CN103824130A - 一种基于svm的粮情预测预警方法及系统 - Google Patents

Abstract

本发明涉及一种基于SVM的粮情预测预警方法及系统。包括以下步骤：设定影响粮情安全等级的多个参数；形成规范化的历史数据样本；建立基于SVM回归模型的预测模型；采集所述各参数的数据，并通过所述预测模型得到粮情安全等级的预测结果；判断所述粮情安全等级预测结果的变化趋势是否正常，若变化趋势正常，则将所述粮情安全等级的预测结果发送给上位机；若变化趋势异常，则发出报警信号。本发明根据所建立的预测模型，可以对采集到的粮情进行综合分析，进而预测粮情安全等级的变化趋势，当粮情安全出现异常时，报警提示管理人员提前做好改善粮情的准备工作，为粮情测控系统的控制策略提供及时的依据，提高了测控系统的可靠性。

Description

一种基于SVM的粮情预测预警方法及系统

技术领域

本发明涉及粮食存储安全监测领域，特别涉及一种基于SVM的粮情预测预警方法及系统。

背景技术

预测预警方法是将来自传感器的信息和数据经过综合处理，找出暗含其中的规律并通过数学模型揭示出来，进而实现对对象的更加准确、可靠的控制。现有的粮情预测方法和系统对粮情信号采集往往由单一的传感器(如温度传感器)来完成，即使采用多个(种)传感器也仅是从各个不同的侧面孤立反映目标信息。实际上，粮情是由温度、湿度、水分、虫害、霉菌等因素共同决定的，必须同时综合考虑这些因素，才能获得充分反映粮情状安全状况的结论，并由此得出处理建议和控制措施。但是，传统的多元回归统计分析预测模型、GM（1，N）模型等线性预测模型都很难解决这种多参数时间序列间的复杂非线性关系，人工神经网络技术又存在训练速度慢，易陷入局部极小点和全局搜索能力弱的缺陷。而支持向量机（SVM）能够在有限样本情况下，求得全局最优解，并且将算法复杂程度保持在一个合适的范围内，不但能整合多信息数据，而且能够实现复杂非线性模型逼近，得出有效的数据模型，是建立现代粮情预测模型的优良方案。

发明内容

本发明所要解决的技术问题是提供一种基于SVM的粮情预测预警方法及系统，解决了现有技术中粮情预测方法及预测系统不能综合考虑影响粮情安全状况的各种因素，且预测结果不可靠的技术问题。

本发明解决上述技术问题的技术方案如下：一种基于SVM的粮情预测预警方法，包括以下步骤：

（1）设定影响粮情安全等级的多个参数，所述参数包括温度、湿度、水分、虫害和/或霉素；

（2）收集所述各参数的历史数据，并将所述历史数据映射到[0，1]空间，形成规范化的历史数据样本；

（3）建立基于SVM回归模型的预测模型，所述预测模型的输入数据为所述各参数值，所述预测模型的输出数据为粮情安全等级的预测结果；通过所述规范化的历史数据样本对所述预测模型进行训练，调整所述预测模型的结构，使所述粮情安全等级的预测结果与影响粮情安全等级的各参数相对应；

（4）连续采集所述各参数的当前数据，并通过所述预测模型得到粮情安全等级的预测结果，采用列表和/或曲线的方式显示所述粮情安全等级预测结果的变化趋势；

（5）判断所述粮情安全等级预测结果的变化趋势是否正常，若变化趋势正常，则将所述粮情安全等级的预测结果发送给上位机；若变化趋势异常，则发出报警信号。

本发明的有益效果是：本发明的粮情预测预警方法和系统中，核心的预测模型是根据支持向量机（SVM）对已有的粮情历史数据（温度、湿度、水分、虫害等）进行整合、优化处理后建立的有效数学模型，其包含各种粮情数据之间的关系以及粮情变化规律信息，根据所述预测模型，可以对粮情安全等级的变化情况作出可靠预测，当粮情安全出现异常时，报警提示管理人员提前做好改善粮情的准备工作，为粮情测控系统的控制策略提供及时的依据，提高了测控系统的可靠性。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述粮情安全等级通过数值1～10来表征；所述粮情安全分为五个等级，其中1～2表示粮情不安全，2～4表示粮情较不安全，4～6表示粮情一般安全，6～8表示粮情较安全，8～10表示粮情安全。

进一步，所述步骤（2）中采用最小-最大规范化方法，将所述各参数的历史数据映射到[0，1]空间，具体公式为：

${s_i}^{\′}=\frac{\max \left\{s_i\right\}-s_i}{\max \left\{s_i\right\}-\min \left\{s_i\right\}}$

