CN106408433A - 一种基于差分处理的粮食产量预测方法和装置 - Google Patents
一种基于差分处理的粮食产量预测方法和装置 Download PDFInfo
- Publication number
- CN106408433A CN106408433A CN201611044894.XA CN201611044894A CN106408433A CN 106408433 A CN106408433 A CN 106408433A CN 201611044894 A CN201611044894 A CN 201611044894A CN 106408433 A CN106408433 A CN 106408433A
- Authority
- CN
- China
- Prior art keywords
- factor
- influence
- yield
- grain
- grain yield
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012545 processing Methods 0.000 title claims abstract description 24
- 238000004519 manufacturing process Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 abstract description 5
- 235000013339 cereals Nutrition 0.000 description 81
- 238000012417 linear regression Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于差分处理的粮食产量预测方法和装置,首先获取n年的粮食产量数据和影响因子,利用差分算法对每年的产量因子进行校正,然后采用灰色模型,利用前n‑h年的经过校正的影响因子,对n年中后h年的影响因子进行预测,以得到后h年的影响因子,h为大于0小于n的整数;最后利用n年的粮食产量,以及前n‑h年的影响因子和预测得到的后h年的影响因子,筛选出关联系数较大的影响因子利用多元回归方程建立粮食产量与筛选出的影响因子之间的模型,运用该模型计算出未来b年粮食产量。本发明所提供的技术方案,对粮食的影响因子进行了处理,解决了现有技术对粮食产量预测的结果精度不高,鲁棒性不强的问题。
Description
技术领域
本发明属于粮食产量预测技术领域,具体涉及一种基于差分处理的粮食产量预测方法和装置。
背景技术
粮食对于经济发展和社会稳定十分重要,我国是一个农业大国,粮食产量的多少、能否满足人民的需要是各级政府关注的主要问题之一,所以预测粮食产量对指导粮食生产具有重要的意义。目前用于预测的方法很多,主要有时间序列的回归方法、BP神经网络方法、灰度预测、多元线性回归预测等。
但是由于粮食产量受到多种因素的影响,如粮食作物播种总面积、总劳动力、化肥总用量、有效灌溉面积、用电总量、机械总动力、受灾总面积等,导致粮食产量的时间序列的非平稳性,也导致的预测方法预测结果的精度不高,鲁棒性不强。
发明内容
本发明提供一种基于差分处理的粮食产量预测方法和装置,用于解决上述现有技术对粮食产量预测的结果精度不高,鲁棒性不强的问题。
一种基于差分处理的粮食产量预测方法,包括如下步骤:
(1)获取n年的粮食产量y(k)和影响因子x(k),利用差分算法依次计算相邻年份影响因子的波动量z(k),其中n为大于1的正整数,k为正整数,并且1<k≤n;
(2)计算n年影响因子波动量z(k)绝对值的平均值z;
(3)对每年的产量因子进行校正:
如果第k年产量影响因子波动量的绝对值大于平均值z,判断该年的产量因子波动量是否大于0;
如果大于,则该年的产量影响因子x(k)=(1+z)×x(k-1);
否则该年的产量影响因子x(k)=(1-z)×x(k-1);
(4)采用灰色模型,根据前n-h年的经过校正的影响因子,对n年中后h年的影响因子进行预测,以得到后h年的影响因子,h为大于0小于n的整数;
(5)根据所述n年的粮食产量,以及前n-h年经过校正的影响因子和预测得到的后h年的影响因子,计算出粮食产量与影响因子之间的关联系数,筛选出关联系数大于设定值的影响因子;
