CN110516890A - 一种基于灰色组合模型的农作物产量监控系统 - Google Patents
一种基于灰色组合模型的农作物产量监控系统 Download PDFInfo
- Publication number
- CN110516890A CN110516890A CN201910830039.9A CN201910830039A CN110516890A CN 110516890 A CN110516890 A CN 110516890A CN 201910830039 A CN201910830039 A CN 201910830039A CN 110516890 A CN110516890 A CN 110516890A
- Authority
- CN
- China
- Prior art keywords
- data
- sequence
- crop yield
- grey
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 238000004519 manufacturing process Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000004891 communication Methods 0.000 claims abstract description 15
- 230000004044 response Effects 0.000 claims abstract description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 239000003337 fertilizer Substances 0.000 claims description 4
- 238000010899 nucleation Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000005311 autocorrelation function Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000003973 irrigation Methods 0.000 claims description 3
- 230000002262 irrigation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000002131 composite material Substances 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims 2
- 238000012271 agricultural production Methods 0.000 abstract description 6
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000009313 farming Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000001373 regressive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Marine Sciences & Fisheries (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于农作物产量监控领域,具体为一种基于灰色组合模型的农作物产量监控系统,所述系统在农作物生产基地上安装多个数据采集组件,获得农作物数据,通过在农作物数据处理车间中的产量预测模块预测出当前的农作物产量数据,用户调用端通过向中心控制平台发出请求,中心控制台响应后,数据通信模块从数据库中调用产量预测模块预测的农作物产量数据,用户调用端监控农作物产量的情况,便于对实际的农业生产进行指导。本发明通过灰色组合模型预测农作物产量,能快速、方便地获得精度高的预测结果。采用灰色预测方法为基础的组合模型对农作物产量进行预测,在极限学习机模型中加入归一化处理,使预测结果更加精准,能对农作物产量进行更好的监控。
Description
技术领域
本发明属于农产品/农作物产量监控领域,具体为一种基于灰色组合模型的农作物产量监控系统。
背景技术
在农业生产中,进行农作物产量的预测具有极强的现实意义。对农作物产量进行预测,不仅有利于农民根据价格变化及时的调整农作物的种植面积,提高农民的收入,还可以根据农作物的出口情况及时扩大或者减少农作物的种植面积。
现有技术中,传统的作物估产方法主要是农学预报方法、统计预报方法、气象预报方法等。这些估产方法都需要大量的人工调查、数据统计,不适宜大范围的作物估产。并且这些估产方法只考虑了农作物的播种情况,没考虑到农作物在生长过程中还受到其他多重因素的制约,导致预测的结果不够准确,不能对农作物产量达到真正监控的目的,从而不能正确指导农业生产。
发明内容
基于现有技术存在的问题,本发明提出了一种基于灰色组合模型的农作物产量监控系统,该监控系统能够有效的预测出当前的农作物产量,用户调用端通过调用该预测数据,能够有效的指导农业生产以及农业收割等;
一种基于灰色组合模型的农作物产量监控系统,所述系统包括在农作物生产基地安装的多个数据采集组件,农作物数据处理车间以及用户调用端;数据采集组件所采集的农作物数据包括农作物播种总面积,化肥总用量,有效灌溉面积,受灾面积,天气数据以及种植密度;农作物数据处理车间包括中心控制台,以及由中心控制台控制的数据接口模块、数据库、产量预测模块和数据通信模块;所述数据接口模块接收来自数据采集组件的农作物数据,所述数据库用于存储采集到的农作物数据以及产量预测模块所预测的农作物产量数据;所述产量预测模块用于调用灰色组合模型对农作物数据进行处理,并预测出当前的农作物产量数据;所述用户调用端通过数据通信模块请求与中心控制台进行通信,并调用中心控制台控制下产量预测模块所预测的农作物产量数据。
本发明的有益效果:
本发明提供的农作物产量监控系统,通过对农作物产量进行监控,能够有效指导农业生产,便于现代化农业的开展,并且也为农作物的采购方面提供依据;
进一步的,本发明通过灰色组合模型预测农作物产量,能快速、方便地获得精度高的农作物产量预测结果。
更进一步的,在极限学习机模型通过各类农作物数据对农作物产量进行预测,通过LDTW灰关联的方法,选择出当下与农作物产量最相关的影响因子,考虑了生长期包括的不同生育时期内农作物受气象变化的影响,反映了客观的自然规律,使得预测的结果更加符合实际生产。
其次本发明用差分整合移动平均自回归模型(Autoregressive IntegratedMovingAverage model,简称ARIMA)修正灰色模型以及极限学习机的预测结果,能够使得最终结果更加精确。
附图说明
图1为本发明系统的结构框图;
图2为本发明的产量预测模块的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
如图1所示,本发明的一种基于灰色组合模型的农作物产量监控系统,包括:所述系统包括在农作物生产基地安装的n个数据采集组件,农作物数据处理车间以及N个用户调用端;
数据采集组件所采集的农作物数据包括农作物播种总面积,化肥总用量,有效灌溉面积,受灾面积,天气数据以及种植密度;
当然,实际的应用中,还可以包括其他的特征数据,本实施例只是给出了一部分例子。
其中,n与N的大小没有必然关系,但是本发明中,N远远小于n,一般来说每个数据采集组件包括面积测量仪,用于测量农作物播种总面积、受灾面积以及有效灌溉面积等;温度传感器、湿度传感器用于检测天气数据;化学检测仪用于检测化肥总用量。
当然以上数据也可通过人工进行处理收集。
进一步的,农作物数据处理车间包括中心控制台,以及由中心控制台控制的数据接口模块、数据库、产量预测模块和数据通信模块;所述数据接口模块接收来自数据采集组件的农作物数据,所述数据库用于存储采集到的农作物数据以及产量预测模块所预测的农作物产量数据;所述产量预测模块用于调用灰色组合模型对农作物数据进行处理,并预测出当前的农作物产量数据;所述用户调用端通过数据通信模块请求与中心控制台进行通信,并调用中心控制台控制下产量预测模块所预测的农作物产量数据。
所述用户调用端通过数据通信模块请求与中心控制台进行通信,并调用中心控制台控制下产量预测模块所预测的农作物产量数据包括灰色组合模块将其预测的农作物产量数据信息打包,包括预测结果、模型标识符与时序信息,并将其将其传输至数据库;中心控制平台调用数据库并获得对应的数据采集组件信息,包括该数据采集组件所在农作物生产基地的位置,连同预测信息打包为报告信息,将所述报告信息传输至数据通信模块;用户调用端通过数据通信模块向中心控制台发出调用请求,中心控制台响应后,控制数据通信模块将报告信息传输至用户调用端。
用户调用端对农作物数据进行监控,利用农作物数据指导购买以及种植等。
作为一种优选实施方式,当用户调用端获取的农作物产量数据低于上一年的产量数据,用户调用端发出报警,提醒相关人员对该数据进行确认,便于后续的农作物增产计划或者购买计划的实施;从而真正实现对农作物产量的监控,便于农业生产与生活。
如图2所示,所述产量预测单元包括数据关联计算单元、数据预处理单元、灰色模型预测单元、极限学习机预测单元、灰色极限学习机拟合误差序列单元、残差修正单元、ARIMA预处理单元、ARIMA预测单元以及灰色组合模型预测单元;
数据关联计算单元:用于根据LDTW距离的灰关联分析方法获取各个序列的影响因子,并筛选出影响因子序列;
考虑到收集到的历史农作物数据可能存在缺失等问题,本发明采用基于有限弯曲长度下的动态时间弯曲距离(DTW under limited warping path length,LDTW)的灰关联分析方法,使得该数据能够在缺失的情况下,不需补零从而对整体数据不会造成影响,具体可以参考中国专利CN108154189A中的LDTW灰关联方法进行实施。
