预测模型,对两种模型预测结果精度进行对比分析。【结果】主成分回归预测模型和灰色回归预测模型的平均相对误差分别为0.0033%和0.0030%,灰色回归预测模型的预测精度较高。通过构建的灰色回归模型对未来时期河南省农机总动力进行预测,预测值分别为10538.81×10^(4)、10591.08×10^(4)、10627.67×10^(4)、10653.28×10^(4)、10670.21×10^(4) kW。灰色回归预测模型对2021年河南省农机总动力的预测值与实际值相对误差为1.04%,误差值较小。【结论】通过模型预测数据可以看出,“十四五”期间,河南省农机总动力增长趋于平缓,部分落后农机具将逐步被农机市场淘汰,大马力、效率高、功能更全面的机具将填补这部分市场缺口,河南省农机发展将进入全面的高质量、高效发展阶段。

用灰色神经网络组合模型预测农机总动力发展

农机总动力的需求预测是一个复杂的非线形系统,其发展变化具有增长性和波动性。该文首先在灰色预测模型的基础上建立了新陈代谢型灰色预测模型群,然后结合灰色GM(1,1)模型和BP网络模型的优缺点,建立了串联新陈代谢型灰色神经网络组合预测模型,并对中国农机总动力需求进行了预测,结果表明预测值和实际结果有很好的一致性。

基于BP神经网络的农机总动力预测

分析了BP神经网络用于预测时存在的不足,进而对基于BP神经网络的时间序列的预测问题进行了探讨。根据BP神经网络结构的特点,依据Z变换理论,提出了这一类预测问题可选用y=x作为传递函数,并分析指出了在BP神经网络中,以y=x作为传递函数与y=a+bx作为传递函数等价的结论,同时指出了网络结构应为两层网络。在此基础上,推导了相应的计算公式,并分别以单极性S型函数和y=x作为传递函数,对于具有增长趋势的农机总动力预测问题进行了实例计算。计算结果表明,以y=x作为传递函数的BP神经网络在外推效果、训练样本的数据处理区间影响方面明显优于S型传递函数的BP神经网络,并且克服了S型传递函数的BP神经网络在预测问题中存在的不足。

农机总动力增长波动影响因素分析

为了明确农机总动力增长波动变化的特征,分析不同因素对农机总动力增长波动影响的大小,进而采取有效的措施来稳定和加快农机总动力增长。针对农机总动力增长波动的复杂性与非线性的特点,采用经验模态分解法对1986-2013年农机总动力增长及其影响因素进行多层次、多尺度分解,得到各本征模态函数分量和趋势量,并采用集对分析理论分析农机总动力增长各本征模态函数分量与其相对应影响因素之间的联系度,进而计算得到各影响因素对农机总动力增长波动的综合影响率。结果表明,政府投入、劳均(每个劳动力)播种面积、燃料价格指数、粮食单产、非农产业的发展和第一产业从业人员数对农机总动力增长波动的综合影响率分别为23.89%、23.73%、23.67%、7.13%、7.41%和14.17%,农民人均纯收入、农业劳均产值、机械化农具价格指数、初中文化以上农村劳动力比例4个影响因素对农机总动力增长波动不产生影响,只对增长趋势量有影响。该研究成果为农业机械化发展政策的调整和制定提供了参考。

基于经验模态分解与BP神经网络的农机总动力增长预测

为提高农机总动力增长变化预测结果的准确性和可靠性,根据农机总动力增长变化与其影响因素之间具有在各时间尺度明显的非线性波动特征,提出以1986—2013年农机总动力增长为研究对象,分别对农机总动力增长及其影响因素时间序列数据进行经验模态分解(empirical mode decomposition,EMD),对得到的各时间尺度下的波动分量分别建立BP神经网络预测模型。将EMD-BP网络预测结果与多元线性回归、支持向量机、BP神经网络进行对比分析,结果表明:基于EMD-BP网络建立的农机总动力增长预测模型,拟合和预测平均相对误差分别为0.99%和1.29%,相关决定系数约为0.999,均方根误差为316.35 MW,模型评价等级为"好",各项精度评价指标都优于其他方法,因此该预测模型精度高、可靠性强。研究成果为农业机械化发展规划的制定和出台相关政策提供有效参考。