(6)利用多元回归方程建立粮食产量与各影响因子之间的关系模型,运用该模型计算出未来b年粮食产量,其中b为大于0的整数。
本发明提供的一种基于差分处理的粮食产量预测方法,在预测未来m年的粮食产量时,首先对前n年的粮食产量影响因子进行了差分运算,对能够影响到粮食产量的因素进行处理,筛选出与粮食产量关联系数较大的影响因子对未来几年的粮食产量进行预测,从而解决现有技术对粮食产量预测的结果精度不高,鲁棒性不强的问题。
进一步的,对每年的影响因子进行校正之后,再对每年的产量影响因子做指数平滑处理。
对每年的影响因子做指数平滑处理,能够进一步的减小数据波动,提高预测结果的准确性。
进一步的,预测出未来b年的粮食产量之后,将预测的粮食产量与往年的实际产量之差作为输入数据,运用灰色模型预测未来b年的粮食产量误差,再运用此误差修正未来b年的粮食产量。
进一步的,筛选影响因子时,所述设定值为0.8。
筛选产量影响因子时的设定值越高,预测的结果越准确。
经过对预测结果进行误差修正,预测的结果更加准确。
进一步的,所述步骤(5)包括:
(1)对所述n年的粮食产量y(k)以及前n-h年经过校正的影响因子和预测得到的后h年的影响因子进行归一化处理,得到归一化处理之后的粮食产量y″'(k)和影响因子x″'(k);
当0<k<n-h时,x″'(k)由前n-h年经过校正的影响因子经过归一化处理之后得到;
当n-h≤k≤n时,x″'(k)由预测得到的后h年的影响因子经过归一化处理之后得到;
(2)计算出粮食产量与第i种影响因子之间的关联系数G(i),
其中i为正整数,
max(|y″'(k)-x″'(k)|)表示|y″'(k)-x″'(k)|的最大值,min(|y″'(k)-x″'(k)|)表示|y″'(k)-x″'(k)|的最大值;
(3)筛选出关联系数大于设定值的影响因子。
一种基于差分处理的粮食产量预测装置,包括如下模块:
(1)获取n年的粮食产量y(k)和影响因子x(k),利用差分算法依次计算相邻年份影响因子的波动量z(k)的模块,其中n为大于1的正整数,k为正整数,并且1<k≤n;
(2)计算n年影响因子波动量z(k)绝对值的平均值z的模块;
(3)对每年的产量因子进行校正:
如果第k年产量影响因子波动量的绝对值大于平均值z,判断该年的产量因子波动量是否大于0;
如果大于,则该年的产量影响因子x(k)=(1+z)×x(k-1);
否则该年的产量影响因子x(k)=(1-z)×x(k-1)的模块;
(4)采用灰色模型,根据前n-h年的经过校正的影响因子,对n年中后h年的影响因子进行预测,以得到后h年的影响因子的模块,h为大于0小于n的整数;
(5)根据所述n年的粮食产量,以及前n-h年经过校正的影响因子和预测得到的后h年的影响因子,计算出粮食产量与影响因子之间的关联系数,筛选出关联系数大于设定值的影响因子的模块;
(6)利用多元回归方程建立粮食产量与上述筛选出的影响因子之间的关系模型,运用该模型计算出未来b年粮食产量的模块,其中b为大于0的整数。
进一步的,对每年的影响因子进行校正之后,再对每年的产量影响因子做指数平滑处理。
进一步的,预测出未来b年的粮食产量之后,将预测的粮食产量与往年的实际产量之差作为输入数据,运用灰色模型预测未来b年的粮食产量误差,再运用此误差修正未来b年的粮食产量。
进一步的,筛选影响因子时,所述设定值为0.8。
进一步的,所述模块(5)包括:
(1)对所述n年的粮食产量y(k)以及前n-h年经过校正的影响因子和预测得到的后h年的影响因子进行归一化处理,得到归一化处理之后的粮食产量y″'(k)和影响因子x″'(k)的单元;
当0<k<n-h时,x″'(k)由前n-h年经过校正的影响因子经过归一化处理之后得到;
当n-h≤k≤n时,x″'(k)由预测得到的后h年的影响因子经过归一化处理之后得到;
(2)计算出粮食产量与第i种影响因子之间的关联系数G(i)的模块,其中
i为正整数,
max(|y″'(k)-x″'(k)|)表示|y″'(k)-x″'(k)|的最大值,min(|y″'(k)-x″'(k)|)表示|y″'(k)-x″'(k)|的最大值;
(3)筛选出关联系数大于设定值的影响因子。
附图说明
图1为方法实施例所提供的基于差分处理的粮食产量预测方法流程图。
具体实施方式
本发明提供一种基于差分处理的粮食产量预测方法和装置,用于解决上述现有技术对粮食产量预测的结果精度不高,鲁棒性不强的问题。