其中，S_i表示第i组历史数据所对应的粮情安全等级，max{s_i}表示所有组历史数据所对应的粮情安全等级的最大值，min{s_i}表示所有组历史数据所对应的粮情安全等级的最小值。

采用上述进一步方案的有益效果是：本技术方案将影响粮情安全等级的各参数的历史数据作为条件属性，并运用最小-最大规范化方法对数据进行规范化处理，有利于避免各个参数之间的量级差别，消除各个参数由于量纲和单位不同造成的不利影响。

进一步，所述步骤（5）中，采用TD-LTE技术将所述粮情安全等级的预测结果发送给所述上位机。

采用上述进一步方案的有益效果是：本发明的技术方案采用TD-LTE技术，不仅频谱效率高，可以达到5-10bps/Hz；而且上下行的调度能力灵活，可以承载多样化高带宽服务(1.4-20MHz)；三是数据传输速率高，下行使用OFDMA技术，最高速率可以达到100Mbits/s，可以最大可能地满足高速数据传输要求；四是TD-LTE结构扁平化，时延小，建网成本低。

进一步，所述步骤（3）具体为：

（3-1）通过协方差和相关系数方法来确定影响所述粮情安全等级的各参数的相关程度，并对所述各参数进行筛选，形成影响粮情安全等级的最优属性集；

（3-2）选择核函数，以所述最优属性集中各参数作为输入数据，以粮情安全等级的预测结果作为输出数据，采用SVMSVM回归模型建立预测模型；

（3-3）采用所述最优属性集中各参数的规范化的历史数据样本训练所述预测模型，调整所述预测模型的结构，使所述粮情安全等级的预测结果与影响粮情安全等级的各参数相对应；

（3-4）通过对所述预测模型进行拟合度分析来评价所述预测模型的精度。

进一步，所述步骤（3-1）中，所述协方差公式为：

Cov(X,Y)=E[(X-EX)(Y-EY)]；

所述相关系数公式为：

${\mathrm{\ρ}}_{\mathrm{XY}}=\frac{\mathrm{Cov}(X,Y)}{\sqrt{D\left(X\right)D\left(Y\right)}}$

其中，X为影响粮情安全等级的各参数；Y为粮情安全等级；所述形成的最优属性集的各参数包括温度、湿度、水分和虫害。

采用上述进一步方案的有益效果是：本技术方案可以通过协方差和相关系数的方法筛选出最重要的参数，从而形成影响粮情安全等级的参数的最优属性集。

进一步，所述步骤（3-2）中，所述核函数为径向基函数，具体为：

k＝exp[-(m-n)×(m-n)′]2×r₁ ²

其中m为最优属性集所包含各参数的矩阵；n为粮情安全等级向量；r₁取值为125。

采用上述进一步方案的有益效果是：本技术方案以径向基函数为核函数，经验证可以发现，相比其他的核函数，得到的无论是长期预测结果还是短期预测结果，均更加准确可靠。

进一步，所述步骤（3-4）中，采用希尔不等系数相对数值分析法进行拟合度分析，所述拟合度分析的公式为：

$\mathrm{TheilIC}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({\hat{y}}_i-y_i)}^2}/(\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{{\hat{y}}_i}^2}+\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y_i}^2})$

其中y_i，

分别表示粮情安全等级的实测结果和粮情安全等级的预测结果。

一种基于SVM的粮情预测预警系统，其特征在于：包括粮情采集模块、预测模块、存储模块、显示模块、判断模块、无线传输模块和报警模块，

所述粮情采集模块用于采集影响粮情安全等级的各参数的当前数据，并将所述当前数据发送给所述预测模块；

所述预测模块内设置有权利要求1～8所述的预测模型，所述预测模块用于根据所接收到各参数的当前数据进行预测，并输出所述粮情安全等级的预测结果；

所述存储模块用于存储所述粮情安全等级的预测结果；

所述显示模块用于采用列表和/或曲线的方式显示所述粮情安全等级预测结果的变化趋势；

所述判断模块用于判断所述粮情安全等级预测结果的变化趋势是否正常，若变化趋势正常，则发送传输信号给所述无线传输模块；若变化趋势异常，则发送报警信号给所述报警模块；

所述无线传输模块用于根据接收到的所述传输信号将所述粮情安全等级的预测结果发送给上位机；

所述报警模块用于根据接收到的所述报警信号向粮仓管理人员显示报警信息。

进一步，所述粮情预测预警系统设置在物联网智能手持终端内。

附图说明

图1为本发明粮情预测预警方法的流程图；

图2为本发明建立预测模型的流程图；

图3为本发明粮情预测预警系统的结构示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

实施例1

如图1所述，一种基于SVM的粮情预测预警方法，包括以下步骤：

S101设定影响粮情安全等级的多个参数。本实施例中，所述参数包括温度、湿度、水分、虫害和/或霉素；所述粮情安全等级通过数值1～10来表征：所述粮情安全分为五个等级，其中1～2表示粮情不安全，2～4表示粮情较不安全，4～6表示粮情一般安全，6～8表示粮情较安全，8～10表示粮情安全。

S102收集上述各参数的历史数据，采用最小-最大规范化方法，并将所述历史数据映射到[0，1]空间，形成规范化的历史数据样本，所述具体公式为：

${s_i}^{\′}=\frac{\max \left\{s_i\right\}-s_i}{\max \left\{s_i\right\}-\min \left\{s_i\right\}}$

其中，S_i表示第i组历史数据所对应的粮情安全等级，max{s_i}表示所有组历史数据所对应的粮情安全等级的最大值，min{s_i}表示所有组历史数据所对应的粮情安全等级的最小值。本步骤有利于避免各个参数之间的量级差别，消除各个参数由于量纲和单位不同造成的不利影响。

S103建立基于SVM回归模型的预测模型，所述预测模型的输入数据为所述各参数值，所述预测模型的输出数据为粮情安全等级的预测结果；然后通过所述规范化的历史数据样本对所述预测模型进行训练，调整所述预测模型的结构，使所述粮情安全等级的预测结果与粮情安全等级的实测结果相符合。

本实施例采用了基于SVM回归预测方法的预测模型，回归预测方法是假设一个变量（因变量）与另一些变量（自变量）有较高的相关关系，就可以在因变量与自变量之间建立起一个数学模型，然后通过该模型从自变量去估计因变量的取值。相比传统的神经网络方法，支持向量机SVM（supportvector machine，SVM）有统计学习理论做基础，在处理非线性、非平稳性数据方面有其独特的优点，因此在粮情预测领域可以得到较好的应用。

SVM回归基于最小化结构风险，而不是传统意义上的经验风险最小化，方法的基本思想是通过一个非线性映射，将数据样本映射到高维特征空间，并在这个空间进行线性回归。其具体实现为采用支持向量机的回归模型，针对样本数据，寻找该系统数据输入与输出之间的依赖关系，使其尽可能准确地预测未知的输出，用数学语言描述如下：

给定一个数据样本集合{(x1,y1),(x2,y2),…,(xi,yi),…,(xn,yn)}，其中，输入向量xi∈Rn,输出数据yi∈R,i=1,2,…,n。在Rn上寻找一个最优目标函数f(x),以便使用y=f(x)来推断任一输入x所对应的y值，同时使得期望风险达到最小。

建立粮情预测模型的基本思想是通过一个非线性映射Φ(x)将数据映射到高维空间，并在这个空间上进行线性回归。

最优目标函数f为：

f(ω,b)=ωΦ(x)+b

经过凸二次优化问题的解答算法,找到全局最优解，得到回归函数的表达式为：

$f\left(x\right)=\underset{i=1}{\overset{I}{\mathrm{\Σ}}}(-{\mathrm{\α}}_i+{\mathrm{\α}}_i^{*})K(x_i,x)+b.$

基于SVM回归函数的性质，只有少数的不为零，而K(x_i，x_j)就是一个核函数。

具体到本实施例，建立预测模型包括以下步骤：

S301首先通过协方差和相关系数方法来确定影响所述粮情安全等级的各参数的相关程度，并对所述各参数进行筛选，形成影响粮情安全等级的最优属性集；

本实施例中，所述协方差公式为：

Cov(X,Y)=E[(X-EX)(Y-EY)]；

所述相关系数公式为：

${\mathrm{\ρ}}_{\mathrm{XY}}=\frac{\mathrm{Cov}(X,Y)}{\sqrt{D\left(X\right)D\left(Y\right)}}$

其中，X为影响粮情安全等级的各参数；Y为粮情安全等级；所述形成的最优属性集的各参数包括温度、湿度、水分和虫害，从而找到对粮情安全等级影响最大的几个相关参数。

S302选择径向基函数为核函数，具体为：

k＝exp[-(m-n)×(m-n)′]2×r₁ ²

其中m为最优属性集所包含各参数的矩阵；n为粮情安全等级向量；r₁为待估参数。在实际操作中可以发现参数r₁的取值对于预测数据的拟合程度起着非常重要的作用。通过计算可以得出，当r₁的值由1.1逐渐增大到125时，测试集的标准方差逐渐减少；当r₁的取值由125逐渐增大时，测试集的标准方差逐渐增大，因此采用交叉验证的方法，选取核函数待估参数r₁=125建立预测模型。本实施例中，形成的最优属性集包含的参数为温度、湿度、水分、虫害。

S303采用所述最优属性集中各参数的规范化的历史数据样本训练所述预测模型，调整所述预测模型的结构，使所述粮情安全等级的预测结果与影响粮情安全等级的各参数相对应；

本实施例选取了七组典型的数据来说明粮情安全等级与粮情数据的对应情况，如表1所示。

表1 样本数据训练结果

S304通过对所述预测模型进行拟合度分析来评价所述预测模型的精度。本实施例中，采用希尔不等系数相对数值分析法进行拟合度分析，所述拟合度分析的公式为：

$\mathrm{TheilIC}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({\hat{y}}_i-y_i)}^2}/(\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{{\hat{y}}_i}^2}+\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y_i}^2})$

其中y_i，

分别表示粮情安全等级的实测结果和粮情安全等级的预测结果。希尔不等系数（Theil IC）一般介于0-1，且数值越小表明拟合值与真实值间的差异越小，预测精度越高。

S104连续采集所述各参数的当前数据，并通过所述预测模型得到粮情安全等级的预测结果，采用列表和/或曲线的方式显示所述粮情安全等级预测结果的变化趋势。

本实施例中，选取多组粮情数据作为检测样本，将该检测样本作为预测模型的输入，输出为在温度、湿度、水分、虫害综合粮情状况下的安全状况，测试结果如表2所示。在所选测试数据下，希尔不等系数（Theil IC）评定结果为：0.0591<<1,说明该模型的预测准确度很好，可以根据已有的粮情数据预测了粮食将要处于的安全状况，以便提前做好粮食安全控制的准备工作。

表2 预测结果

S105判断所述粮情安全等级预测结果的变化趋势是否正常，若变化趋势正常，则将所述粮情安全等级的预测结果发送给上位机；若变化趋势异常，则发出报警信号。本实施例中，采用TD-LTE技术将所述粮情安全等级的预测结果发送给所述上位机，TD-LTE无线传输技术具有传输速率快、抗多径干扰、灵活支持不同带宽等优点，非常适合与上位机之间的通信。

如图3所示，为本实施例的一种基于SVM的粮情预测预警系统，包括粮情采集模块401、预测模块402、存储模块403、显示模块404、判断模块405、无线传输模块406和报警模块407，

所述粮情采集模块401用于采集影响粮情安全等级的各参数的当前数据，并将所述当前数据发送给所述预测模块402；

所述预测模块402内设置有权利要求1～8所述的预测模型，所述预测模块用于根据所接收到各参数的当前数据进行预测，并输出所述粮情安全等级的预测结果；

所述存储模块403用于存储所述粮情安全等级的预测结果；

所述显示模块404用于采用列表和/或曲线的方式显示所述粮情安全等级预测结果的变化趋势；

所述判断模块405用于判断所述粮情安全等级预测结果的变化趋势是否正常，若变化趋势正常，则发送传输信号给所述无线传输模块406；若变化趋势异常，则发送报警信号给所述报警模块407；

所述无线传输模块406用于根据接收到的所述传输信号将所述粮情安全等级的预测结果无线发送给上位机408；

所述报警模块407用于根据接收到的所述报警信号向粮仓管理人员显示报警信息。

优选的，本实施例中，所述粮情预测预警系统设置在物联网智能手持终端内。

本发明的粮情预测预警方法和系统中，核心的预测模型是根据支持向量机（SVM）对已有的粮情历史数据（温度、湿度、水分、虫害等）进行整合、优化处理后建立的有效数学模型，其包含各种粮情数据之间的关系以及粮情变化规律信息，根据所述预测模型，可以对采集到的粮情进行综合分析，进而预测粮情安全等级的变化趋势，当粮情安全出现异常时，报警提示管理人员提前做好改善粮情的准备工作，为粮情测控系统的控制策略提供及时的依据，提高了测控系统的可靠性。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于SVM的粮情预测预警方法，包括以下步骤： 

（1）设定影响粮情安全等级的多个参数，所述参数包括温度、湿度、水分、虫害和/或霉素； 

（2）收集所述各参数的历史数据，并将所述历史数据映射到[0，1]空间，形成规范化的历史数据样本； 

（3）建立基于SVM回归模型的预测模型，所述预测模型的输入数据为所述各参数值，所述预测模型的输出数据为粮情安全等级的预测结果；通过所述规范化的历史数据样本对所述预测模型进行训练，调整所述预测模型的结构，使所述粮情安全等级的预测结果与影响粮情安全等级的各参数相对应； 

（4）连续采集所述各参数的当前数据，并通过所述预测模型得到粮情安全等级的预测结果，采用列表和/或曲线的方式显示所述粮情安全等级预测结果的变化趋势； 

（5）判断所述粮情安全等级预测结果的变化趋势是否正常，若变化趋势正常，则将所述粮情安全等级的预测结果发送给上位机；若变化趋势异常，则发出报警信号。 

2.根据权利要求1所述的粮情预测预警方法，其特征在于，所述粮情安全等级通过数值1～10来表征；所述粮情安全分为五个等级，其中1～2表示粮情不安全，2～4表示粮情较不安全，4～6表示粮情一般安全，6～8表示粮情较安全，8～10表示粮情安全。 

3.根据权利要求1所述的粮情预测预警方法，其特征在于，所述步骤（2）中采用最小-最大规范化方法，将所述各参数的历史数据映射到[0，1]空间，具体公式为： 

其中，S_i表示第i组历史数据所对应的粮情安全等级，max{s_i}表示所有组历史数据所对应的粮情安全等级的最大值，min{s_i}表示所有组历史数据所对应的粮情安全等级的最小值。 

4.根据权利要求1所述的粮情预测预警方法，其特征在于，所述步骤（5）中，采用TD-LTE技术将所述粮情安全等级的预测结果发送给所述上位机。 

5.根据权利要求1～4任一所述的粮情预测预警方法，其特征在于，所述步骤（3）具体为： 

（3-1）通过协方差和相关系数方法来确定影响所述粮情安全等级的各参数的相关程度，并对所述各参数进行筛选，形成影响粮情安全等级的最优属性集； 

（3-2）选择核函数，以所述最优属性集中各参数作为输入数据，以粮情安全等级的预测结果作为输出数据，采用SVM回归模型建立预测模型； 

（3-3）采用所述最优属性集中各参数的规范化的历史数据样本训练所述预测模型，调整所述预测模型的结构，使所述粮情安全等级的预测结果与影响粮情安全等级的各参数相对应； 

（3-4）通过对所述预测模型进行拟合度分析来评价所述预测模型的精度。 

6.根据权利要求5所述的粮情预测预警方法，其特征在于，所述步骤（3-1）中，所述协方差公式为： 

Cov(X,Y)=E[(X-EX)(Y-EY)]； 

所述相关系数公式为： 

其中，X为影响粮情安全等级的各参数；Y为粮情安全等级；所述形成的最优属性集的各参数包括温度、湿度、水分和虫害。 

7.根据权利要求5所述的粮情预测预警方法，其特征在于，所述步骤（3-2）中，所述核函数为径向基函数，具体为： 

k＝exp[-(m-n)×(m-n)′]/2×r₁ ²

其中m为最优属性集所包含各参数的矩阵；n为粮情安全等级向量；r₁取值为125。 

8.根据权利要求5所述的粮情预测预警方法，其特征在于，所述步骤（3-4）中，采用希尔不等系数相对数值分析法进行拟合度分析，所述拟合度分析的公式为： 

其中y_i，

分别表示粮情安全等级的实测结果和粮情安全等级的预测结果。 

9.一种基于SVM的粮情预测预警系统，其特征在于：包括粮情采集模块、预测模块、存储模块、显示模块、判断模块、无线传输模块和报警模块， 

所述粮情采集模块用于采集影响粮情安全等级的各参数的当前数据，并将所述当前数据发送给所述预测模块； 

所述预测模块内设置有如权利要求1～8所述的预测模型，所述预测模块用于根据所接收到各参数的当前数据进行预测，并输出所述粮情安全等级的预测结果； 

所述存储模块用于存储所述粮情安全等级的预测结果； 

所述显示模块用于采用列表和/或曲线的方式显示所述粮情安全等级预测结果的变化趋势； 

所述判断模块用于判断所述粮情安全等级预测结果的变化趋势是否正常，若变化趋势正常，则发送传输信号给所述无线传输模块；若变化趋势异常，则发送报警信号给所述报警模块； 

所述无线传输模块用于根据接收到的所述传输信号将所述粮情安全等级的预测结果无线发送给上位机； 

所述报警模块用于根据接收到的所述报警信号向粮仓管理人员显示报警信息。 

10.根据权利要求9所述的粮情预测预警系统，其特征在于：所述粮情预测预警系统设置在物联网智能手持终端内。 

Images