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2015年将达到40 537 MW。

基于BP神经网络的农机总动力预测模型研究

利用黑龙江省1980～2007年农机总动力数据,对BP神经网络模型和现有农机总动力预测模型进行分析,建立了基于BP神经网络的农机总动力预测模型,并将该模型应用到2007年以后黑龙江省农机总动力的预测中,取得了良好的预期效果,为黑龙江省的农业机械化发展趋势和农机产品市场分析提供了一定的理论指导。

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。

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。

基于改进BP神经网络的黑龙江农机总动力预测

BP神经网络在人工神经网络中起着至关重要的作用,通过分析标准BP神经网络的基本算法,指出标准BP算法的一些不足,并针对这些不足提出了以一种以相对误差作为误差传递信号的新的改进方法。经试验证明:该方法大大提高了BP神经网络预测结果的精度,同时这种新的改进思想也可以结合其他改进方法一起应用,以更大程度上地提高BP神经网络的运算速度和预测精度。

黑龙江省农机总动力趋势包络预测与分析

文中对趋势包络预测方法进行了详细介绍,并应用此方法,依据历年的数据对黑龙江省农机总动力进行了预测。预测结果与实际数据相对照表明,预测精度较高,这对黑龙江省农业机械发展规划有着重要意义,为规划提供了依据。

湖南粮食生产潜力空间分异特征与农机总动力投入的关系

土壤生产潜力评价是制定国土资源高效利用方案的重要组成部分。为此,基于土壤生产潜力逐级修订模型,以湖南省为例,利用GIS技术定量计算了1km×1km栅格粮食生产潜力,旨在突破行政区划限制分析土壤生产力的空间分布情况,为制定高效的国土资源空间利用方案提供重要参考依据。研究结果表明：湖南北部光照、水热资源优于南部,东部土壤资源优于西部。湖南光照、水热资源丰富,对粮食生产力的限制作用较小,土壤是湖南粮食生产力的主要限制因素。全省各市（州）粮食生产力在2010年实际产量的基础上均仍有2～3倍以上的增长空间。湖南省土壤生产潜力总体上呈现由湘东北向湘西南逐渐降低趋势。湖南东北地区土壤开发和粮食增产空间较西南广阔。

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。

山西省农机总动力需求的灰色—马尔柯夫预测模型

灰色—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。本文利用该方法对山西省农机总动力需求进行了预测分析 ,为农业机械化有计划的发展提供了依据。

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。

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。

农机总动力预测的灰色神经网络新方法

为提高农机总动力变化趋势的预测精度,将pGM(1,1)模型与RBF神经网络相结合,建立了基于pGM(1,1)-RBF神经网络的农机总动力预测模型,并以中国农机总动力数据预测为例,验证了该模型精度高、可行有效,适用于农机总动力预测。

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。

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。

农机购置投入结构与农机总动力增长的关系分析——基于面板数据模型

农业现代化的一个重要方面是农业机械化,农业机械化首先表现为农业机械装备数量的增加。农机购置补贴政策实施8年来,政府投入（主要是中央政府投入）逐年增加,带动了各方面投入的增加（主要是农民个人投入）,致使农机总动力增长加快。本文基于我国2000~2010年间的省际动态面板数据,估计了中国31个省份农机化各种投入与农机总动力增长的数量关系。研究表明,农机化投入的多元化格局并未形成,政府投入从＂四两拨千斤＂导向作用转向对农民个人投入的＂替代效应＂,并进行了原因分析,进而提出相应对策。