一种基于差分处理的粮食产量预测方法,包括如下步骤:
(1)获取n年的粮食产量y(k)和影响因子x(k),利用差分算法依次计算相邻年份影响因子的波动量z(k),其中n为大于1的正整数,k为正整数,并且1<k≤n;
(2)计算n年影响因子波动量z(k)绝对值的平均值z;
(3)对每年的产量因子进行校正:
如果第k年产量影响因子波动量的绝对值大于平均值z,判断该年的产量因子波动量是否大于0;
如果大于,则该年的产量影响因子x(k)=(1+z)×x(k-1);
否则该年的产量影响因子x(k)=(1-z)×x(k-1);
(4)采用灰色模型,根据前n-h年的经过校正的影响因子,对n年中后h年的影响因子进行预测,以得到后h年的影响因子,h为大于0小于n的整数;
(5)根据所述n年的粮食产量,以及前n-h年经过校正的影响因子和预测得到的后h年的影响因子,计算出粮食产量与影响因子之间的关联系数,筛选出关联系数大于设定值的影响因子;
(6)利用多元回归方程建立粮食产量与各影响因子之间的关系模型,运用该模型计算出未来b年粮食产量,其中b为大于0的整数。
灰色理论以部分已知信息、部分未知信息的“少数据”、“贫信息”不确定性系统为研究对象,通过对部分已知信息的挖掘,提取有价值的信息,实现对系统运行行为、演化规律的正确描述和有效监控。
目前使用比较广泛的灰色预测模型就是关于数列预测的一个变量、一阶微分的GM(1,1)模型。
设时间序列X(0)有n个观测值,X(0)={X(0)(1),X(0)(2),┅,X(0)(n)},通过累加生成新序列X(1)={X(1)(1),X(1)(2),…,X(1)(n)},则GM(1,1)模型相应的微分方程为:
其中:a称为发展灰数;设为待估参数向量,利用最小二乘法求解可得:
其中:
求解微分方程,即可得预测模型:
其中k=1,2,...,n
进一步得出预测公式:
多元线性回归:
设系统中有m个输入变量(影响因子)x1,x2,x3...xm输出为Y,建立输入与输出之间的关系模型:Y=f(x1,x2...xm),由于f(x1,x2...xm)的复杂性,通常用Volterra级数展开的多项式去逼近:
进一步简化模型,采用多元一次方程:
Y=a0+a1x1+a2x2+...amxm (7)
其中各影响因子的系数可通过线性回归求得。
下面结合附图对本实施例进行详细说明。
方法实施例:
本实施例所提供的一种基于差分处理的粮食产量预测方法,其流程如图1所示,具体步骤如下:
(1)获取前n年的粮食产量数据和产量影响因子数据x(k),利用查分算法公式依次计算相邻年份数据的波动量z(k),其中n为大于1的正整数,k为正整数,并且1<k≤n;
(2)计算前n年影响因子波动量z(k)绝对值的平均值z=Average((z(k)));
(3)对每年的产量影响因子进行校正,方法如下:
如果第k年产量影响因子波动量的绝对值大于波动量的平均值z,判断该年的产量因子波动量是否大于0;
如果大于,则该年的产量影响因子x(k)=(1+z)×x(k-1);
否则该年的产量影响因子x(k)=(1-z)×x(k-1);
(4)采用公式x'(k)=ex(k)对第k年的产量因子进行指数平滑处理;
(5)采用灰色模型,利用前n-h年的经过校正的影响因子,对n年中后h年的影响因子进行预测,以得到后h年的影响因子,h为大于0小于n的整数;
(6)采用公式分别对n年的粮食产量以及前n-h年经过校正的影响因子和预测得到的后h年的影响因子进行归一化处理,然后再采用公式进行平滑性处理,得到n年粮食产量和影响因子归一化处理之后的表达式y″'(k)和x″'(k);
max(x(k))为前n年中产量影响因子的最大值,min(x(k))为前n年中产量影响因子的最小值;
(7)采用公式计算粮食产量与第i种影响因子间的关联系数;其中G(i)为正整数;
(8)将关联系数G(i)大于0.8的影响因子保留,其它影响因子删除,利用多元回归方程建立粮食产量与筛选出的影响因子之间的关系模型;
(9)计算出步骤(8)中所建立模型中各影响因子的系数;
(10)利用粮食产量与筛选出的影响因子之间的关系模型对未来b年中第p年粮食产量的归一化表达式进行预测,其中b和p均为大于0的正整数,且p的取值范围为n<p≤n+b;
(11)按照与步骤(5)中相应的逆归一化公式
对进行逆归一化处理,得到第p年的粮食产量
(12)残差修正:将预测的粮食产量与往年的实际产量之差作为输入数据,运用灰色理论预测未来b年的粮食产量误差,再运用此误差修正未来b年的粮食产量;
(13)计算粮食产量预测相对误差。
在本实施例中,对每年的产量影响因子进行校正之后,再对每年的产量影响因子做指数平滑处理;作为其他实施方式,可以采用其他算法进行平滑处理。
在本实施例中,预测出未来m年的粮食产量之后,将预测的粮食产量与往年的实际产量之差作为输入数据,运用灰色理论预测未来若干年的粮食产量误差,再运用此误差修正未来m年的粮食产量;作为其他实施方式,可以采用其他的方法对预测的结果进行修正。
在本实施例中,通过先对粮食产量和影响因子进行归一化处理,然后计算出关联系数,通过多元回归方程建立粮食产量与各影响因子之间的模型,预测出未来b年的粮食产量;作为其他实施方式,可以通过其他方式利用多元回归方程建立粮食产量与各影响因子之间的模型,运用该模型计算出未来b年粮食产量。
在本实施例中,筛选产量影响因子时设定值为0.8;作为其他实施方式,设定值可以根据实际情况增加或减小。
装置实施例:
一种基于差分处理的粮食产量预测装置,包括如下模块:
(1)获取n年的粮食产量y(k)和影响因子x(k),利用差分算法依次计算相邻年份影响因子的波动量z(k)的模块,其中n为大于1的正整数,k为正整数,并且1<k≤n;
(2)计算n年影响因子波动量z(k)绝对值的平均值z的模块;
(3)对每年的产量因子进行校正:
如果第k年产量影响因子波动量的绝对值大于平均值z,判断该年的产量因子波动量是否大于0;
如果大于,则该年的产量影响因子x(k)=(1+z)×x(k-1);
否则该年的产量影响因子x(k)=(1-z)×x(k-1)的模块;
(4)采用灰色模型,利用前n-h年的经过步骤(3)处理过的影响因子,对n年中后h年的影响因子进行预测,以得到后h年的影响因子的模块,h为大于0小于n的整数;
(5)根据所述n年的粮食产量,以及前n-h年的影响因子和预测得到的后h年的影响因子,计算出粮食产量与影响因子之间的关联系数,筛选出关联系数大于设定值的影响因子的模块;
(6)根据筛选出的影响因子,利用多元回归方程建立粮食产量与各影响因子之间的关系模型,运用该模型计算出未来b年粮食产量的模块,其中b为大于0的整数。
本实施例所提供的一种基于差分处理的粮食产量预测装置,其中各模块并不是硬件模块,而是按照上述方法进行编程所形成的软件模块,运行在相应的处理器中,并且能够存储在移动存储装置或者固定存储装置中。
以上给出了本发明涉及的具体实施方式,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)
1.一种基于差分处理的粮食产量预测方法,其特征在于,包括如下步骤:
(1)获取n年的粮食产量y(k)和影响因子x(k),利用差分算法依次计算相邻年份影响因子的波动量z(k),其中n为大于1的正整数,k为正整数,并且1<k≤n;
(2)计算n年影响因子波动量z(k)绝对值的平均值z;
(3)对每年的产量因子进行校正:
如果第k年产量影响因子波动量的绝对值大于平均值z,判断该年的产量因子波动量是否大于0;
如果大于,则该年的产量影响因子x(k)=(1+z)×x(k-1);
否则该年的产量影响因子x(k)=(1-z)×x(k-1);
(4)采用灰色模型,根据前n-h年的经过校正的影响因子,对n年中后h年的影响因子进行预测,以得到后h年的影响因子,h为大于0小于n的整数;
(5)根据所述n年的粮食产量,以及前n-h年经过校正的影响因子和预测得到的后h年的影响因子,计算出粮食产量与影响因子之间的关联系数,筛选出关联系数大于设定值的影响因子;
(6)利用多元回归方程建立粮食产量与上述筛选出的影响因子之间的关系模型,运用该模型计算出未来b年粮食产量,其中b为大于0的整数。
2.根据权利要求1所述的一种基于差分处理的粮食产量预测方法,其特征在于,对每年的影响因子进行校正之后,再对每年的产量影响因子做指数平滑处理。
3.根据权利要求1所述的一种基于差分处理的粮食产量预测方法,其特征在于,预测出未来b年的粮食产量之后,将预测的粮食产量与往年的实际产量之差作为输入数据,运用灰色模型预测未来b年的粮食产量误差,再运用此误差修正未来b年的粮食产量。
4.根据权利要求1所述的一种基于差分处理的粮食产量预测方法,其特征在于,筛选影响因子时,所述设定值为0.8。
5.根据权利要求1所述的一种基于差分处理的粮食产量预测方法,其特征在于,所述步骤(5)包括:
(1)对所述n年的粮食产量y(k)以及前n-h年经过校正的影响因子和预测得到的后h年的影响因子进行归一化处理,得到归一化处理之后的粮食产量y”'(k)和影响因子x”'(k);
当0<k<n-h时,x”'(k)由前n-h年经过校正的影响因子经过归一化处理之后得到;
当n-h≤k≤n时,x”'(k)由预测得到的后h年的影响因子经过归一化处理之后得到;
(2)计算出粮食产量与第i种影响因子之间的关联系数G(i),
i为正整数;
其中max(|y”'(k)-x”'(k)|)表示|y”'(k)-x”'(k)|的最大值,min(|y”'(k)-x”'(k)|)表示|y”'(k)-x”'(k)|的最大值;
(3)筛选出关联系数大于设定值的影响因子。
6.一种基于差分处理的粮食产量预测装置,其特征在于,包括如下模块:
(1)获取n年的粮食产量y(k)和影响因子x(k),利用差分算法依次计算相邻年份影响因子的波动量z(k)的模块,其中n为大于1的正整数,k为正整数,并且1<k≤n;
(2)计算n年影响因子波动量z(k)绝对值的平均值z的模块;
(3)对每年的产量因子进行校正:
如果第k年产量影响因子波动量的绝对值大于平均值z,判断该年的产量因子波动量是否大于0;
如果大于,则该年的产量影响因子x(k)=(1+z)×x(k-1);
否则该年的产量影响因子x(k)=(1-z)×x(k-1)的模块;
(4)采用灰色模型,根据前n-h年的经过校正过的影响因子,对n年中后h年的影响因子进行预测,以得到后h年的影响因子的模块,h为大于0小于n的整数;
(5)根据所述n年的粮食产量,以及前n-h年经过校正的影响因子和预测得到的后h年的影响因子,计算出粮食产量与影响因子之间的关联系数,筛选出关联系数大于设定值的影响因子的模块;
(6)利用多元回归方程建立粮食产量与上述筛选出的影响因子之间的关系模型,运用该模型计算出未来b年粮食产量的模块,其中b为大于0的整数。
7.根据权利要求6所述的一种基于差分处理的粮食产量预测装置,其特征在于,对每年的影响因子进行校正之后,再对每年的产量影响因子做指数平滑处理。
8.根据权利要求6所述的一种基于差分处理的粮食产量预测装置,其特征在于,预测出未来b年的粮食产量之后,将预测的粮食产量与往年的实际产量之差作为输入数据,运用灰色模型预测未来b年的粮食产量误差,再运用此误差修正未来b年的粮食产量。
9.根据权利要求6所述的一种基于差分处理的粮食产量预测装置,其特征在于,筛选影响因子时,所述设定值为0.8。
10.根据权利要求6所述的一种基于差分处理的粮食产量预测装置,其特征在于,所述模块(5)包括:
(1)对所述n年的粮食产量y(k)以及前n-h年经过校正的影响因子和预测得到的后h年的影响因子进行归一化处理,得到归一化处理之后的粮食产量y”'(k)和影响因子x”'(k)的单元;
当0<k<n-h时,x”'(k)由前n-h年经过校正的影响因子经过归一化处理之后得到;
当n-h≤k≤n时,x”'(k)由预测得到的后h年的影响因子经过归一化处理之后得到;
(2)计算出粮食产量与第i种影响因子之间的关联系数G(i)的模块,
其中i为正整数,
max(|y”'(k)-x”'(k)|)表示|y”'(k)-x”'(k)|的最大值,min(|y”'(k)-x”'(k)|)表示|y”'(k)-x”'(k)|的最大值;
(3)筛选出关联系数大于设定值的影响因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611044894.XA CN106408433A (zh) | 2016-11-22 | 2016-11-22 | 一种基于差分处理的粮食产量预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611044894.XA CN106408433A (zh) | 2016-11-22 | 2016-11-22 | 一种基于差分处理的粮食产量预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106408433A true CN106408433A (zh) | 2017-02-15 |
Family
ID=58081954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611044894.XA Pending CN106408433A (zh) | 2016-11-22 | 2016-11-22 | 一种基于差分处理的粮食产量预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106408433A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110083190A (zh) * | 2019-04-19 | 2019-08-02 | 淮阴工学院 | 一种基于减法聚类分类器的青椒温室环境智能监测系统 |
-
2016
- 2016-11-22 CN CN201611044894.XA patent/CN106408433A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110083190A (zh) * | 2019-04-19 | 2019-08-02 | 淮阴工学院 | 一种基于减法聚类分类器的青椒温室环境智能监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109674080B (zh) | 烟叶回潮加水量预测方法、存储介质及终端设备 | |
CN104573359B (zh) | 一种基于任务难度与标注者能力的众包标注数据整合方法 | |
CN102183621B (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
CN107590565A (zh) | 一种构建建筑能耗预测模型的方法及装置 | |
WO2021129086A1 (zh) | 流量预测方法、装置以及存储介质 | |
EP3179319A1 (en) | Method for irrigation planning and system for its implementation | |
CN110852477B (zh) | 一种基于系统动力学的生产需水预测方法 | |
CN102521080B (zh) | 一种电力用户用电信息采集系统的计算机数据修复方法 | |
CN112330050A (zh) | 一种基于双层XGBoost考虑多特征的电力系统负荷预测方法 | |
CN108682457A (zh) | 患者长期预后定量预测和干预系统及方法 | |
CN116523086A (zh) | 基于长短时记忆深度神经网络的单井生产动态预测方法 | |
CN110119540A (zh) | 一种用于生存风险分析的多输出梯度提升树建模方法 | |
CN110046570A (zh) | 一种粮仓粮食库存动态监管方法和装置 | |
CN110648020A (zh) | 一种温室作物需水量预测方法及装置 | |
CN106408433A (zh) | 一种基于差分处理的粮食产量预测方法和装置 | |
CN115409153A (zh) | 一种基于注意力lstm的畜牧指标预测方法及预测系统 | |
CN103853939A (zh) | 一种基于社会经济因素影响的电力系统月度负荷的组合预测方法 | |
CN113159439A (zh) | 一种作物产量的预测方法、系统、存储介质和电子设备 | |
CN103995873A (zh) | 一种数据挖掘方法及数据挖掘系统 | |
CN104021180A (zh) | 一种组合式软件缺陷报告分类方法 | |
CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 | |
CN109190810B (zh) | 基于tdnn的中国北方草原地区ndvi的预测方法 | |
CN115879750B (zh) | 一种水产育苗环境监控管理系统及方法 | |
CN108549899A (zh) | 一种图像识别方法及装置 | |
CN112464172A (zh) | 生长参数主被动遥感反演方法及装置 |
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: 20170215 |
|
RJ01 | Rejection of invention patent application after publication |