CN109635994A - 一种实现影响因素多源异构融合的农作物产量预测方法 - Google Patents
一种实现影响因素多源异构融合的农作物产量预测方法 Download PDFInfo
- Publication number
- CN109635994A CN109635994A CN201811237966.1A CN201811237966A CN109635994A CN 109635994 A CN109635994 A CN 109635994A CN 201811237966 A CN201811237966 A CN 201811237966A CN 109635994 A CN109635994 A CN 109635994A
- Authority
- CN
- China
- Prior art keywords
- kernel function
- value
- function
- monokaryon
- data
- 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
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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及多源异构数据的融合和挖掘领域,具体公开了一种实现影响因素多源异构融合的农作物产量预测方法,包括如下步骤:获取农业大数据;对不同类型的数据,选取对应的单核函数,构建单核SVR模型,分别选取精度最高的单核函数,构成基核函数;初始化基核函数形成初始线性多核函数;利用粒子群优化算法对基核函数各参数的值进行联合迭代优化,构建多核SVR预测模型,利用多核SVR预测模型进行初步预测;利用交叉验证算法,计算预测的均值作为适应度值;根据适应度值的大小更新各个参数的值,直到达到终止条件;输出各个参数的值,得到最终的预测方程。采用本发明的技术方案能提高农作物产量的预测精度。
Description
技术领域
本发明涉及多源异构数据的融合和挖掘领域,特别涉及一种实现影响因素多源异构融合的农作物产量预测方法。
背景技术
目前通用的农作物长势检测和产量估算方法主要有传统的气象估产方法和农学估产方法,这两种方法在大面积或大范围的农作物估产中,精度会有较大的起伏,因为农作物的产量受许多因素的影响。
而由于农业大数据的分散性、多样性和复杂性,影响农作物产量的诸多因素包括农学数据、气象数据、地理数据等,具有多源异构性。因此需要基于农作物产量的多源异构特性进行产量预测,常见的预测算法如回归分析等无法处理产量影响因素来自不同数据源,具有不同种类特征的问题。
对于不同数据源的数据融合通常采用神经网络、卡尔曼滤波(Kalman)等方法,但对于大数据的处理,卡尔曼滤波方法对脏数据很敏感,而且滤波参数计算不确定,会导致预测精度不高;神经网络方法在使用中,参数设置不当会出现学习不足或过学习现象,会陷入局部极小,处理大数据时,易出现维数灾难,从而导致预测精度不高。
为此需要一种通过不同数据源的农业大数据高精度预测农作物产量的方法。
发明内容
本发明的目的在于提供一种实现影响因素多源异构融合的农作物产量预测方法,以提高农作物产量的预测精度。
为解决上述技术问题,本发明技术方案如下:
一种实现影响因素多源异构融合的农作物产量预测方法,包括如下步骤:
S1、获取农业的大数据,大数据包括:农作物历年产量数据和影响产量的指标数据,指标数据包括:历年气象数据和土壤特性数据;
S2、建立包含线性核函数、多项式核函数、径向基核函数和Sigmoid核函数的单核函数库;
S3、根据单变量法从单核函数库中选取单核函数,将大数据作为单核函数的输入变量,构建成为单核SVR模型;
S4、利用单核SVR模型进行预测,分别选取精度最接近1的单核函数,构成基核函数;其中基核函数的参数包括:基核函数的权重、基核函数自身核参数的取值和惩罚项的系数;
S5、初始化基核函数的参数,形成初始线性多核函数;建立包括粒子位置的粒子群优化算法,利用粒子群优化算法对初始线性多核函数的参数进行联合迭代优化,构建多核SVR预测模型;利用优化后的多核SVR预测模型进行初步预测,得到预测结果;
S6、建立包括估计值和精确值的交叉验证算法;利用交叉验证算法验证预测结果;取结果中估计值和精确值相关系数的均值作为适应度值,根据适应度值的大小更新基核函数各参数的值;其中,适应度值越接近1,表面预测结果精度越高;
S7、粒子群优化算法达到最大迭代次数或粒子位置满足最小界限时,输出基核函数各参数的值,得到最终的预测方程。
基础方案原理及有益效果如下:
1、本方法对农作物产量的预测考虑了多种影响因素的作用;利用多核SVR预测模型进行预测,融合了多种核,能有效处理多源异构的数据;
2、借助粒子群优化算法自动学习得到基核函数的参数,不需要主观确定基核函数的参数。因此能提高预测的合理性和精度;
3、粒子群优化算法比遗传算法规则更为简单,它没有遗传算法的“交叉”和“变异”操作;实现容易、精度高;
4、单核函数的精度值越接近于1,表明其预测精度越高,选取精度最接近1的单核函数构成基核函数,有助于提高预测精度。
进一步,步骤S5中,初始线性多核函数,表示为:
其中,kh(x,y)为基核函数,λh∈(0,1),λh为核函数的权重,权重之和为1,m为核函数的个数。
不同的核函数,选取对应的单核函数,针对性强,准确度高。
进一步,所述S3还包括:步骤S5中,粒子位置包括总群最优位置和个体最优位置;利用粒子群优化算法对初始线性多核函数的参数进行联合迭代优化时,每个粒子根据之前的种群最优位置和个体最优位置信息调整自身位置,调整公式为:
其中,r1、r2为区间[0,1]上的随机数,可取该区间均匀分布的伪随机数,Vi (k)、分别是Xi第k次迭代时的速度和位置,是Xi第k次迭代中的最优位置,是Xik次迭代中所有粒子的最优位置,ω为惯性权重因子,c1、c2为加速度因子,通常取2。
与遗传算法比较,粒子群优化算法的信息共享机制是很不同的。在遗传算法中,染色体互相共享信息,所以整个种群的移动是比较均匀的向最优区域移动。在粒子群优化算法中,只有总群最优位置的粒子或个体最优位置的粒子给出信息给其他的粒子,这是单向的信息流动。粒子对自身位置的调整更新过程是跟随当前最优解的过程。与遗传算法比较,在大多数的情况下,所有的粒子可能更快的收敛于最优解。
进一步,步骤S6中,交叉验证算法的计算公式为:
其中,为估计值,为yi精确值,R2为相关系数。
交叉验证算法用于评估初始线性多核函数的预测精度,可以在一定程度上减小过拟合;还可以从有限的数据中获取尽可能多的有效信息。
进一步,步骤S3中,交叉验证采用五折交叉验证。
五折交叉验证的结果与十折交叉验证的结果相差无几,但是五折交叉验证计算次数更少,耗费时间更短。
进一步,步骤S1中,指标数据还包括:水环境数据和地理位置数据。
引入水环境数据和地理位置数据,增加了数据的类型的丰富性。
附图说明
图1为实施例一确定基核函数的流程图;
图2为实施例一利用粒子群优化算法优化多核SVR预测模型的流程图;
图3为实施例一预测误差折线图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例一
实现影响因素多源异构融合的农作物产量预测系统,包括:输入模块、储存模块、处理模块和输出模块;
输入模块用于输入农作物历年产量数据和影响产量的指标数据,其中,指标数据包括历年气象数据、土壤特性数据、水环境数据和地理位置数据。输入模块将输入的数据发送至储存模块;
储存模块用于接收农作物历年产量数据和影响产量的指标数据;储存模块预存有包括线性核函数、多项式核函数、径向基核函数、Sigmoid核函数的单核函数库,还预存有粒子群优化算法和五折交叉验证算法;本实施例中,存储模块采用希捷ST4000VN008机械硬盘。
处理模块用于调取存储模块中的数据和函数,对不同类型的数据分别根据单变量法从线性核函数、多项式核函数、径向基核函数或Sigmoid核函数中选取对应的单核函数,构建单核SVR模型;
本实施例中,单核SRV模型构建过程为:
对于大数据的样本集T={(xi,yi)|i=1,2,...,l},其中,xi∈Rn,xi为n维输入变量,yi为对应的输出值,l为样本数;寻求样本最优拟合函数为:f∈F=(f|f:Rn→R),
可转化为求解约束极值问题:
使得,
其中,k(xi,xj)为核函数,利用非线性规划最佳解的必要条件(KKT条件)可以计算得到
ai,aj,b,最后得到单核SRV模型:
利用单核SVR模型进行预测,分别选取精度最接近1的单核函数,构成基核函数;基核函数的参数包括:基核函数的权重、基核函数自身核参数的取值和惩罚项的系数;初始化基核函数的权重、基核函数自身核参数的取值和惩罚项的系数,利用基核函数形成初始线性多核函数,表示为:
其中,kh(x,y)为基核函数,kh(x,y),λh为核函数的权重,权重之和为1,m为核函数的个数。
处理模块利用粒子群优化算法对基核函数的权重、基核函数自身核参数的取值和惩罚项的系数进行联合迭代优化,将式①中的核函数替换为初始线性多核函数,构建多核SVR预测模型;
利用粒子群优化算法迭代优化过程中,每个粒子根据之前的种群最优和个体最优位置信息调整自身位置,调整公式为:
其中,r1、r2为区间[0,1]上的随机数,可取该区间均匀分布的伪随机数,Vi (k)、分别是Xi第k次迭代时的速度和位置,是Xi第k次迭代中的最优位置,是Xik次迭代中所有粒子的最优位置,ω为惯性权重因子,c1、c2为加速度因子,通常取2。
使用交叉验证多核SVR预测模型的泛化预测能力,采用估计值和精确值yi的相关系数R2作为精度指标,其计算公式为:
本实施例中使用五折交叉验证,取五次结果的R2均值作为适应度函数,其值越接近于1,表明预测精度越高。
根据适应度的值更新基核函数各参数的值,直到达到粒子群优化算法最大迭代次数或粒子全局最优位置满足最小界限。
处理模块将基核函数各参数的值发送至输出模块;本实施例中,处理模块采用Intel至强E5-2690处理器。
输出模块将基核函数各参数的值输出,得到最终的预测方程;本实施例中,输出模块采用DELLE2216HV显示器。
基于实现影响因素多源异构融合的农作物产量预测系统,本发明还提供一种实现影响因素多源异构融合的农作物产量预测方法,包括如下步骤:
S1、获取农业的大数据,大数据包括:农作物历年产量数据和影响产量的指标数据,指标数据包括:历年气象数据、土壤特性数据、水环境数据和地理位置数据;
S2、建立包含线性核函数、多项式核函数、径向基核函数和Sigmoid核函数的单核函数库;
S3、如图1所示,根据单变量法从线性核函数、多项式核函数、径向基核函数或Sigmoid核函数中选取对应的单核函数,将大数据作为单核函数的输入变量,构建单核SVR模型;例如对于历年气象数据,利用其作为输入变量,从单核函数库中的四个核函数中选取一个单核函数,构建单核SVR模型;
S4、利用单核SVR模型进行预测,分别选取精度最接近1的单核函数,构成基核函数;基核函数的参数包括:基核函数的权重、基核函数自身核参数的取值和惩罚项的系数;
S501、初始化基核函数的权重、基核函数自身核参数和惩罚项的系数,利用基核函数形成初始线性多核函数,表示为:
其中,kh(x,y)为基核函数,kh(x,y),λh为核函数的权重,权重之和为1,m为核函数的个数。
S502、如图2所示,建立包括粒子位置的粒子群优化算法(PSO),粒子位置包括总群最优位置和个体最优位置;利用粒子群优化算法对初始线性多核函数的参数进行联合迭代优化;将式①中的核函数替换为初始线性多核函数,构建多核SVR预测模型;
利用粒子群优化算法对初始线性多核函数的参数进行联合迭代优化时,每个粒子根据之前的种群最优位置和个体最优位置信息调整自身位置,调整公式为:
其中,r1、r2为区间[0,1]上的随机数,可取该区间均匀分布的伪随机数,Vi (k)、分别是Xi第k次迭代时的速度和位置,是Xi第k次迭代中的最优位置,是Xik次迭代中所有粒子的最优位置,ω为惯性权重因子,c1、c2为加速度因子,通常取2。
利用多核SVR预测模型进行初步预测,得到预测结果;
S6、建立包括估计值和精确值的交叉验证算法;利用交叉验证算法验证多核SVR预测模型的预测结果;取结果中估计值和精确值相关系数的均值作为适应度值,根据适应度值的大小更新基核函数各参数的值;其中,适应度值越接近1,表面预测结果精度越高;
五折交叉验证算法的计算公式为:
其中,为估计值,为yi精确值,R2为相关系数。
S7、粒子群优化算法达到最大迭代次数或粒子位置满足最小界限时,输出基核函数各参数的值,得到最终的预测方程。
对比例一
与实施例一相比,区别在于,未采用五折交叉验证算法生成的适应度值更新基核函数各参数的值。
对比例二
与实施例一相比,区别在于,未使用粒子群优化算法对初始线性多核函数进行联合迭代优化。
在实验中,分别用神经网络算法、卡尔曼滤波算法和多核SVR预测模型、对比例一和对比例二对2008-2012年重庆地区粮食产量数据进行预测,得到如表1的数据:
表1:
如图3所示,实验中的实际预测结果表明,在神经网络算法、卡尔曼滤波算法和多核SVR预测模型中,神经网络算法预测结果波动幅度最小,但是预测准确度最低;卡尔曼滤波算法波动幅度最大;比例一和对比例二由于省略了步骤预测精度较低,多核SVR预测模型波动幅度小,预测准确度高。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (6)
1.一种实现影响因素多源异构融合的农作物产量预测方法,其特征在于,包括如下步骤:
S1、获取农业的大数据,大数据包括:农作物历年产量数据和影响产量的指标数据,指标数据包括:历年气象数据和土壤特性数据;
S2、建立包含线性核函数、多项式核函数、径向基核函数和Sigmoid核函数的单核函数库;
S3、根据单变量法从单核函数库中选取单核函数,将大数据作为单核函数的输入变量,构建成为单核SVR模型;
S4、利用单核SVR模型进行预测,分别选取精度最接近1的单核函数,构成基核函数;其中基核函数的参数包括:基核函数的权重、基核函数自身核参数的取值和惩罚项的系数;
S5、初始化基核函数的参数,形成初始线性多核函数;建立包括粒子位置的粒子群优化算法,利用粒子群优化算法对初始线性多核函数的参数进行联合迭代优化,构建多核SVR预测模型;利用优化后的多核SVR预测模型进行初步预测,得到预测结果;
S6、建立包括估计值和精确值的交叉验证算法;利用交叉验证算法验证预测结果;取结果中估计值和精确值相关系数的均值作为适应度值,根据适应度值的大小更新基核函数各参数的值;其中,适应度值越接近1,表面预测结果精度越高;
S7、粒子群优化算法达到最大迭代次数或粒子位置满足最小界限时,输出基核函数各参数的值,得到最终的预测方程。
2.根据权利要求1所述的实现影响因素多源异构融合的农作物产量预测方法,其特征在于:步骤S5中,初始线性多核函数,表示为
其中,kh(x,y)为基核函数,λh∈(0,1),λh为核函数的权重,权重之和为1,m为核函数的个数。
3.根据权利要求1所述的实现影响因素多源异构融合的农作物产量预测方法,其特征在于:步骤S5中,粒子位置包括总群最优位置和个体最优位置;利用粒子群优化算法对初始线性多核函数的参数进行联合迭代优化时,每个粒子根据之前的种群最优位置和个体最优位置信息调整自身位置,调整公式为:
其中,r1、r2为区间[0,1]上的随机数,可取该区间均匀分布的伪随机数,Vi (k)、分别是Xi第k次迭代时的速度和位置,是Xi第k次迭代中的最优位置,是Xik次迭代中所有粒子的最优位置,ω为惯性权重因子,c1、c2为加速度因子,通常取2。