具体可参考的过程包括:
(1)采用初值化方法对数据采集组件所采集的农作物数据的原始时间序列进行处理,将缺失数据的维度去掉,将过去K年的历史农作物产量数据作为参考数列y0(k),将过去L年的m类农作物数据作为比较序列yi(l),i=1,2,...,m;k=1,2,...,K,l=1,2,...,L;
(2)计算出参考数列y0(k)与比较序列yi(l)的最小两级差和最大两级差,利用分辨系数计算出参考序列与比较序列之间的关联度值;
(3)将m个比较序列对应的关联度值作为影响因子,并按照大小进行排列;
(4)筛选出关联度值大于0.9的序列作为影响因子序列。
数据预处理单元:用于将农作物数据的原始时间序列进行可行检验处理,确保该序列的级比都落在可容覆盖内;采用累加生成法对检验后的数据进行预处理;
在这个过程中,首先对该序列进行可行性判断,当级比λ(k)全部落在可行范围(可容覆盖)内时,才能对其进行灰色GM(1,1)建模,过程如下:
数据预处理单元实施的过程包括:采用的是累加生成法,处理后的累加生成AGO序列为:X(1)=[x(1)(1),x(1)(2),...,x(1)(n)];
进一步的,为了减少数据间的波动,增加序列结构的光滑性,使数据更趋于平稳,对累加序列X(1)计算紧邻均值Z(1):Z(1)=[z(1)(1),z(1)(2),...,z(1)(n)],X(1)(k-1)],k=2,3,...,n;
构建累加序列X(1)的一阶微分方程:其中,a称为发展灰数,参数a,b可由下式计算:[a,b]T=(BTB)-1BTY,式中:
灰色模型预测单元:用于选择预处理后距离待测时间点最近的部分历史产量数据,利用灰色模型预测出农作物产量;
GM(1,1)模型可以参考如下:对序列X(1)(k+1)进行累减还原,得到预测结果X(1)(k+1):然后利用该模型预测出相应年份的时间序列,例如:
例如,给定原始时间2014-2018年历史产量数据资料:
x(0)=(x(0)(1),x(0)(2),x(0)(3),x(0)(4),x(0)(5))=(60703,32144,61624,61790,65789),对x(0)做AGO生成,有x(1)=AGOx(0),则:
x(1)=(x(1)(1),x(1)(2),x(1)(3),x(1)(4),x(1)(5))=(60703,122847,184471,246261,312050);
为了减少数据间的波动,增加序列结构的平滑性,使数据更趋于平稳,对累加序列x(1)计算紧邻均值z(1):
z(1)=(z(1)(1),z(1)(2),z(1)(3),z(1)(4),z(1)(5))
这里:则:
z(1)=(30351,91775,153659,215366,279155);
构建累加序列x(1)的一阶微分方程:
其中a称为发展灰数,参数a,b可由下式计算[a,b]T=(BTB)-1BTY,式中:
代入得:
求解微分方程,得到GM(1,1)预测模型如下:
其中:a=-1.00896353,b=29760.3477,x(0)(1)=60703
x(1)(k+1)=90198.95978e1.00896353k+29495.95978;
对序列x(1)(k+1)进行累减还原,得到预测结果x(0)(k+1):
x(0)(k+1)=57312.71875e1.00896353k
极限学习机预测单元:用于将数据关联计算单元计算出的影响因子作为极限学习机的初始权值,利用影响因子序列以及历史产量数据训练权值,从而预测出当前的农作物产量;
假设影响因子大于0.9的序列有a个,将这a个影响因子作为输入权值矩阵Wi=[wi,1,wi,2,...,wi,a]T,i表示隐含层层数;
利用损失函数训练输出权值以及偏置量,使得输出的对应年份农作物产量与该年份实际的农作物产量之间的误差最小;损失函数可以采用交叉熵函数。
训练好极限学习机后,可以输入影响因子序列对应的当前的农作物数据,并对该数据进行归一化处理,从而预测出当前的农作物产量。
另一种实施方式中,选取极限学习机的滞后阶段为5(即极限学习机的输入节点数为5),构建极限学习机预测模型,其中极限学习机的激励函数为Sigmoid函数。
灰色极限学习机拟合误差序列单元:用于分别计算灰色模型以及极限学习机所预测出的农作物产量误差,通过加权求和的方式计算出农作物产量数据的拟合误差序列;
其中,计算出经过灰色极限学习机拟合误差序列单元处理后的最终预测序列:
其中,r为权值因子:0≤r<1,优选为0.9;qg表示灰色模型的权值系数,qe表示极限学习机模型的权值系数;Yg表示灰色模型预测的农作物产量;Ye表示极限学习机预测的农作物产量。
残差修正单元:用于计算出实际的农作物产量数据与拟合误差序列之间的残差序列,采用残差序列对农作物产量数据的拟合误差序列进行残差修正;
ARIMA预处理单元:将残差修正后的序列采用自相关函数进行平稳检验处理,采用差分运算处理,使得该序列为平稳序列;
ARIMA预测单元:对ARIMA预处理单元处理后的序列利用ARIMA建模,利用建模后的ARIMA预测模型对残差序列进行预测;
灰色组合模型预测单元:将预测出的农作物产量数据的拟合误差序列以及ARIMA预测模型预测出的残差序列进行求和,从而预测出农作物产量数据。
在一个实施例中,采用ARIMA预测模型对灰色模型的残差序列进行预测包括:
ARIMA预处理单元:在对数据做预处理之前应对数据的平稳性进行检验,如为平稳序列,则直接进行建模,如非平稳,则对数据进行查分处理,使序列变为平稳序列再进行建模。我们用自相关函数法进行数据的平稳性检验:在坚定序列的平稳时,首先对序列自相关函数进行如下定义:
在上式中,随着k值得增加,ρk值减小且趋于0时,就可以认为序列是平稳的,反之,如果随着k的增加ρk值也增加时,序列非平稳。
当原始数据序列经过检验判断为非平稳序列时,采用差分运算进行处理,现设非平稳序列为:
定义{εt}为白噪声序列,现对该非平稳序列进行d阶差分,即对上式求d阶倒数,得
展开一阶差分,即
▽Xt=Xt-Xt-1
则
Xt=▽Xt+Xt-1
通过上述差分运算后,提取出序列完整有效的信息。
ARIMA模型的识别与定阶
BIC准则计算公式
(1)对BIC进行对数运算得:
BIC(p,q)=ln(σ2)+2(p+q)ln(T)/T
(2)再进行似然函数变化可得:
BIC(p,q)=-2lnL/T+2(p+q)ln(T)/T
T表示总的样本数据,k=p+q表示参与运算的参数的数目;
使用最小二乘估计对模型的参数进行估计,就是使观测值之间的残差平方和达到最小,即
本发明中ARIMA模型采用滚动预测的方式,具体可参考如下:
(1)将误差序列的前m个元素w1,w2...wm作为模型输入,将第m+1个元素作为模型输出,进行单步预测;
(2)去掉误差序列w1,w2…wm中的第一个元素,然后从第二个元素开始取m个元素w2,w3…wm+1,构成新的输入序列,并将第m+1个元素作为输出,进行单步预测;
重复步骤(2)进行迭代,到未来第m+n个元素的预测值。
可选的,在一个实施例中,从获得的历史产量数据分别选择三组数据a1(1971-2010),a2(1981-2010),a3(1991-2010),对这三组数据分别建立灰色ARIMA组合模型进行拟合预测。通过对比分析知道a3预测精度最优,所以选择a3的农作物产量作为研究对象。然后选取2011-2015年间作为数据观测序列,对模型预测结果进行准确度验证。
然后GM(1,1)预测模型对的数据a2进行拟合,在几个关键节点处对数据差异值进行处理,取其波动平均,最后预测a4的农作物产量。
其次对农作物的实际数据和灰色模型拟合值求残差序列,再将非负处理后的灰色残差序列带入ARIMA模型进行平稳性检验。
如果序列为非平稳序列,需要对序列进行差分处理。对序列进行一阶差分处理,即d=1,此时,再判断序列是否平稳,如果还是非平稳,则进行二阶差分,如果平稳,则停止差分处理,对其相关性进行检验。最后再经BIC准则判定p和q的值,使模型的误差达到最小,即选定此时最优模型ARIMA(p,q)。
模型阶数确定后,运用上面选出的ARIMA(p,q)模型对灰色模型的残差修正值进行拟合,然后将ARIMA预测模型差分还原后的数据与灰色模型预测数据相加,即为ARIMA组合模型最终的预测结果。
本发明实施例提供的农作物产量预测系统适用于对一定区域内任意一种农作物的产量进行预测。一定区域可以是全国、若干个省份若干个城市、若干个县、若干个乡镇或若干个村,但不限于此。
本发明实施例提供的农作物产量监控系统,监控的是农作物一定时间的产量。例如,监控农作物今年的产量或当前生长季的产量。
可以理解的是,当农作物产量监控的范围为较大的区域,如全国、多个省时,若农作物的主要产区的分布不集中时,可以从农作物的主要产区中选取多个有代表性的城市,根据所选择的各城市的气象数据获取农作物的特征数据,若农作物的主要产区的分布集中时,或者农作物产量监控的范围为较小的区域,如一个城市时,可以从农作物的主要产区中选取多个城市,对所选择的各城市的气象数据进行处理,如求平均值或加权平均值,获取农作物的特征数据,也可以从农作物的主要产区中选择一个城市(农作物产量监控的范围为一个城市时,直接选择该城市),根据该城市的气象数据获取农作物的特征数据。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:ROM、RAM、磁盘或光盘等。
以上所举实施例,对本发明的目的、技术方案和优点进行了进一步的详细说明,所应理解的是,以上所举实施例仅为本发明的优选实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于灰色组合模型的农作物产量监控系统,所述系统包括在农作物生产基地安装的多个数据采集组件,农作物数据处理车间以及用户调用端;其特征在于,数据采集组件所采集的农作物数据包括农作物播种总面积,化肥总用量,有效灌溉面积,受灾面积,天气数据以及种植密度;农作物数据处理车间包括中心控制台,以及由中心控制台控制的数据接口模块、数据库、产量预测模块和数据通信模块;所述数据接口模块接收来自数据采集组件的农作物数据,所述数据库用于存储采集到的农作物数据以及产量预测模块所预测的农作物产量数据;所述产量预测模块用于调用灰色组合模型对农作物数据进行处理,并预测出当前的农作物产量数据;所述用户调用端通过数据通信模块请求与中心控制台进行通信,并调用中心控制台控制下产量预测模块所预测的农作物产量数据,对农作物产量数据进行监控。
2.根据权利要求1所述的一种基于灰色组合模型的农作物产量监控系统,其特征在于,所述用户调用端通过数据通信模块请求与中心控制台进行通信,并调用中心控制台控制下产量预测模块所预测的农作物产量数据包括灰色组合模块将其预测的农作物产量数据信息打包,包括预测结果、模型标识符与时序信息,并将其将其传输至数据库;中心控制平台调用数据库并获得对应的数据采集组件信息,包括该数据采集组件所在农作物生产基地的位置,连同预测信息打包为报告信息,将所述报告信息传输至数据通信模块;用户调用端通过数据通信模块向中心控制台发出调用请求,中心控制台响应后,控制数据通信模块将报告信息传输至用户调用端。
3.根据权利要求1所述的一种基于灰色组合模型的农作物产量监控系统,其特征在于,所述产量预测模块包括数据关联计算单元、数据预处理单元、灰色模型预测单元、极限学习机预测单元、灰色极限学习机拟合误差序列单元、残差修正单元、ARIMA预处理单元、ARIMA预测单元以及灰色组合模型预测单元;
数据关联计算单元:用于根据LDTW距离的灰关联分析方法获取各个序列的影响因子,并筛选出影响因子序列;
数据预处理单元:用于将农作物数据的原始时间序列进行可行检验处理,确保该序列的级比都落在可容覆盖内;采用累加生成法对检验后的数据进行预处理;
灰色模型预测单元:用于选择预处理后距离待测时间点最近的部分历史产量数据,利用灰色模型预测出农作物产量;
极限学习机预测单元:用于将数据关联计算单元计算出的影响因子作为极限学习机的初始权值,利用影响因子序列以及历史产量数据训练权值,从而预测出当前的农作物产量;
灰色极限学习机拟合误差序列单元:用于分别计算灰色模型以及极限学习机所预测出的农作物产量误差,通过加权求和的方式计算出农作物产量数据的拟合误差序列;
残差修正单元:用于计算出实际的农作物产量数据与拟合误差序列之间的残差序列,采用残差序列对农作物产量数据的拟合误差序列进行残差修正;
ARIMA预处理单元:将残差修正后的序列采用自相关函数进行平稳检验处理,采用差分运算处理,使得该序列为平稳序列;
ARIMA预测单元:对ARIMA预处理单元处理后的序列利用ARIMA建模,利用建模后的ARIMA预测模型对残差序列进行预测;
灰色组合模型预测单元:将预测出的农作物产量数据的拟合误差序列以及ARIMA预测模型预测出的残差序列进行求和,从而预测出农作物产量数据。
4.根据权利要求3所述的一种基于灰色组合模型的农作物产量监控系统,其特征在于,数据关联计算单元所运行的过程包括以下步骤:
(1)采用初值化方法对数据采集组件所采集的农作物数据的原始时间序列进行处理,将缺失数据的维度去掉,将过去K年的历史农作物产量数据作为参考数列y0(k),将过去L年的m类农作物数据作为比较序列yi(l),i=1,2,...,m;k=1,2,...,K,l=1,2,...,L;
(2)计算出参考数列y0(k)与比较序列yi(l)的最小两级差和最大两级差,利用分辨系数计算出参考序列与比较序列之间的关联度值;
(3)将m个比较序列对应的关联度值作为影响因子,并按照大小进行排列;
(4)筛选出关联度值大于0.9的序列作为影响因子序列。
5.根据权利要求3所述的一种基于灰色组合模型的农作物产量监控系统,其特征在于,所述极限学习机预测单元所运行的过程包括:
将影响因子序列作为极限学习机的输入,将对应的关联度值作为极限学习机中的输入权值;
计算出隐含层到输出层的连接权值;输出对应年份农作物产量;
利用损失函数训练输出权值以及偏置量,使得输出的对应年份农作物产量与该年份实际的农作物产量之间的误差最小;
在训练好的极限学习机中输入当前的农作物数据,预测出当前的农作物产量。
6.根据权利要求3所述的一种基于灰色组合模型的农作物产量监控系统,其特征在于,所述灰色极限学习机拟合误差序列单元所运行的过程包括:
计算出灰色模型预测单元所预测出的结果与实际的农作物产量数据之间的拟合误差序列;
根据灰色模型的拟合误差序列计算出灰色模型的权值系数;
计算出极限学习机模型单元所预测出的结果与实际的农作物产量数据之间的拟合误差序列;
根据极限学习机模型的拟合误差序列计算出极限学习机的权值系数;
计算出经过灰色极限学习机拟合误差序列单元处理后的最终预测序列:
其中,r为权值因子:0≤r<1;qg表示灰色模型的权值系数,qe表示极限学习机模型的权值系数;Yg表示灰色模型预测的农作物产量;Ye表示极限学习机预测的农作物产量。
7.根据权利要求3所述的一种基于灰色组合模型的农作物产量监控系统,其特征在于,所述残差修正单元所运行的过程包括找出拟合误差序列中的最小负数,并在拟合误差序列中的每个值中都叠加该最小负数的绝对值;形成新的拟合误差序列。
8.根据权利要求3所述的一种基于灰色组合模型的农作物产量监控系统,其特征在于,所述ARIMA预处理单元所运行的过程包括对拟合误差序列的平稳性进行检验,如为平稳序列,则直接进行建模,如非平稳,则对拟合误差序列进行差分处理,使该序列变为平稳序列再进行建模。
9.根据权利要求3所述的一种基于灰色组合模型的农作物产量监控系统,其特征在于,所述ARIMA预测单元所运行的过程包括:
判断残差修正后的误差序列的平稳性,并对该序列做ADF检验,确定差分阶数d;
对ARIMA预处理单元经过差分处理后的平稳序列建立滚动ARIMA模型,运用自相关分析法对序列的自相关和偏相关函数图做模型阶数的初步识别,然后经过BIC模型判断,找到最优模型p,q,并用该模型得到误差预测序列;
对误差预测序列进行差分还原得到待还原序列,将待还原序列还原成待预测的序列;
对滚动ARIMA模型拟合结果做白噪声检验,若未通过检验,则重新对拟合模型进行设定,直到通过白噪声检验。
10.根据权利要求3所述的一种基于灰色组合模型的农作物产量监控系统,其特征在于,所述灰色组合模型预测单元所运行的过程包括:灰色组合模型预测单元:
将灰色极限学习机拟合误差序列单元拟合的结果与修正过的结果还原序列相加,得出最后组合模型的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910830039.9A CN110516890B (zh) | 2019-09-04 | 2019-09-04 | 一种基于灰色组合模型的农作物产量监控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910830039.9A CN110516890B (zh) | 2019-09-04 | 2019-09-04 | 一种基于灰色组合模型的农作物产量监控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110516890A true CN110516890A (zh) | 2019-11-29 |
CN110516890B CN110516890B (zh) | 2022-06-03 |
Family
ID=68630699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910830039.9A Active CN110516890B (zh) | 2019-09-04 | 2019-09-04 | 一种基于灰色组合模型的农作物产量监控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516890B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111625762A (zh) * | 2020-04-29 | 2020-09-04 | 粤电集团贵州有限公司 | 风机故障诊断方法 |
CN111783356A (zh) * | 2020-06-29 | 2020-10-16 | 清华大学深圳国际研究生院 | 一种基于人工智能的石油产量预测方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766135A (zh) * | 2015-03-25 | 2015-07-08 | 中国农业科学院农业信息研究所 | 一种预测农作物产量的方法、装置及系统 |
US20160290918A1 (en) * | 2014-09-12 | 2016-10-06 | The Climate Corporation | Forecasting national crop yield during the growing season |
CN106060174A (zh) * | 2016-07-27 | 2016-10-26 | 昆山阳翎机器人科技有限公司 | 一种基于数据分析的农业指导系统 |
CN107392376A (zh) * | 2017-07-25 | 2017-11-24 | 中国农业科学院农业信息研究所 | 一种农作物气象产量预测方法及系统 |
CN108154189A (zh) * | 2018-01-10 | 2018-06-12 | 重庆邮电大学 | 基于ldtw距离的灰关联聚类方法 |
-
2019
- 2019-09-04 CN CN201910830039.9A patent/CN110516890B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160290918A1 (en) * | 2014-09-12 | 2016-10-06 | The Climate Corporation | Forecasting national crop yield during the growing season |
CN104766135A (zh) * | 2015-03-25 | 2015-07-08 | 中国农业科学院农业信息研究所 | 一种预测农作物产量的方法、装置及系统 |
CN106060174A (zh) * | 2016-07-27 | 2016-10-26 | 昆山阳翎机器人科技有限公司 | 一种基于数据分析的农业指导系统 |
CN107392376A (zh) * | 2017-07-25 | 2017-11-24 | 中国农业科学院农业信息研究所 | 一种农作物气象产量预测方法及系统 |
CN108154189A (zh) * | 2018-01-10 | 2018-06-12 | 重庆邮电大学 | 基于ldtw距离的灰关联聚类方法 |
Non-Patent Citations (1)
Title |
---|
曹培格: "基于灰色组合模型的粮食产量预测研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111625762A (zh) * | 2020-04-29 | 2020-09-04 | 粤电集团贵州有限公司 | 风机故障诊断方法 |
CN111783356A (zh) * | 2020-06-29 | 2020-10-16 | 清华大学深圳国际研究生院 | 一种基于人工智能的石油产量预测方法和装置 |
CN111783356B (zh) * | 2020-06-29 | 2024-03-29 | 清华大学深圳国际研究生院 | 一种基于人工智能的石油产量预测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110516890B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101098037B1 (ko) | 자동 가상 계측 시스템 및 방법 | |
CN104091074B (zh) | 一种基于经验模态分解的中长期水文预报方法 | |
CN107949812A (zh) | 用于检测配水系统中的异常的组合方法 | |
CN108875161A (zh) | 基于卷积神经网络深度学习的流量等级预测方法 | |
CN107767191A (zh) | 一种基于医药大数据预测药品销售趋势的方法 | |
CN116451879A (zh) | 一种干旱风险预测方法、系统及电子设备 | |
CN107992968A (zh) | 基于集成时间序列分析技术的电能表计量误差预测方法 | |
CN106663086A (zh) | 用于核回归模型的集体的设备和方法 | |
CN110516890A (zh) | 一种基于灰色组合模型的农作物产量监控系统 | |
CN108256546A (zh) | 一种非降水条件下大气边界层高度探测方法和系统 | |
CN111160680A (zh) | 一种基于信息同化融合的农业干旱评估方法 | |
CN111339633B (zh) | 基于数据变化特征模糊度量的热量表性能退化评估方法 | |
CN113393057A (zh) | 一种基于深度融合机器学习模型的小麦产量集成预测方法 | |
CN111275341A (zh) | 基于lasso及随机森林的高拱坝谷幅变形分析方法 | |
Liu et al. | Research on data correction method of micro air quality detector based on combination of partial least squares and random forest regression | |
CN110533109A (zh) | 一种喷涂生产监测数据的存储及特征分析方法及其装置 | |
CN108898220A (zh) | 污水处理出水tp区间预测方法 | |
CN109214268A (zh) | 一种基于集成流形学习的填料塔液泛状态在线监测方法 | |
WO2023245399A1 (zh) | 基于土地系统和气候变化耦合的水稻生产潜力模拟方法 | |
CN110487519A (zh) | 基于alo-inm与加权迹范数的结构损伤识别方法 | |
Adedotun et al. | Modelling and forecasting climate time series with state-space model | |
CN115907204A (zh) | 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法 | |
CN115203643A (zh) | 融合水文与生态要素的水源涵养功能定量诊断方法及系统 | |
CN108665090A (zh) | 基于主成分分析与Verhulst模型的城市电网饱和负荷预测方法 | |
JP4291992B2 (ja) | 圧力推定モデル構築システム |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |