CN105243447A - 一种粮食产量预测方法及装置 - Google Patents
一种粮食产量预测方法及装置 Download PDFInfo
- Publication number
- CN105243447A CN105243447A CN201510669439.8A CN201510669439A CN105243447A CN 105243447 A CN105243447 A CN 105243447A CN 201510669439 A CN201510669439 A CN 201510669439A CN 105243447 A CN105243447 A CN 105243447A
- Authority
- CN
- China
- Prior art keywords
- grain yield
- factor
- rate
- grain
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种粮食产量预测方法及装置,该方法首先确定影响粮食产量的各因素;然后,计算各主要因素时间序列的变化率,进而寻找各影响因素与最近一年具有相同变化趋势和影响程度的年份;最后根据距离待预测年份的时间远近赋予不同年份变化率相应的权重,并依此权重得到待预测年份的粮食产量变化率,进而预测出粮食产量。本发明所提出粮食产量预测方法综合考虑了外部主要因素对粮食产量的影响,所需数据量少、算法简单、能够快速、准确预测出短期粮食产量。
Description
技术领域
本发明涉及智能农业技术领域,尤其涉及一种粮食产量的预测方法及装置。
背景技术
我国是一个人口大国,农业对于我国的重要性更是尤为重要,粮食产业作为农业的重要组成部分,其重要性不言而喻。随着人口的不断增加,农业的问题也越来越受到人们的关注,其中粮食产量的精确预测对于制定国民经济发展计划、进行生产调度与规划具有重要意义,与国家安全息息相关,准确的预测还有助于政府部门制定有关粮食的宏观调控政策。
随着3C技术的发展,智能信息系统已经成为农业信息分析及农业信息化管理的重要组成部分,尤其在粮食产量预测方面具有极为重要的作用。
目前,在国内外的相关研究中,不少学者构建了许多很有价值的理论假说和预测模型,主要有4类:气候生产力模型、遥感技术预测模型、投入产出模型、多元回归和因子分析模型。这些模型和方法从不同角度对粮食产量预测进行了研究,如气候生产力模型,将粮食产量分离成经济技术产量和气象产量,两者综合建立粮食总产量预测模型,这种模型首次引入了气象和气候因子,但需要大量气候和气象数据,预测精度较低并且不能实现连续多年的长期预测;遥感预测基于遥感图像,通过对图像数据的处理、分析,实现对粮食产量的宏观预测,但该方法在设备和技术方面的投资较大,同时由于遥感图像易受到天气、土壤颜色、植被等多方面的影响,导致预测精度不高;投入产出模型应用投入产出占用技术及系统科学方法实现对粮食产量、粮食进口量及自给率等多方面的综合分析,但多用于长期趋势分析,短期预测精度较低;多元回归和因子分析模型能够综合分析多方面影响因子的作用,但所需数据量较大,计算复杂,计算精度对数据的依存度较高。
因此,针对影响粮食产量因素众多的情况,需要一种粮食产量预测方法,能够准确快速的给出预测结果。
发明内容
本发明的目的是提供一种粮食产量预测方法及装置,用以解决现有粮食预测方法不能够在短期预测中快速准确进行预测的问题。
为实现上述目的,本发明的方案包括:
一种粮食产量预测方法,依次包含如下步骤:
步骤1:选取距离待预测年份最近的t个年份,搜集各个年份的粮食产量数据、影响粮食产量的各因素的数据,并将这些数据构成各自的时间序列;
步骤2:分别计算各因素的时间序列中相邻年度数据的变化率;
步骤3:确定与第t年的各因素具有相似变化规律和趋势的年份,并构成一个集合;
步骤4:针对步骤3中所确定的集合,按照集合中年份与第t年的远近赋予每一个元素一个权重因子;并分别计算集合中每一个元素相对应的年份的粮食产量变化率;
步骤5:依据步骤4得到的权重因子及粮食产量变化率,计算粮食产量加权平均系数;
步骤6:根据步骤5中计算得到的加权平均系数wd和第t年的粮食产量,预测第t+1年的粮食产量。
进一步的,所述步骤2中各因素变化率的计算公式如下:
其中ηki是变化率,k是指第k个因素,i是指第i年,Sk,i是指第i年的第k个因素;
所述步骤4中粮食产量的变化率计算公式如下:
这里,yi+1表示第i+1年的粮食产量,yi表示第i年的粮食产量;
所述步骤5中加权平均系数wd的计算公式如下:
这里αi、wi分别表示第i年的粮食产量变化率及其权重;
所述步骤6中预算第t+1年粮食产量的公式为:yt+1=yt×(1+wd);其中,yt、yt+1分别表示第t年和第t+1年的粮食产量。
优选的,所述步骤2中的各因素,是通过计算后确定的影响粮食产量的主要因素。
进一步的,确定各因素具有相似变化规律和趋势年份的方法为等级描述方法,等级描述过程如下:
S01:寻找各影响因素序列中数据变化率的最大值(ηmin)和最小值(ηmax),计算各序列的变化范围(Δη),Δη=ηmax-ηmin;
S02:将变化范围均匀分成:强降(级别1),中降(级别2),弱降(级别3),微降(级别4),微升(级别5),弱升(级别6),中升(级别7),强升(级别8)八个级别,某一级别n对应的数值区间为: n∈[1,2,3,…,8];
S03:判断序列中每一元素所隶属的区间,将变化率数值转换成与其相对应的等级;
S04:对于所有主要影响因素序列,重复步骤1)~3),得到各因素所对应的等级序列。
优选的,确定粮食产量具有相似变化趋势的年份过程包含如下步骤:
S01:对于某一影响因素的等级序列,寻找与第t年具有相同等级的所有年份,构成一个集合;
S02:对于所有主要因素的等级序列,按照步骤S01分别求得每一序列中与第t年具有相同等级的年份,构成若干集合;
S03:求上述集合的交集,得到各个影响因素均与第t年具有相同变化趋势年份的交集Q。
一种粮食产量预测装置,依次包含如下模块:
模块1:用于选取距离待预测年份最近的t个年份,搜集各个年份的粮食产量数据、影响粮食产量的各因素的数据,并将这些数据构成各自的时间序列;
模块2:用于分别计算各因素的时间序列中相邻年度数据的变化率;
模块3:用于确定与第t年的各因素具有相似变化规律和趋势的年份,并构成一个集合;
模块4:用于针对步骤3中所确定的集合,按照集合中年份与第t年的远近赋予每一个元素一个权重因子;并分别计算集合中每一个元素相对应的年份的粮食产量变化率;
模块5:用于依据步骤4得到的权重因子及粮食产量变化率,计算粮食产量加权平均系数;
模块6:用于根据步骤5中计算得到的加权平均系数wd和第t年的粮食产量,预测第t+1年的粮食产量。
进一步的,所述模块2中各因素变化率的计算公式如下:
其中ηki是变化率,k是指第k个因素,i是指第i年,Sk,i是指第i年的第k个因素;
所述模块4中粮食产量的变化率计算公式如下:
这里,yi+1表示第i+1年的粮食产量,yi表示第i年的粮食产量;
所述模块5中加权平均系数wd的计算公式如下:
这里αi、wi分别表示第i年的粮食产量变化率及其权重;
所述模块6中预算第t+1年粮食产量的公式为:yt+1=yt×(1+wd);其中,yt、yt+1分别表示第t年和第t+1年的粮食产量。
进一步的,模块2中的各因素,是通过计算后确定的影响粮食产量的主要因素。
优选的,确定各因素具有相似变化规律和趋势年份的方法为等级描述方法,等级描述包括如下子模块:
子模块1:用于寻找各影响因素序列中数据变化率的最大值(ηmin)和最小值(ηmax),计算各序列的变化范围(Δη),Δη=ηmax-ηmin;
子模块2:用于将变化范围均匀分成:强降(级别1),中降(级别2),弱降(级别3),微降(级别4),微升(级别5),弱升(级别6),中升(级别7),强升(级别8)八个级别,某一级别n对应的数值区间为: n∈[1,2,3,…,8];
子模块3:用于判断序列中每一元素所隶属的区间,将变化率数值转换成与其相对应的等级;
子模块4:用于对于所有主要影响因素序列,重复步骤1)~3),得到各因素所对应的等级序列。
优选的,确定粮食产量具有相似变化趋势的年份过程包含如下子模块:
子模块1:用于对于某一影响因素的等级序列,寻找与第t年具有相同等级的所有年份,构成一个集合;
子模块2:用于对于所有主要因素的等级序列,按照步骤S01分别求得每一序列中与第t年具有相同等级的年份,构成若干集合;
子模块3:用于求上述集合的交集,得到各个影响因素均与第t年具有相同变化趋势年份的交集Q。
本发明提供的一种粮食产量预测方法及装置,具有如下优点:通过计算影响粮食产量各因素主要变化率,找到变化与第t年相似的年份,然后通过计算各主要因素中每一个元素权重的方法计算粮食产量变化率,进而预测下一年的粮食产量,具有算法简单、所需数据量小的优点;同时主要因素的选取,使得算法能够兼顾外部条件及政策对粮食产量的综合影响;同一主要因素中不同元素赋予不同的权重,以增加政策或外部条件的持续性影响力,使预测结果更加客观准确;整个方法及系统具有执行速度快、预测结果客观准确的优点。
附图说明
图1是粮食产量预算方法流程图。
具体实施方式
下面结合附图对本发明做进一步详细的说明。
本发明提供的一种粮食产量预测方法,具有执行速度快、预测结果客观准确的优点,依次包含如下步骤:
步骤1:选取距离待预测年份最近的t个年份,搜集各个年份的粮食产量数据、影响粮食产量的各因素的数据,并将这些数据构成各自的时间序列;
步骤2:分别计算各因素的时间序列中相邻年度数据的变化率;
步骤3:确定与第t年的各因素具有相似变化规律和趋势的年份,并构成一个集合;
步骤4:针对步骤3中所确定的集合,按照集合中年份与第t年的远近赋予每一个元素一个权重因子;并分别计算集合中每一个元素相对应的年份的粮食产量变化率;
步骤5:依据步骤4得到的权重因子及粮食产量变化率,计算粮食产量加权平均系数;
步骤6:根据步骤5中计算得到的加权平均系数wd和第t年的粮食产量,预测第t+1年的粮食产量。
下面具体对上述步骤进行说明解释。
对应于步骤1的,首先选取距离待预测年份最近的t个年份,搜集这些年份中每一年粮食产量的数据,各个影响粮食产量因素的数据,并且将这些数据构成各自的时间序列。在这里,时间序列的长度为t,优选的t的取值范围为:25<t<30。
对应于步骤2的,计算各因素的时间序列中相邻年度数据的变化率。由于影响粮食产量的因素很多,且部分因素影响不明显,优选的,在此选择影响粮食产量的主要因素计算其相邻年度的变化率。
在此,确定影响粮食产量主要因素的方法如下:分别计算各影响因素与粮食产量之间的相关系数,选取相关系数大于0.8的因素作为主要因素。设共有m个主要因素,则构成集合S=[S1、S2、…、Sm]。其中,集合中每个元素Si为一个时间数据序列,因此,集合S是一个m×t的二维矩阵,记做:
其中,元素Si,j表示第j年第i个影响因素的数据。
然后,分别计算上述步骤确定的各主要因素的时间序列中相邻年度数据的变换率,即影响粮食产量的第k个主要因素的时间序列中第i年的值Sk,i与其第i-1年的数值Sk,i-1之比:
由此得到关于变化率的尺度为m×(t-1)的二维矩阵:
对应于步骤3的,确定与第t年的各因素具有相似变化规律和趋势的年份。在此,选择序列化的方式确定。具体的,首先将各主要因素序列化:将影响粮食产量的各主要因素,根据其变换率的变化范围,将变化率均匀划分成为{强降,中降,弱降,微降,微升,弱升,中升,强升}等八个级别。即:某一级别n对应的数值区间为: n∈[1,2,3,…,8];
其中
这里,ηk(max)——第k个主要影响因素时间序列中变化率的最大值;
ηk(min)——第k个主要影响因素时间序列的变化率最小值;
区间:
[ηk(min)~ηk(min)+Δη)定义为强降区间
[ηk(min)+Δη~ηk(min)+2Δη)定义为中降区间
以此类推
[ηk(min)+6Δη~ηk(min)+7Δη)定义为中升区间
[ηk(min)+7Δη~ηk(min)+ηk(max)]定义为强升区间
若ηki=0(即变换率为0),此时,将ηki归并为微升或微降均可。
然后,根据这些序列确定主要因素与第t年具有相似变化规律和趋势的年份。具体的,首先,从第一个影响因素的变化率序列η1=[η1,2η1,3…η1,t-1η1,t]中,寻找与η1,t具有相同等级的元素,构成集合P1;然后从第二个影响因素的变化率序列η2=[η2,2η2,3…η2,t-1η2,t]中,寻找与η2,t具有相同等级的元素,构成集合P2。
按上述相同的方法,遍历所有m个主要影响因素,共得到m个集合:P1,P2,…,Pm。计算交集集合Q=P1∩P2∩…∩Pm,假设Q={η1:m,iη1:m,j},说明分别在第i年和第j年,所有影响粮食产量的各个影响因素与第t年的各个影响因素具有相同的变化趋势,即第t年影响粮食产量的各外部主要因素与第i和第j年的各外部因素完全相同。这里为进一步放宽限制,若某年h有90%的影响因素的变化率与第t年具有相同的趋势,则η1:m,h也计入交集Q中(假设集合Q中共包含n个元素)。若交集Q为空集,则使用具有t个粮食产量数据的时间序列,建立灰度预测模型,并基于该模型预测第t+1年的粮食产量。
对应于步骤4的,计算交集Q中各元素所对应年份的粮食产量变化率。若假设年度i属于集合Q,则其对应的粮食产量变化率αi为:
这里,yi+1表示第i+1年的粮食产量,yi表示第i年的粮食产量。
按照步骤6计算集合Q中所有元素所对应年份的粮食产量变化率,得到集合[A=α1…αi…αn],集合A中共包含n个元素。
同时,还要计算集合Q中各元素所对应的粮食产量变化率的权重系数wi,其值用下式计算:
式中,t表示第t年,i表示第i年,wi为分配给第i年的权重因子。上式表明,离t年越远,其权重值越小;反之,距离t年越近,其权值也就越大。
对应于步骤5的,依据步骤7得到的各粮食变化率权重系数,计算粮食产量加权平均系数wd,计算公式如下:
这里αi、wi分别表示第i年的粮食产量变化率及其权重。
对应于步骤6的,预测第t+1年的粮食产量,预测公式为:
yt+1=yt×(1+wd)
这里,yt、yt+1分别表示第t年和第t+1年的粮食产量。
本发明的基本方案在于:选取距离待预测年份最近的t个年份,搜集各个年份的粮食产量数据、影响粮食产量的各因素的数据,并将这些数据构成各自的时间序列;分别计算各因素的时间序列中相邻年度数据的变化率;确定与第t年的各因素具有相似变化规律和趋势的年份,并构成一个集合;针对上述所确定的集合,按照集合中年份与第t年的远近赋予每一个元素一个权重因子;并分别计算集合中每一个元素相对应的年份的粮食产量变化率;上述得到的权重因子及粮食产量变化率,计算粮食产量加权平均系数;依据计算得到的加权平均系数wd和第t年的粮食产量,预测第t+1年的粮食产量。
以上实施例中,在关于各因素变化率和集合Q中各年份粮食产量变化率的计算采取了实施例中的计算方式,第t+1年粮食产量的预测采用了公式yt+1=yt×(1+wd)。作为其他实施方式,关于变化率、粮食产量预测的计算还可以采用其他计算方式,符合本发明的思路即可。
上述实施例中,确定与第t年的各因素具有相似变化规律和趋势的年份,采用了序列化的方式,作为其他实施方式也可以采取其他常规手段实现,只要确定出与第t年的各因素具有相似变化规律和趋势的年份即可。
上述实施例中,为了优选,所使用的影响粮食产量的因素为主要影响因素,作为其他实施方式,也可以省略对主要因素的确定,使用全部影响因素或者在挑选时即选择人为认为重要的影响因素。
以上给出了本发明具体的实施方式,但本发明不局限于所描述的实施方式。在本发明给出的思路下,采用对本领域技术人员而言容易想到的方式对上述实施例中的技术手段进行变换、替换、修改,并且起到的作用与本发明中的相应技术手段基本相同、实现的发明目的也基本相同,这样形成的技术方案是对上述实施例进行微调形成的,这种技术方案仍落入本发明的保护范围内。
Claims (10)
1.一种粮食产量预测方法,其特征在于,依次包含如下步骤:
步骤1:选取距离待预测年份最近的t个年份,搜集各个年份的粮食产量数据、影响粮食产量的各因素的数据,并将这些数据构成各自的时间序列;
步骤2:分别计算各因素的时间序列中相邻年度数据的变化率;
步骤3:确定与第t年的各因素具有相似变化规律和趋势的年份,并构成一个集合;
步骤4:针对步骤3中所确定的集合,按照集合中年份与第t年的远近赋予每一个元素一个权重因子;并分别计算集合中每一个元素相对应的年份的粮食产量变化率;
步骤5:依据步骤4得到的权重因子及粮食产量变化率,计算粮食产量加权平均系数;
步骤6:根据步骤5中计算得到的加权平均系数wd和第t年的粮食产量,预测第t+1年的粮食产量。
2.根据权利要求1所述的一种粮食产量预测方法,其特征在于,所述步骤2中各因素变化率的计算公式如下:
其中ηki是变化率,k是指第k个因素,i是指第i年,Sk,i是指第i年的第k个因素;
所述步骤4中粮食产量的变化率计算公式如下:
这里,yi+1表示第i+1年的粮食产量,yi表示第i年的粮食产量;
所述步骤5中加权平均系数wd的计算公式如下:
这里αi、wi分别表示第i年的粮食产量变化率及其权重;
所述步骤6中预算第t+1年粮食产量的公式为:yt+1=yt×(1+wd);其中,yt、yt+1分别表示第t年和第t+1年的粮食产量。
3.根据权利要求1所述的一种粮食产量预测方法,其特征在于,所述步骤2中的各因素,是通过计算后确定的影响粮食产量的主要因素。
4.根据权利要求1所述的一种粮食产量预测方法,其特征在于,确定各因素具有相似变化规律和趋势年份的方法为等级描述方法,等级描述过程如下:
S01:寻找各影响因素序列中数据变化率的最大值(ηmin)和最小值(ηmax),计算各序列的变化范围(η),Δη=ηmax-ηmin
S02:将变化范围均匀分成:强降(级别1),中降(级别2),弱降(级别3),微降(级别4),微升(级别5),弱升(级别6),中升(级别7),强升(级别8)八个级别,某一级别n对应的数值区间为:n∈[1,2,3,…,8];
S03:判断序列中每一元素所隶属的区间,将变化率数值转换成与其相对应的等级;
S04:对于所有主要影响因素序列,重复步骤1)~3),得到各因素所对应的等级序列。
5.根据权利要求1或4所述的一种粮食产量预测方法,其特征在于,确定粮食产量具有相似变化趋势的年份过程包含如下步骤:
S01:对于某一影响因素的等级序列,寻找与第t年具有相同等级的所有年份,构成一个集合;
S02:对于所有主要因素的等级序列,按照步骤S01分别求得每一序列中与第t年具有相同等级的年份,构成若干集合;
S03:求上述集合的交集,得到各个影响因素均与第t年具有相同变化趋势年份的交集Q。
6.一种粮食产量预测装置,其特征在于,依次包含如下模块:
模块1:用于选取距离待预测年份最近的t个年份,搜集各个年份的粮食产量数据、影响粮食产量的各因素的数据,并将这些数据构成各自的时间序列;
模块2:用于分别计算各因素的时间序列中相邻年度数据的变化率;
模块3:用于确定与第t年的各因素具有相似变化规律和趋势的年份,并构成一个集合;
模块4:用于针对步骤3中所确定的集合,按照集合中年份与第t年的远近赋予每一个元素一个权重因子;并分别计算集合中每一个元素相对应的年份的粮食产量变化率;
模块5:用于依据步骤4得到的权重因子及粮食产量变化率,计算粮食产量加权平均系数;
模块6:用于根据步骤5中计算得到的加权平均系数wd和第t年的粮食产量,预测第t+1年的粮食产量。
7.根据权利要求6所述的一种粮食产量预测装置,其特征在于,所述模块2中各因素变化率的计算公式如下:
其中ηki是变化率,k是指第k个因素,i是指第i年,Sk,i是指第i年的第k个因素;
所述模块4中粮食产量的变化率计算公式如下:
这里,yi+1表示第i+1年的粮食产量,yi表示第i年的粮食产量;
所述模块5中加权平均系数wd的计算公式如下:
这里αi、wi分别表示第i年的粮食产量变化率及其权重;
所述模块6中预算第t+1年粮食产量的公式为:yt+1=yt×(1+wd);其中,yt、yt+1分别表示第t年和第t+1年的粮食产量。
8.根据权利要求6所述的一种粮食产量预测装置,其特征在于,所述模块2中的各因素,是通过计算后确定的影响粮食产量的主要因素。
9.根据权利要求6所述的一种粮食产量预测装置,其特征在于,确定各因素具有相似变化规律和趋势年份的方法为等级描述方法,等级描述包括如下子模块:
子模块1:用于寻找各影响因素序列中数据变化率的最大值(ηmin)和最小值(ηmax),计算各序列的变化范围(η),Δη=ηmax-ηmin
子模块2:用于将变化范围均匀分成:强降(级别1),中降(级别2),弱降(级别3),微降(级别4),微升(级别5),弱升(级别6),中升(级别7),强升(级别8)八个级别,某一级别n对应的数值区间为:n∈[1,2,3,…,8];
子模块3:用于判断序列中每一元素所隶属的区间,将变化率数值转换成与其相对应的等级;
子模块4:用于对于所有主要影响因素序列,重复步骤1)~3),得到各因素所对应的等级序列。
10.根据权利要求6或9所述的一种粮食产量预测装置,其特征在于,确定粮食产量具有相似变化趋势的年份包含如下子模块:
子模块1:用于对于某一影响因素的等级序列,寻找与第t年具有相同等级的所有年份,构成一个集合;
子模块2:用于对于所有主要因素的等级序列,按照步骤S01分别求得每一序列中与第t年具有相同等级的年份,构成若干集合;
子模块3:用于求上述集合的交集,得到各个影响因素均与第t年具有相同变化趋势年份的交集Q。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510669439.8A CN105243447A (zh) | 2015-10-16 | 2015-10-16 | 一种粮食产量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510669439.8A CN105243447A (zh) | 2015-10-16 | 2015-10-16 | 一种粮食产量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105243447A true CN105243447A (zh) | 2016-01-13 |
Family
ID=55041084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510669439.8A Pending CN105243447A (zh) | 2015-10-16 | 2015-10-16 | 一种粮食产量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105243447A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229739A (zh) * | 2017-12-29 | 2018-06-29 | 深圳春沐源控股有限公司 | 作物产量的预测方法、终端、计算机可读存储介质 |
CN109784588A (zh) * | 2019-03-16 | 2019-05-21 | 石家庄学院 | 一种基于传感器联共监测的高粱产量预测方法 |
CN109934397A (zh) * | 2019-03-05 | 2019-06-25 | 中国农业科学院农业信息研究所 | 一种农产品产量预测方法及系统 |
CN115000961A (zh) * | 2022-08-04 | 2022-09-02 | 国网山东省电力公司东营市河口区供电公司 | 一种线损预测计算方法与系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976301A (zh) * | 2010-10-09 | 2011-02-16 | 广东省电力设计研究院 | 逐年负荷预测中历史数据预处理的方法与装置 |
CN104463356A (zh) * | 2014-11-27 | 2015-03-25 | 国网浙江省电力公司嘉兴供电公司 | 一种基于多维信息人工神经网络算法的光伏发电功率预测方法 |
CN104573879A (zh) * | 2015-01-30 | 2015-04-29 | 河海大学 | 基于最优相似日集的光伏电站出力预测方法 |
-
2015
- 2015-10-16 CN CN201510669439.8A patent/CN105243447A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976301A (zh) * | 2010-10-09 | 2011-02-16 | 广东省电力设计研究院 | 逐年负荷预测中历史数据预处理的方法与装置 |
CN104463356A (zh) * | 2014-11-27 | 2015-03-25 | 国网浙江省电力公司嘉兴供电公司 | 一种基于多维信息人工神经网络算法的光伏发电功率预测方法 |
CN104573879A (zh) * | 2015-01-30 | 2015-04-29 | 河海大学 | 基于最优相似日集的光伏电站出力预测方法 |
Non-Patent Citations (1)
Title |
---|
张芳明 等: "基于相似日权重的电力系统扩展短期负荷预测", 《电力系统保护与控制》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229739A (zh) * | 2017-12-29 | 2018-06-29 | 深圳春沐源控股有限公司 | 作物产量的预测方法、终端、计算机可读存储介质 |
WO2019128089A1 (zh) * | 2017-12-29 | 2019-07-04 | 深圳春沐源控股有限公司 | 作物产量的预测方法、终端、计算机可读存储介质 |
CN109934397A (zh) * | 2019-03-05 | 2019-06-25 | 中国农业科学院农业信息研究所 | 一种农产品产量预测方法及系统 |
CN109784588A (zh) * | 2019-03-16 | 2019-05-21 | 石家庄学院 | 一种基于传感器联共监测的高粱产量预测方法 |
CN115000961A (zh) * | 2022-08-04 | 2022-09-02 | 国网山东省电力公司东营市河口区供电公司 | 一种线损预测计算方法与系统 |
CN115000961B (zh) * | 2022-08-04 | 2022-11-08 | 国网山东省电力公司东营市河口区供电公司 | 一种线损预测计算方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084367B (zh) | 一种基于lstm深度学习模型的土壤墒情预测方法 | |
CN101315557B (zh) | 基于遗传算法优化bp神经网络的丙烯聚合生产过程最优软测量仪表及方法 | |
CN107292098A (zh) | 基于前期气象因子与数据挖掘技术的中长期径流预报方法 | |
CN105243447A (zh) | 一种粮食产量预测方法及装置 | |
CN107341577A (zh) | 一种农作物产量预测方法及系统 | |
Saxena et al. | A review study of weather forecasting using artificial neural network approach | |
CN106600037A (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN109002604A (zh) | 一种基于贝叶斯最大熵的土壤含水量预测方法 | |
CN109325633A (zh) | 一种天气预报集合成员选取方法和系统 | |
CN103838979A (zh) | 一种基于支持向量机算法的统计降尺度方法 | |
CN107945534A (zh) | 一种基于gmdh神经网络的交通车流量预测方法 | |
CN117113236B (zh) | 一种智慧城市监控系统及数据处理方法 | |
CN104240520A (zh) | 一种基于gso优化的高速公路流量预测方法 | |
Ali et al. | Time-series prediction for sensing in smart greenhouses | |
CN105303268A (zh) | 基于相似度理论的风力发电输出功率预测方法 | |
CN105184400A (zh) | 一种烟田土壤水分预测方法 | |
CN108984995A (zh) | 一种计算数值模拟的生态园林景观设计方法 | |
CN103823430A (zh) | 智能加权丙烯聚合生产过程最优软测量系统和方法 | |
CN103839103B (zh) | 丙烯聚合生产过程bp最优预报系统和方法 | |
CN106157163A (zh) | 一种粮食产量短期预测方法及装置 | |
CN108830405B (zh) | 基于多指标动态匹配的实时电力负荷预测系统及其方法 | |
CN103279030B (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
CN107316503A (zh) | 一种基于多级物元熵权的拥堵热点空域扇区识别方法 | |
CN109190797A (zh) | 一种基于改进k最近邻的大规模路网状态短时预测方法 | |
Manjula et al. | Crop Yield prediction with aid of optimal neural network in spatial data mining: New approaches |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160113 |
|
RJ01 | Rejection of invention patent application after publication |