一、GM(1,1)模型在粮食产量预测中的应用(论文文献综述)
刘亚天,丁生喜[1](2021)在《基于投影寻踪模型权重优化的城市高质量发展评价及其影响因素分析》文中提出为克服现有高质量发展评价中存在的主观性不强、不易处理高维数据等缺陷,提出运用投影寻踪法以及灰色BP神经网络,以青海省海东市作为研究对象对城市高质量发展水平进行评价.研究结果表明:①海东市创新发展结构质量欠佳,表现为创新能力不足,创新能力投影值在2005-2019年期间所占比重较低;②海东市经济基础与绿色发展所占权重较高,与其它三个方面相比,对海东市发展贡献率较高;③完善海东市基础设施建设,扶持本土创新企业发展,提高教育水平,积极建设专业性科研平台,有效推进海东市高质量发展.
徐刚刚,阿丽米热·苏莱曼,谢佳洋[2](2021)在《基于ARIMAX-BP神经网络组合模型的新疆小麦产量-播种面积-种植结构预测研究》文中研究说明小麦在新疆粮食生产中占有主导地位,是全疆商品粮的重要构成部分.选取新疆1999~2020年的耕地灌溉面积、农用化肥施用量及农业机械总动力三组时间序列数据作为解释变量,分别利用ARIMAX模型、BP神经网络算法以及它们的组合模型预测新疆小麦产量、新疆小麦播种面积、全国小麦种植结构.经过模型检验与评价,三种模型都具有较好的预测结果,其中组合模型的预测精度最高,达到优化的效果.分析结果表明:影响新疆小麦产量的主要因素为耕地灌溉面积和农用化肥施用量;小麦播种面积与耕地灌溉面积呈现较强的正相关关系;全国小麦种植结构与农业机械总动力呈现很强的负相关关系.
杨颖颖,陶佩君,崔永福[3](2021)在《基于GM(1,1)模型和ARIMA模型的大名县油料产量分析》文中进行了进一步梳理油料在国民经济中占据着重要地位,河北省大名县作为油料产量大县,近20年油料总产量在河北省各县中一直位居首位,但在多方面因素综合影响下近十年大名县油料产量呈下降趋势,产业发展受到一定程度影响。文章基于大名县1994~2019年油料产量数据,分别运用SPSS软件和Eviews软件建立GM(1,1)模型和ARIMA模型,进行1995~2022年油料产量的预测仿真,预测结果表明ARIMA模型比GM模型具有更高的预测精度和拟合效果。由预测结果分析了大名县油料产量和面积发生变动的原因,并提出了加快油料生产基地的建设、加快推动产供销一体化、提高油料生产组织化程度、引入新品种新技术、提高油料生产机械化水平等促进大名县油料发展的建议。
王钇霏,许朗[4](2021)在《粮食安全视域下农业水价改革空间研究》文中指出为实现农业水资源节约与保障粮食安全双重目标,提供农业水价改革优化策略。基于2020年河北省4个小麦典型产区农户调研数据,利用标准彭曼公式测算小麦正常生长节水空间,进而基于农业灌溉用水需求价格弹性计算恰好满足小麦正常生长需水量的农业水价,在粮食安全视域下探讨农业水价调整空间。研究结果表明:针对小麦生产,当前农业水价可逐步上涨至0.546元/m3,不同地区由于资源禀赋的差异使得水价上涨空间存在差异;单位面积小麦种植成本和节水技术应用成本与农业灌溉用水量呈现显着正相关关系。建议农业水价定价要因地制宜,充分考虑地区环境差异、作物种类差异、资源禀赋差异等因素;农业水价适度提升的同时,通过实施节水奖励与用水补贴兼顾保障农民收益与粮食生产的双重作用。
贾帅林,杜柏松,刘然,秦世云[5](2021)在《基于GM-Markov模型的船舶水上交通安全综合指数预测研究》文中研究指明为了更精确地预测船舶水上交通安全综合指数的变化趋势,以2004—2013年综合指数的数列为基础建立GM-Markov模型,对其分别进行灰色预测和GM-Markov预测;检验两种不同模型的预测研究结果的精度,并对预测值和实际值进行拟合检查;然后用2010—2019年的数据重新构造模型,预测了2020、2021年的预测值。结果表明:GM-Markov模型在短期内的预测能克服灰色预测的不足,且GM-Markov预测值曲线和实际数据曲线走势更加吻合;GM-Markov模型在船舶水上交通安全综合指数的预测上具有较高的可信度,为我国船舶水上交通安全保障的研究决策提供了一种新的方法。
杨近鹏,何英彬,张胜利,韩忠才,徐飞,孙静,罗善军,徐瑞阳,马欣甜,林泽儒,张志良[6](2021)在《基于光温模型的吉林省马铃薯物候期预测效果比较》文中研究表明马铃薯是我国继小麦、玉米、水稻后的第四大主粮作物,准确模拟马铃薯生育期是预测产量的关键步骤。使用被广泛应用于预测作物生育期的3种温度响应函数(正弦指数函数、WE温度响应函数、Beta函数)和2种日长响应函数(负指数函数、DSSAT-SUBSTOR日长响应函数)组合形成6种光温模型(SN、WN、BN、SD、WD、BD)。模型引入各生育期最大日发育速率、临界日长、感光系数和感温系数来描述马铃薯发育过程,使用最大似然法(GLUE)来估计各个光温模型的参数,模型经参数调节后用于预测吉林省马铃薯生育期,旨在对比不同光温模型对吉林省不同马铃薯品种的预测效果,并找到研究区域表现最优的光温模型。结果表明,6种光温模型均能很好地预测马铃薯生育期,且马铃薯不同生育阶段表现最好的光温模型不同,在研究区域,BN模型对马铃薯早熟品种费乌瑞它生育期的综合预测效果最好;SN模型对马铃薯中晚熟品种延薯4号生育期的综合预测效果最好。
叶莉莉,谢乃明,罗党[7](2021)在《累积时滞非线性ATNDGM(1,N)模型构建及应用》文中研究指明针对多变量时滞非线性系统的预测建模问题,引入时滞驱动项和幂指数,构建了累积时滞非线性多变量离散灰色ATNDGM(1,N)模型,给出了模型参数求解方法.基于累积时滞灰色关联模型确定了驱动因素和时滞期数,并探讨了时滞期与时滞权重的关系;利用粒子群算法确定了模型的最优幂指数;论证了 DGM(1,N)、DGPM(1,N)和ATDGM(1,N)模型均是ATNDGM(1,N)模型的特殊形式,研究了数乘变换对模型参数取值的影响;数值实验验证了模型的可行性.将ATNDGM(1,N)模型应用于河南省农业产值的预测中,结果表明该模型具有较高的拟合和预测精度,能够有效处理具有时滞非线性特征的小样本多变量系统预测问题.
马倩倩,何贤英,崔芳芳,孙东旭,翟运开,高景宏,王琳,赵杰[8](2021)在《基于ARIMA与NNAR模型的中国食管癌疾病负担预测》文中提出目的探索中国食管癌疾病负担时间序列特征,并进行预测。方法收集1990―2019年中国食管癌发病率、死亡率、伤残调整寿命年(disability adjusted life year, DALY)等疾病负担数据,基于1990―2016年数据建立自回归移动平均(autoregressive integrated moving average, ARIMA)模型、神经网络自回归(neural network autoregression, NNAR)模型,通过平均误差率(modulation error ratio, MER)、平均绝对百分比误差(mean absolute percentage error, MAPE)、平均绝对误差(mean absolute error, MAE)和均方根误差(root mean squared error, RMSE)比较2017―2019年预测数据与实际数据以验证模型预测性能,并预测2020―2024年食管癌疾病负担。结果 1990―2019年中国食管癌疾病负担整体呈波动上升趋势,发病率上升33.26%,死亡率上升21.26%,DALY率上升6.66%。ARIMA模型与NNAR模型的预测值和实际值动态趋势基本一致,选择其中更优模型预测得到2020―2024年中国食管癌发病率分别为20.375/10万、21.057/10万、21.380/10万、21.341/10万和21.080/10万;死亡率分别为18.834/10万、19.647/10万、20.407/10万、20.889/10万和20.988/10万。DALY率分别为418.192/10万、431.123/10万、442.780/10万、452.376/10万和459.358/10万。结论中国食管癌疾病负担在2020―2024年将上升。NNAR模型在拟合中国食管癌疾病负担应用中具有良好预测性能与精度,可为疾病负担短期预测提供借鉴方法。
李凯[9](2020)在《灰色预测模型的优化及其应用研究》文中研究表明灰色预测模型是灰色系统理论的重要研究内容,是应用灰色系统理论解决实际预测问题的重要桥梁。GM(1,1)模型是一个经典的灰色预测模型,是一个所需建模样本量少且预测精度高的预测模型。由于灰色系统理论的理论体系目前还不完善,导致GM(1,1)模型存在许多缺陷。GM(1,1)模型的预测误差偏大是其主要缺陷之一,影响了其适用范围。找出并分析造成GM(1,1)模型预测误差偏大的关键影响因素,并对GM(1,1)模型的算法进行相应的改进,不仅可以提高GM(1,1)模型的预测精度,还可以扩大GM(1,1)模型的应用范围。因此,GM(1,1)模型的相关改进和优化工作具有非常重要的理论意义和应用价值。本文在综合分析已有文献基础上,发现对GM(1,1)模型的数据序列和背景值进行改进和优化,可以有效地降低GM(1,1)模型的预测误差,提高预测精度。同时,将GM(1,1)模型与其他预测模型和算法进行科学且合理的结合,构建出组合预测模型,不仅能够发挥单个预测模型的优势,而且能够在一定程度上提升GM(1,1)模型的预测性能,进而拓展了GM(1,1)模型的实际应用范围。本文的主要研究内容有以下几个方面:第一,对GM(1,1)模型自身进行相关的改进和优化,提出两个改进的GM(1,1)模型。(1)GM(1,1)模型在处理有限样本数据的短期预测方面具有非常明显的优势,因此可以应用GM(1,1)模型预测电力消费。本文对GM(1,1)模型的原始建模数据序列进行了相应的数据转换,同时利用辛普森3/8公式和牛顿插值公式的组合插值方法来构造出新的GM(1,1)模型的背景值,构建了DCOGM(1,1)模型。将DCOGM(1,1)模型应用到亚太经合组织(APEC)国家和地区的短期电力消费预测和土耳其的电力消费预测等两个案例,以及我国上海市2017年至2021年的总电力消费的预测中。相关预测结果显示,DCOGM(1,1)模型的预测性能优于传统的GM(1,1)模型和其他改进的GM(1,1)模型,且上海市的电力消费在未来的五年中将呈现持续平稳增长的趋势。(2)为了提高GM(1,1)模型的预测性能,本文通过同时对原始建模数据序列进行数据转换并对GM(1,1)模型背景值的构造公式进行相应的优化和改进,得到了改进的GM(1,1)模型(TBGM(1,1)模型)。相关结果显示,TBGM(1,1)模型相对于传统的GM(1,1)模型和其他改进的GM(1,1)模型而言,具有更小的预测误差。与此同时,本文成功地将TBGM(1,1)模型应用到我国上海市能源消费预测中,发现上海市的能源消费在接下来的五年中将会呈现稳定增长的态势。同时,预测结果表明每个预测模型都有其适用范围,在某些特定的情况下,优化的GM(1,1)模型不一定能够提高预测精度;因此,对于不同的预测背景问题,应谨慎选择合适的预测模型。第二,GM(1,1)模型与其他预测模型和算法结合,预测我国的能源消费。能源资源是经济社会发展的重要战略物资,对一个国家(地区)经济和社会各项工作健康发展至关重要。我国的经济总量世界第二,能源消费总量却跃居第一;我国的能源资源供需呈现严重的不平衡状态,严重缺乏能源价格制定的话语权;我国的能源需求急剧增多,全球能源价格上涨且波动性剧烈。因此,科学准确地预测我国的能源消费总量,不仅可以为我国的相关决策部门制定安全合理的能源政策提供必要的决策理论依据,而且有助于我国经济和社会健康、可持续和稳定发展。(3)将GM(1,1)模型和ARMA模型结合,并提出了GM(1,1)-LR-ARMA模型。GM(1,1)-LR-ARMA模型是以GM(1,1)模型、ARMA模型和LR模型等三个单个预测模型为基础,利用误差倒数变权组合预测方法来求解GM(1,1)-LRARMA模型的权重值,并依据一定条件的组合而构建的新的预测模型。应用GM(1,1)-LR-ARMA模型来预测我国的能源消费发现,该模型不仅可以克服单个预测模型的不足之处,同时也具备处理具有波动性、周期性、趋势性和线性等数据特征的原始建模数据的优势。值得注意的是,预测结果显示合适的组合预测模型的权重值对提高模型的预测效果至关重要。(4)探讨了灰色预测模型和BP神经网络模型的结合运用,并提出了GM(1,1)-BPNN-GA模型。GM(1,1)-BPNN-GA模型是由GM(1,1)模型、DCOGM(1,1)模型、TBGM(1,1)模型等三个灰色预测模型和BP神经网络(BPNN)模型为基础模型。在建模过程中,三个灰色预测模型都采用等维新息递补机制而构建,其预测结果作为BP神经网络模型的输入变量,构建BP神经网络模型,再通过遗传(GA)算法来对BP神经网络模型的初始权重值和阈值进行相应的求解和优化。应用GM(1,1)-BPNN-GA模型来预测我国的能源消费发现,该组合模型的预测精度显着优于传统的GM(1,1)模型以及改进的GM(1,1)模型(DCOGM(1,1)模型和TBGM(1,1)模型),扩大了灰色预测模型的应用范围。(5)探讨了灰色预测模型和最小二乘支持向量机回归模型的结合运用,并构建了GM(1,1)-LSSVMR-PSO模型。GM(1,1)-LSSVMR-PSO模型是一种新改进的灰色预测模型。该模型是将GM(1,1)模型、DCOGM(1,1)模型和TBGM(1,1)模型三个灰色预测模型的预测结果输入到最小二乘支持向量机回归(LSSVMR)模型中,并利用粒子群优化(PSO)算法,来解决最小二乘支持向量机回归模型的参数σ和参数γ值的设置问题。同时,为了更好的评判粒子群优化算法优化的效果,通过利用遗传算法(GA)和模拟退火(SA)算法等智能优化算法,来分别求取最小二乘支持向量机回归模型的参数σ以及参数的值,依次构建GM(1,1)-LSSVMR-GA模型和GM(1,1)-LSSVMR-SA模型。预测结果显示GM(1,1)-LSSVMR-PSO模型的预测误差最小。GM(1,1)-LSSVMR-PSO模型充分利用了灰色预测模型和最小二乘支持向量机回归模型的优点,并在一定程度上克服了这些预测模型的一些不足和缺陷,在处理具有波动性及非线性特征的原始建模数据方面具有很强的预测优势,有效地拓展了灰色预测模型的实际应用领域和范围。最后,通过对上述组合预测模型进行综合分析,我们发现GM(1,1)-LSSVMRPSO模型的预测精度优于其他的单个预测模型和组合预测模型,因此应用于我国能源预测,预测结果显示我国能源消费在2019年至2023年将保持低速平稳增长。本文的主要创新点归纳如下:(1)通过研究和分析灰色预测模型的建模基本理论原理和机制,对GM(1,1)模型自身进行了一些改进和优化工作,并提出两个GM(1,1)模型的优化模型。对原始建模数据进行数据转换以及对GM(1,1)模型背景值的构造形式进行优化和改进,是GM(1,1)模型自身进行改进和优化的两个比较重要的研究方向。本文根据这两个优化和改进的方向,提出了两个优化模型,DCOGM(1,1)模型和TBGM(1,1)模型,并成功地将这两个优化模型应用到具体的实际预测问题中。相对于现有的GM(1,1)模型而言,DCOGM(1,1)模型和TBGM(1,1)模型能够显着地降低预测误差,提高GM(1,1)模型的预测性能,拓展GM(1,1)模型的实际应用范围。(2)通过把GM(1,1)模型同统计分析模型、机器学习模型进行结合,提出了相应的灰色组合预测模型。本文通过把统计分析模型和机器学习模型同GM(1,1)模型结合起来,发挥ARMA模型、BP神经网络模型以及最小二乘支持向量机回归模型的预测优势,建立了GM(1,1)-LR-ARMA模型、GM(1,1)-BPNN模型和GM(1,1)-LSSVMR模型。实际案例的预测结果充分验证了,上述三个灰色组合预测模型都能够非常有效地提高GM(1,1)模型的预测精度。(3)通过构建灰色组合预测模型,并成功地应用机器学习中的智能优化算法来优化灰色组合预测模型的参数。由于传统的BP神经网络模型的计算收敛速度相对比较慢,同时其求解的值也有很大概率是局部的最优解,本文采用遗传算法,构建了GM(1,1)-BPNN-GA模型,显着提高了模型的收敛速度和收敛性能,而且极大地降低了模型的预测误差。最小二乘支持向量机回归模型的预测表现与参数σ和参数密切相关,本文利用粒子群优化算法,来选取和求解最小二乘支持向量机回归模型的参数σ和参数γ的值,构建了GM(1,1)-LSSVMR-PSO模型。实验结果表明,粒子群优化算法相对于遗传算法和模拟退火算法,能够表现出更加良好的最小二乘支持向量机回归模型的参数求解和优化能力。综上所述,本文对灰色预测模型的优化及其应用问题进行了相关的创新性研究和探讨。一方面,对GM(1,1)模型自身进行了相应的改进和优化工作;另一方面,将GM(1,1)模型同统计分析模型以及机器学习模型进行了结合,提出相应的组合预测模型,并引进了包括粒子群优化算法、遗传算法以及模拟退火算法在内的智能优化算法,对组合预测模型进行了相应的优化工作。因此,对于GM(1,1)模型进行改进和优化,既需要考虑对GM(1,1)模型自身进行相应的改进和优化工作,同时也要将GM(1,1)模型和其他预测模型有机结合,吸收其他预测模型的优点。在围绕如何更加科学有效地提高GM(1,1)模型的预测性能这个中心内容的时候,这二者之间是可以相互促进,并行发展的。这些研究工作,不仅增强了灰色预测模型同其他预测模型和算法之间的融合,而且扩大了灰色预测模型的实际应用范围,为灰色预测模型的后续相关优化工作奠定了基础。
李威,顾峰雪[10](2020)在《区域作物产量的模型预测研究》文中指出区域作物产量预测是国家粮食安全评估的重要内容,关系到国家的安全稳定与可持续发展。首先对目前应用较为广泛的作物产量预测模型进行了简单分析,对比了这些模型的优势与局限性。其中,作物生长模型因其系统性、机理性、动态性的特点而被广泛应用,并在其基础上发展了专家决策系统。作物生长模型不仅在单点尺度上能成功模拟作物的生长发育过程,还可以扩展到区域尺度,符合中国进行粮食产量长期预测的需求。最后,简述了几种常见的生态系统过程模型,以及在其基础上发展的农业版本,并对未来区域作物产量预测的模型方法进行了展望和总结。
二、GM(1,1)模型在粮食产量预测中的应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、GM(1,1)模型在粮食产量预测中的应用(论文提纲范文)
(2)基于ARIMAX-BP神经网络组合模型的新疆小麦产量-播种面积-种植结构预测研究(论文提纲范文)
0 引言 |
1 理论模型与方法 |
1.1 ARIMAX动态回归模型 |
1.2 BP神经网络算法 |
1.2.1 信号向前传递 |
1.2.2 权值的调整及误差的反向传播 |
1.3 ARIMA-BP神经网络组合模型 |
2 新疆小麦发展趋势预测 |
2.1 数据选取及处理 |
2.2 动态回归模型ARIMAX预测 |
2.3 BP神经网络预测 |
2.4 ARIMAX-BP神经网络组合模型预测 |
3 结论 |
(3)基于GM(1,1)模型和ARIMA模型的大名县油料产量分析(论文提纲范文)
1 引言 |
2 数据来源与研究方法 |
2.1 数据来源 |
2.2 GM(1,1)模型 |
2.3 ARIMA模型 |
2.3.1 ARIMA模型预测 |
2.3.2 平稳性检验与处理 |
2.3.3 ARIMA模型的建立与优化 |
2.3.4 模型检验与预测 |
2.4 GM模型与ARIMA模型评价 |
3 结论 |
(4)粮食安全视域下农业水价改革空间研究(论文提纲范文)
0 引言 |
1 模型构建及研究方法 |
1.1 标准彭曼公式 |
1.2 农业灌溉用水需求函数模型 |
2 研究区域概况与数据来源 |
2.1 研究区概况 |
2.2 数据来源 |
2.3 变量选取与描述性统计 |
3 实证结果分析 |
3.1 河北省小麦生长需水量测算 |
3.2 小麦生产灌溉用水需求价格弹性分析 |
3.3 河北省农业水价调整空间分析 |
4 结论 |
(5)基于GM-Markov模型的船舶水上交通安全综合指数预测研究(论文提纲范文)
0 引言 |
1 GM-Markov预测模型 |
1.1 灰色GM(1.1)预测 |
1.2 马尔科夫预测及GM-Markov模型的构建 |
1.3 预测模型精度的检验 |
2 船舶水上交通安全综合指数预测的实证分析 |
2.1 灰色GM(1,1)模型预测 |
2.2 GM-Markov预测 |
3 GM-Markov模型的预测精度与可行性分析 |
3.1 GM-Markov模型的预测精度分析 |
3.2 GM-Markov模型的可行性分析 |
4 结论 |
(6)基于光温模型的吉林省马铃薯物候期预测效果比较(论文提纲范文)
1 材料与方法 |
1.1 研究区概况 |
1.2 田间试验 |
1.3 光温模型建模原理 |
1.3.1 温度响应函数 |
1.3.2 日长响应函数 |
1.3.3 温度响应函数与日长函数的组合 |
1.4 数据处理 |
1.5 模型参数估计与验证 |
1.5.1 参数估计 |
1.5.2 模型验证 |
2 结果与分析 |
2.1 模型参数率定结果 |
2.2 模型验证 |
3 讨论与结论 |
(8)基于ARIMA与NNAR模型的中国食管癌疾病负担预测(论文提纲范文)
1 资料与方法 |
1.1 资料来源 |
1.2 研究方法 |
1.2.1 ARIMA模型 |
1.2.2 NNAR模型 |
1.3 模型对比 |
1.4 统计学方法 |
2 结果 |
2.1 中国食管癌疾病负担变化趋势 |
2.2 食管癌发病预测模型构建 |
2.3 食管癌死亡预测模型构建 |
2.4 食管癌DALYs预测模型构建 |
2.5 中国食管癌疾病负担预测 |
3 讨论 |
(9)灰色预测模型的优化及其应用研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
第一节 选题背景及研究意义 |
一、研究背景 |
二、研究意义 |
第二节 GM(1,1)模型的研究现状 |
第三节 主要研究内容及创新点 |
一、主要研究内容 |
二、主要研究目标 |
三、主要创新点 |
第四节 研究的技术路线 |
第五节 本章小结 |
第二章 GM(1,1)模型的相关理论基础 |
第一节 GM(1,1)模型简介 |
一、传统的GM(1,1)模型的建模基本原理 |
二、GM(1,1)模型的实际应用范围 |
第二节 GM(1,1)模型的预测检验方法 |
一、准光滑性检验和准指数检验 |
二、预测精度检验 |
三、预测性能评价指标 |
第三节 GM(1,1)模型的误差来源分析 |
一、GM(1,1)模型的初始值问题 |
二、GM(1,1)模型的原始建模数据序列的光滑度 |
三、GM(1,1)模型的背景值 |
第四节 本章小结 |
第三章 DCOGM(1,1)模型及其应用研究 |
第一节 引言 |
一、研究背景 |
二、文献回顾 |
三、创新点和贡献 |
第二节 DCOGM(1,1)模型的建模优化过程 |
一、对原始数据进行数据转换 |
二、基于组合插值的GM(1,1)模型背景值的改进 |
第三节 DCOGM(1,1)模型的评价 |
一、组合插值的GM(1,1)模型背景值的评估 |
二、DCOGM(1,1)模型的评价 |
第四节 DCOGM(1,1)模型在上海市的电力消费预测中的应用 |
一、上海电力消费预测的建模基本过程 |
二、七个预测模型的预测性能比较 |
三、我国上海市2017年到2021年电力消费预测 |
第五节 电力消费预测问题的讨论和总结 |
一、讨论 |
二、总结 |
第六节 本章小结 |
第四章 TBGM(1,1)模型及其应用研究 |
第一节 引言 |
第二节 TBGM(1,1)模型的建模优化过程 |
第三节 TBGM(1,1)模型在上海市的能源消费预测中的应用 |
一、上海市的能源消费预测的建模过程 |
二、模型评价指标 |
三、七个预测模型的预测性能的比较 |
四、预测我国上海市的2018年到2022年的能源消费 |
第四节 能源消费预测问题的讨论和总结 |
第五节 本章小结 |
第五章 灰色预测模型和ARMA模型的组合预测研究 |
第一节 理论基础 |
一、ARMA模型简介 |
二、等维新息递补机制 |
三、组合预测模型权重的计算方法 |
第二节 基于灰色模型和ARMA模型组合预测方法 |
第三节 实例研究 |
一、实验所采用的数据 |
二、应用GM(1,1)模型预测我国的能源消费 |
三、应用ARMA模型预测我国的能源消费 |
四、构建GM(1,1)-ARMA残差模型预测我国的能源消费 |
五、构建GM(1,1)-LR-ARMA模型预测我国的能源消费 |
六、预测结果比较和分析 |
第四节 本章小结 |
第六章 灰色预测模型和BP神经网络模型的组合预测研究 |
第一节 BP神经网络模型 |
一、神经网络模型的简介 |
二、BP神经网络模型的简介 |
三、BP神经网络模型的建模基本过程 |
第二节 遗传算法 |
一、遗传算法的简介 |
二、遗传算法的建模基本流程和步骤 |
三、遗传算法的主要特点 |
四、遗传算法的主要应用 |
五、应用遗传算法优化BP神经网络模型 |
第三节 实例研究 |
一、实验所采用的数据 |
二、应用BP神经网络模型预测我国的能源消费 |
三、构建GM(1,1)-BPNN残差模型预测我国的能源消费 |
四、构建GM(1,1)-BPNN模型预测我国的能源消费 |
五、构建GM(1,1)-BPNN-GA模型预测我国的能源消费 |
六、预测结果比较和分析 |
第四节 本章小结 |
第七章 灰色预测模型和LSSVMR模型的组合预测研究 |
第一节 最小二乘支持向量机回归模型 |
一、支持向量机模型简介 |
二、支持向量机回归模型简介 |
三、最小二乘支持向量机回归模型简介 |
四、最小二乘支持向量机回归模型的参数求解 |
第二节 模拟退火算法 |
一、模拟退火算法的简介和基本原理 |
二、模拟退火算法建模的基本步骤和流程 |
三、模拟退火算法建模的优点和缺点 |
第三节 粒子群优化算法 |
一、粒子群优化算法简介 |
二、粒子群优化算法基本原理 |
三、粒子群优化算法建模的基本步骤和流程 |
第四节 实例研究 |
一、实验所采用的数据 |
二、应用LSSVMR模型预测我国的能源消费 |
三、构建GM(1,1)-LSSVMR残差模型预测我国的能源消费 |
四、构建GM(1,1)-LSSVMR模型预测我国的能源消费 |
五、构建优化的GM(1,1)-LSSVMR模型预测我国的能源消费 |
六、预测结果比较和分析 |
第五节 几种预测模型方法之间的对比 |
第六节 我国2019年到2023年的能源消费预测 |
第七节 本章小结 |
第八章 结论与展望 |
第一节 全文总结 |
第二节 研究展望 |
参考文献 |
致谢 |
个人简历及在学期间发表的研究成果 |
(10)区域作物产量的模型预测研究(论文提纲范文)
0 引言 |
1 粮食产量预测方法概况 |
1.1 遥感估产模型 |
1.2 投入产出模型 |
1.3 多元回归和因子分析模型 |
1.4 灰色理论模型 |
1.5 神经网络模型 |
1.6 作物生长模型 |
1.7 生态系统过程模型在农业上的应用 |
2 作物产量模型预测存在的问题 |
2.1 预测的准确性 |
2.2 模型的通用性 |
2.3 模型的实用性 |
3 总结和展望 |
四、GM(1,1)模型在粮食产量预测中的应用(论文参考文献)
- [1]基于投影寻踪模型权重优化的城市高质量发展评价及其影响因素分析[J]. 刘亚天,丁生喜. 数学的实践与认识, 2021(24)
- [2]基于ARIMAX-BP神经网络组合模型的新疆小麦产量-播种面积-种植结构预测研究[J]. 徐刚刚,阿丽米热·苏莱曼,谢佳洋. 兰州文理学院学报(自然科学版), 2021(06)
- [3]基于GM(1,1)模型和ARIMA模型的大名县油料产量分析[J]. 杨颖颖,陶佩君,崔永福. 粮油与饲料科技, 2021(05)
- [4]粮食安全视域下农业水价改革空间研究[J]. 王钇霏,许朗. 节水灌溉, 2021(11)
- [5]基于GM-Markov模型的船舶水上交通安全综合指数预测研究[J]. 贾帅林,杜柏松,刘然,秦世云. 机械工程师, 2021(10)
- [6]基于光温模型的吉林省马铃薯物候期预测效果比较[J]. 杨近鹏,何英彬,张胜利,韩忠才,徐飞,孙静,罗善军,徐瑞阳,马欣甜,林泽儒,张志良. 江苏农业科学, 2021
- [7]累积时滞非线性ATNDGM(1,N)模型构建及应用[J]. 叶莉莉,谢乃明,罗党. 系统工程理论与实践, 2021(09)
- [8]基于ARIMA与NNAR模型的中国食管癌疾病负担预测[J]. 马倩倩,何贤英,崔芳芳,孙东旭,翟运开,高景宏,王琳,赵杰. 中华疾病控制杂志, 2021(09)
- [9]灰色预测模型的优化及其应用研究[D]. 李凯. 上海财经大学, 2020(04)
- [10]区域作物产量的模型预测研究[J]. 李威,顾峰雪. 农业展望, 2020(03)