4.根据权利要求1所述的一种实现影响因素多源异构融合的农作物产量预测方法,其特征在于:步骤S6中,交叉验证算法的计算公式为:
其中,为估计值,为yi精确值,R2为相关系数。
5.根据权利要求1所述的实现影响因素多源异构融合的农作物产量预测方法,其特征在于:步骤S3中,交叉验证采用五折交叉验证。
6.根据权利要求1-5任一项所述的实现影响因素多源异构融合的农作物产量预测方法,其特征在于:步骤S1中,指标数据还包括:水环境数据和地理位置数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811237966.1A CN109635994A (zh) | 2018-10-23 | 2018-10-23 | 一种实现影响因素多源异构融合的农作物产量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811237966.1A CN109635994A (zh) | 2018-10-23 | 2018-10-23 | 一种实现影响因素多源异构融合的农作物产量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109635994A true CN109635994A (zh) | 2019-04-16 |
Family
ID=66066502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811237966.1A Pending CN109635994A (zh) | 2018-10-23 | 2018-10-23 | 一种实现影响因素多源异构融合的农作物产量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635994A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110244804A (zh) * | 2019-06-14 | 2019-09-17 | 武汉合创源科技有限公司 | 一种大数据农业管理系统及其方法 |
CN111241482A (zh) * | 2020-01-10 | 2020-06-05 | 合肥工业大学 | 面向多参数系统异常工作状态检测的方法和系统 |
CN111325381A (zh) * | 2020-01-22 | 2020-06-23 | 中国农业机械化科学研究院 | 一种多源异构农田大数据产量预测方法、系统与装置 |
CN111428318A (zh) * | 2020-04-30 | 2020-07-17 | 上海工程技术大学 | 一种基于鲸鱼算法优化的滚动轴承退化趋势预测方法 |
CN111476503A (zh) * | 2020-04-24 | 2020-07-31 | 中科天盛卫星技术服务有限公司 | 利用多源异构数据预测油棕原油产量的方法和系统 |
CN111598156A (zh) * | 2020-05-14 | 2020-08-28 | 北京工业大学 | 基于多源异构数据融合的pm2.5预测模型 |
CN112257908A (zh) * | 2020-09-30 | 2021-01-22 | 嘉应学院 | 一种山区农业多源异构数据的整合方法及装置 |
CN113222294A (zh) * | 2021-06-07 | 2021-08-06 | 中国农业科学院农业信息研究所 | 一种大豆投入单产预测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127330A (zh) * | 2016-06-18 | 2016-11-16 | 上海大学 | 基于最小二乘支持向量机的脉动风速预测方法 |
CN106296434A (zh) * | 2016-08-18 | 2017-01-04 | 河南工业大学 | 一种基于pso‑lssvm算法的粮食产量预测方法 |
CN106952183A (zh) * | 2017-04-24 | 2017-07-14 | 武汉大学 | 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法 |
CN107274024A (zh) * | 2017-06-21 | 2017-10-20 | 南京信息工程大学 | 一种气象台站测量日总辐射曝辐量预测优化方法 |
CN107357966A (zh) * | 2017-06-21 | 2017-11-17 | 山东科技大学 | 一种回采巷道围岩稳定性预测与评估方法 |
CN108596781A (zh) * | 2018-04-13 | 2018-09-28 | 深圳供电局有限公司 | 一种电力系统数据挖掘与预测整合方法 |
-
2018
- 2018-10-23 CN CN201811237966.1A patent/CN109635994A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127330A (zh) * | 2016-06-18 | 2016-11-16 | 上海大学 | 基于最小二乘支持向量机的脉动风速预测方法 |
CN106296434A (zh) * | 2016-08-18 | 2017-01-04 | 河南工业大学 | 一种基于pso‑lssvm算法的粮食产量预测方法 |
CN106952183A (zh) * | 2017-04-24 | 2017-07-14 | 武汉大学 | 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法 |
CN107274024A (zh) * | 2017-06-21 | 2017-10-20 | 南京信息工程大学 | 一种气象台站测量日总辐射曝辐量预测优化方法 |
CN107357966A (zh) * | 2017-06-21 | 2017-11-17 | 山东科技大学 | 一种回采巷道围岩稳定性预测与评估方法 |
CN108596781A (zh) * | 2018-04-13 | 2018-09-28 | 深圳供电局有限公司 | 一种电力系统数据挖掘与预测整合方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110244804A (zh) * | 2019-06-14 | 2019-09-17 | 武汉合创源科技有限公司 | 一种大数据农业管理系统及其方法 |
CN111241482B (zh) * | 2020-01-10 | 2023-05-02 | 合肥工业大学 | 面向多参数系统异常工作状态检测的方法和系统 |
CN111241482A (zh) * | 2020-01-10 | 2020-06-05 | 合肥工业大学 | 面向多参数系统异常工作状态检测的方法和系统 |
CN111325381A (zh) * | 2020-01-22 | 2020-06-23 | 中国农业机械化科学研究院 | 一种多源异构农田大数据产量预测方法、系统与装置 |
WO2021147300A1 (zh) * | 2020-01-22 | 2021-07-29 | 中国农业机械化科学研究院 | 一种多源异构农田大数据产量预测方法、系统与装置 |
CN111476503A (zh) * | 2020-04-24 | 2020-07-31 | 中科天盛卫星技术服务有限公司 | 利用多源异构数据预测油棕原油产量的方法和系统 |
CN111476503B (zh) * | 2020-04-24 | 2021-04-30 | 中科天盛卫星技术服务有限公司 | 利用多源异构数据预测油棕原油产量的方法和系统 |
CN111428318A (zh) * | 2020-04-30 | 2020-07-17 | 上海工程技术大学 | 一种基于鲸鱼算法优化的滚动轴承退化趋势预测方法 |
CN111598156A (zh) * | 2020-05-14 | 2020-08-28 | 北京工业大学 | 基于多源异构数据融合的pm2.5预测模型 |
CN112257908A (zh) * | 2020-09-30 | 2021-01-22 | 嘉应学院 | 一种山区农业多源异构数据的整合方法及装置 |
CN112257908B (zh) * | 2020-09-30 | 2023-01-17 | 嘉应学院 | 一种山区农业多源异构数据的整合方法及装置 |
CN113222294A (zh) * | 2021-06-07 | 2021-08-06 | 中国农业科学院农业信息研究所 | 一种大豆投入单产预测方法及系统 |
CN113222294B (zh) * | 2021-06-07 | 2023-09-26 | 中国农业科学院农业信息研究所 | 一种大豆投入单产预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635994A (zh) | 一种实现影响因素多源异构融合的农作物产量预测方法 | |
Kisi et al. | Modeling groundwater fluctuations by three different evolutionary neural network techniques using hydroclimatic data | |
CN112184391B (zh) | 一种推荐模型的训练方法、介质、电子设备和推荐模型 | |
Zadeh et al. | An efficient metamodel-based multi-objective multidisciplinary design optimization framework | |
Okkan et al. | Towards a hybrid algorithm for the robust calibration of rainfall–runoff models | |
Nannan et al. | Adaptive online time series prediction based on a novel dynamic fuzzy cognitive map | |
Tiwari et al. | Crop yield prediction by modified convolutional neural network and geographical indexes | |
Dwaram et al. | Crop yield forecasting by long short‐term memory network with Adam optimizer and Huber loss function in Andhra Pradesh, India | |
Luber et al. | Structural neural additive models: Enhanced interpretable machine learning | |
Sang et al. | Ensembles of gradient boosting recurrent neural network for time series data prediction | |
Mukherjee et al. | Identification of the types of disease for tomato plants using a modified gray wolf optimization optimized MobileNetV2 convolutional neural network architecture driven computer vision framework | |
Wang et al. | Predictions models of Taiwan dollar to US dollar and RMB exchange rate based on modified PSO and GRNN | |
Kasiviswanathan et al. | Radial basis function artificial neural network: Spread selection | |
Vanhove et al. | Estimating resistance surfaces using gradient forest and allelic frequencies | |
CN117273125A (zh) | 基于强化学习的多模型在线自适应择优技术驱动的进化算法 | |
CN116911178A (zh) | 一种基于气象预报的中小型水库容量预测方法及系统 | |
Kumar et al. | Application of the PSO–neural network in rainfall–runoff modeling | |
Goudarzi et al. | Calibration of SWAT and three data-driven models for monthly stream flow simulation in Maharlu Lake Basin | |
Zhao et al. | The simplified hybrid model based on BP to predict the reference crop evapotranspiration in Southwest China | |
Baba et al. | An alternative approach of dual response surface optimization based on penalty function method | |
Keesman et al. | Nonlinear set-membership estimation: A support vector machine approach | |
Mythili | A swarm based bi-directional LSTM-enhanced elman recurrent neural network algorithm for better crop yield in precision agriculture | |
Goel et al. | Design and implementation of a crop recommendation system using nature-inspired intelligence for Rajasthan, India | |
Duarte et al. | Streamflow forecasting in Tocantins river basins using machine learning | |
Huang et al. | Generalized regression neural network optimized by genetic algorithm for solving out-of-sample extension problem in supervised manifold learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |