CN115358475B - 基于支持向量机和灰色bp神经网络的灾害预测方法和系统 - Google Patents

基于支持向量机和灰色bp神经网络的灾害预测方法和系统 Download PDF

Info

Publication number
CN115358475B
CN115358475B CN202211041039.9A CN202211041039A CN115358475B CN 115358475 B CN115358475 B CN 115358475B CN 202211041039 A CN202211041039 A CN 202211041039A CN 115358475 B CN115358475 B CN 115358475B
Authority
CN
China
Prior art keywords
model
prediction
discrete
disaster
neural network
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.)
Active
Application number
CN202211041039.9A
Other languages
English (en)
Other versions
CN115358475A (zh
Inventor
时雷
王健
孙佳佳
温暖
孙嘉玥
汪强
台海江
席磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan Agricultural University
Original Assignee
Henan Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan Agricultural University filed Critical Henan Agricultural University
Priority to CN202211041039.9A priority Critical patent/CN115358475B/zh
Publication of CN115358475A publication Critical patent/CN115358475A/zh
Application granted granted Critical
Publication of CN115358475B publication Critical patent/CN115358475B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Mining & Mineral Resources (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Alarm Systems (AREA)

Abstract

本申请提供了一种基于支持向量机和灰色BP神经网络的灾害预测方法和系统。该方法中，对预先得到的冬小麦晚霜冻害的灾变序列样本分别进行GM(1,1)模型、离散GM(1,1)模型和等维递补离散GM(1,1)模型预测；采用支持向量机回归模型通过残差修正；分别将等维递补离散GM(1,1)模型的预测结果和残差修正后的GM(1,1)模型、残差修正后的离散GM(1,1)模型的预测结果输入BP神经网络，得到灰色神经网络耦合模型，以对冬小麦晚霜冻害进行预测。籍此，有效提高了冻害预测的预测精度，解决了传统灰色模型在冻害预测中预测精度不高的问题，实现了冬小麦晚霜冻害的动态预测。

Description

基于支持向量机和灰色BP神经网络的灾害预测方法和系统
技术领域
本申请涉及农作物灾害预测技术领域，特别涉及一种基于支持向量机和灰色BP神经网络的灾害预测方法和系统。
背景技术
晚霜冻害是一种短时间突发性的低温农业气象灾害，是春季常见的气象灾害之一，冬小麦受其影响较深。晚霜冻害严重影响冬小麦幼穗分化进程时可造成60％以上的减产，使冬小麦生产遭受巨大损失。因此，准确地对晚霜冻害进行预测意义重大。
近年来，3S技术(遥感技术(Remote sensing，简称RS)、地理信息系统(Geographyinformation systems，简称GIS)、全球定位系统(Global positioning systems，简称GPS)的统称)和各种预测模型被广泛应用于晚霜冻害的监测和预警中，比如，灰色预测模型、回归预测模型、神经网络模型、支持向量机模型和马尔可夫模型等。但是，这些模型均采用传统的数据统计、时间序列分析和线性回归方法，对数据的完整性和连续性要求较高，且预测结果精度不高。
因而，亟需提供一种针对上述现有技术不足的技术方案。
发明内容
本申请的目的在于提供一种基于支持向量机和灰色BP神经网络的灾害预测方法和系统，以解决或缓解上述现有技术中存在的问题。
为了实现上述目的，本申请提供如下技术方案：
本申请提供一种基于支持向量机和灰色BP神经网络的灾害预测方法，包括：对预先得到的冬小麦晚霜冻害的灾变序列样本分别进行GM(1,1)模型、离散GM(1,1)模型和等维递补离散GM(1,1)模型预测；采用支持向量机回归模型分别对所述GM(1,1)模型、所述离散GM(1,1)模型的预测结果进行残差修正；分别将所述等维递补离散GM(1,1)模型的预测结果和残差修正后的GM(1,1)模型、以及残差修正后的离散GM(1,1)模型的预测结果输入BP神经网络，得到灰色神经网络耦合模型，以对冬小麦晚霜冻害进行预测。
优选的，所述GM(1,1)模型为：
x(0)(k)+ax(1)(k)＝b
其中，x(0)为冬小麦晚霜冻害的灾变序列样本X(0)中的灾变数据，x(0)(k)≥0；x(1)为冬小麦晚霜冻害的灾变序列样本的累加序列X(1)中的灾变数据；
Figure BDA0003820984960000021
k为进行模型预测时输入模型的灾变数据的数量，k＝1,2，…，n,n为冬小麦晚霜冻害的所述灾变序列样本中灾变数据的数量，n为自然数；X(0)＝(x(0)(1),x(0)(2),…,x(0)(n))，X(1)＝(x(1)(1),x(1)(2),…,x(1)(n))；a、b分别为所述GM(1,1)模型的发展系数和灰作用量，基于最小二乘法确定；所述离散GM(1,1)模型为：
x(1)(k+1)＝β1x(1)(k)+β2
β1、β2分别为所述离散GM(1,1)模型的发展系数和灰作用量，基于最小二乘法确定。
优选的，所述支持向量机回归模型为：
f(x)＝WTφ(x)+bP
其中，WT为估计函数f(x)的自变系数，φ(x)为非线性映射函数，bP为偏置量；x为冬小麦晚霜冻害的所述灾变序列样本中灾变数据。
优选的，所述采用支持向量机回归模型分别对所述GM(1,1)模型、所述离散GM(1,1)模型的预测结果进行残差修正，具体为：对所述GM(1,1)模型、所述离散GM(1,1)模型的预测结果与所述灾变序列样本中的真实值进行残差运算，分别得到所述GM(1,1)模型和离散GM(1,1)模型的残差序列；基于所述支持向量机回归模型对所述GM(1,1)模型和离散GM(1,1)模型的残差序列分别进行回归预测，并将回归预测的结果加入所述GM(1,1)模型、所述离散GM(1,1)模型的预测结果，以对所述GM(1,1)模型、所述离散GM(1,1)模型的预测结果进行修正。
优选的，所述分别将所述等维递补离散GM(1,1)模型的预测结果和残差修正后的GM(1,1)模型、以及残差修正后的离散GM(1,1)模型的预测结果输入BP神经网络，得到灰色神经网络耦合模型，具体为：根据所述等维递补离散GM(1,1)模型的预测结果和残差修正后的GM(1,1)模型、以及残差修正后的离散GM(1,1)模型的预测结果，基于标度共轭梯度算法的线性传递训练函数，对所述BP神经网络进行训练，得到所述灰色神经网络耦合模型。
优选的，所述方法还包括：分别采用平均相对误差、平均绝对百分比误差和均方误差比值，并基于预设的多个精度等级阈值对所述灰色神经网络耦合模型进行模型校验。
优选的，按照公式：
Figure BDA0003820984960000031
Figure BDA0003820984960000032
Figure BDA0003820984960000033
对所述灰色神经网络耦合模型进行模型校验；
其中，t为预测时间步；N表示进行模型预测的次数，N为自然数；yt为第t次预测时的预测结果；x(0)(t)为第t次预测时冬小麦晚霜冻害的所述灾变序列样本中的灾变数据；
Figure BDA0003820984960000034
为第t次预测时所述灾变序列样本中的灾变数据的平均值；ε(0)(t)为第t次预测时所述灾变序列样本中的灾变数据与其对应的预测结果的差；/>
Figure BDA0003820984960000035
为第t次预测时所述灾变序列样本中的灾变数据与其对应的预测结果的差平均值。
优选的，在对预先得到的冬小麦晚霜冻害的灾变序列样本分别进行GM(1,1)模型、离散GM(1,1)模型和等维递补离散GM(1,1)模型预测之前，所述方法还包括：按照公式：
Figure BDA0003820984960000036
确定所述灾变序列样本中的灾变数据的级比λ，以对得到的冬小麦晚霜冻害的灾变序列样本中的灾变数据进行级比校验；
其中，λ＝(λ(2)，λ(3)，…λ(n))，j为进行级比校验的次序，j＝2，…，J；J为级比校验的总次数，J为自然数；x(0)为冬小麦晚霜冻害的灾变序列样本中的灾变数据。
优选的，所述对得到的冬小麦晚霜冻害的灾变序列样本中的灾变数据进行级比校验包括：响应于所述灾变序列样本中的灾变数据的级比位于预设阈值区间，则根据得到的冬小麦晚霜冻害的所述灾变序列样本进行模型预测；
否则，按照公式：
y(0)(tc)＝x(0)(tc)+c
对所述灾变序列样本中的灾变数据进行平移变换，得到新的灾变序列样本y(0)，并计算新的灾变序列样本y(0)中的灾变数据的级比，直至新的灾变序列样本中的灾变数据的级比位于所述预设阈值区间，根据新的灾变序列样本进行模型预测；
其中，n为所述灾变序列样本中的灾变数据的数量，n为自然数，tc为所述灾变序列样本中灾变数据的次序，tc＝1，2，…，n-1；y(0)＝{x(0)(1)，x(0)(2)，…,x(0)(n-1)}；c为平移变换系数，取值为所述灾变序列样本中的灾变数据进行平移变换的次数。
本申请实施例还提供一种基于支持向量机和灰色BP神经网络的灾害预测系统，包括：样本预测单元，配置为对预先得到的冬小麦晚霜冻害的灾变序列样本分别进行GM(1,1)模型、离散GM(1,1)模型和等维递补离散GM(1,1)模型预测；残差修正单元，配置为采用支持向量机回归模型分别对所述GM(1,1)模型、所述离散GM(1,1)模型的预测结果进行残差修正；模型预测单元，配置为分别将所述等维递补离散GM(1,1)模型的预测结果和残差修正后的GM(1,1)模型、以及残差修正后的离散GM(1,1)模型的预测结果输入BP神经网络，得到灰色神经网络耦合模型，以对冬小麦晚霜冻害进行预测。
有益效果：
本申请的基于支持向量机和灰色BP神经网络的灾害预测技术中，对预先得到的冬小麦晚霜冻害的灾变序列样本分别进行GM(1,1)模型、离散GM(1,1)模型和等维递补离散GM(1,1)模型预测；采用支持向量机回归模型分别对GM(1,1)模型、离散GM(1,1)模型的预测结果进行残差修正；分别将等维递补离散GM(1,1)模型的预测结果和残差修正后的GM(1,1)模型、以及残差修正后的离散GM(1,1)模型的预测结果输入BP神经网络，得到灰色神经网络耦合模型，以对冬小麦晚霜冻害进行预测。籍此，通过支持向量机残差修正过的灰色BP神经网络模型预测冬小麦晚霜冻害，有效提高了冻害预测的预测精度，解决了传统灰色模型在冻害预测中预测精度不高的问题；同时，在模型的预测过程中，针对灰色预测模型预测预测结构越靠后精度逐渐降低的特点，通过不断等维递补离散方法，不断的加入新信息，同时去掉旧信息，保持出具序列与原序列的数据等维，依次递补预测，进而实现了冬小麦晚霜冻害的动态预测。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。其中：
图1为根据本申请的一些实施例提供的一种基于支持向量机和灰色BP神经网络的灾害预测方法的流程示意图；
图2为根据本申请的一些实施例提供的预设时间周期内终霜日相对日期序列的折线示意图；
图3为根据本申请的一些实施例提供的基于支持向量机和灰色BP神经网络构建灰色神经网络耦合模型的示意图；
图4为根据本申请的一些实施例提供的模型平均相对误差精度级别的对比示意图；
图5为根据本申请的一些实施例提供的模型平均绝对百分比误差精度级别的对比示意图；
图6为根据本申请的一些实施例提供的模型均方差比值精度级别的对比示意图；
图7为根据本申请的一些实施例提供的一种基于支持向量机和灰色BP神经网络的灾害预测系统的结构示意图。
具体实施方式
下面将参考附图并结合实施例来详细说明本申请。各个示例通过本申请的解释的方式提供而非限制本申请。实际上，本领域的技术人员将清楚，在不脱离本申请的范围或精神的情况下，可在本申请中进行修改和变型。例如，示为或描述为一个实施例的一部分的特征可用于另一个实施例，以产生又一个实施例。因此，所期望的是，本申请包含归入所附权利要求及其等同物的范围内的此类修改和变型。
如图1至图3所示，该基于支持向量机和灰色BP神经网络的灾害预测方法包括：
步骤S101、对预先得到的冬小麦晚霜冻害的灾变序列样本分别进行GM(1,1)模型、离散GM(1,1)模型和等维递补离散GM(1,1)模型预测；
步骤S102、采用支持向量机回归模型分别对GM(1,1)模型、离散GM(1,1)模型的预测结果进行残差修正；
步骤S103、分别将等维递补离散GM(1,1)模型的预测结果和残差修正后的GM(1,1)模型、以及残差修正后的离散GM(1,1)模型的预测结果输入BP神经网络，得到灰色神经网络耦合模型，以对冬小麦晚霜冻害进行预测。
在本申请实施例中，对获取的预设时间周期内冬小麦的终霜日数据进行预处理，筛选不同的灰色模型(GM(1,1)模型、离散GM(1,1)模型和等维递补离散GM(1,1))作为BP神经网络的输入；使用支持向量机对GM(1,1)模型、离散GM(1,1)模型的预测结果进行残差修正；利用BP神经网络将残差修正后的灰色模型和等维递补离散GM(1,1)模型的预测结果加入神经网络进行训练、建模，进而实现冬小麦晚霜冻害的预测及防灾减灾。
在本申请实施例中，GM(1,1)模型为：
x(0)(k)+ax(1)(k)＝b
其中，x(0)为冬小麦晚霜冻害的灾变序列样本X(0)中的灾变数据，x(0)(k)≥0；x(1)为冬小麦晚霜冻害的灾变序列样本的累加序列X(1)中的灾变数据；
Figure BDA0003820984960000071
k为进行模型预测时输入模型的灾变数据的数量，k＝1,2，…，n,n为冬小麦晚霜冻害的灾变序列样本中灾变数据的数量，n为自然数；X(0)＝(x(0)(1),x(0)(2),…,x(0)(n))，X(1)＝(x(1)(1),x(1)(2),…,x(1)(n))；a、b分别为GM(1,1)模型的发展系数和灰作用量。
具体的，定义预设时间周期内每年最后一次出现每日最低温度在0℃以下，为该年的终霜日，对预设时间周期内整理后的终霜日数据，在不考虑年份的情况下按照日期先后排序，将最早的终霜日期记录为零点，其后，各终霜日期与零点的间隔天数记录为相对日期，得到预设时间周期内终霜日相对日期序列。确定冬小麦晚霜冻害的最早灾变日期(零点，即最早的终霜日期)，并以此为基准做灾变折线图(即预设时间周期内终霜日相对日期序列的折线图)，对由灾变折线图确定的数据序列进行级比校验，由满足级比校验的数据得到原始灾变序列X(0)，有：
X(0)＝{x(0)(1)，x(0)(2)，…，x(0)(n)}
式中，x(0)为冬小麦晚霜冻害的灾变序列样本X(0)中的灾变数据，n为冬小麦晚霜冻害的灾变序列样本中灾变数据的数量，n为自然数；
对X(0)进行累加生成处理，得到序列X(1)，有：
X(1)＝{x(1)(1)，x(1)(2)，…，x(1)(n)，}
相应的白微分方程为：
Figure BDA0003820984960000072
在此，定义
Figure BDA0003820984960000073
基于最小二乘法确定GM(1,1)模型的发展系数a和灰作用量b，其中，
Figure BDA0003820984960000081
Figure BDA0003820984960000082
进而，GM(1,1)模型的时间响应函数为：
Figure BDA0003820984960000083
在本申请实施例中，离散GM(1,1)模型为：
x(1)(k+1)＝β1x(1)(k)+β2
其中，β1、β2分别为离散GM(1,1)模型的发展系数和灰作用量，基于最小二乘法确定，具体步骤流程参照上述GM(1,1)模型的发展系数和灰作用量的确定方法，在此，不再一一赘述。
在本申请中，离散GM(1,1)模型的解为：
Figure BDA0003820984960000084
离散GM(1,1)模型的时间响应函数为：
Figure BDA0003820984960000085
在一些可选实施例中，采用支持向量机回归模型分别对GM(1,1)模型、离散GM(1,1)模型的预测结果进行残差修正时，对GM(1,1)模型、离散GM(1,1)模型的预测结果与灾变序列样本中的真实值进行残差运算，分别得到GM(1,1)模型和离散GM(1,1)模型残差序列；然后，基于支持向量机回归模型对GM(1,1)模型和离散GM(1,1)模型的残差序列分别进行回归预测，并将回归预测的结果加入GM(1,1)模型、离散GM(1,1)模型的预测结果，以对GM(1,1)模型、离散GM(1,1)模型的预测结果进行修正。
在本申请实施例中，经过GM(1,1)模型、离散GM(1,1)模型进行灰色预测后，分别得到了两个模型的多步预测结果以及输入数据的模拟值，然后将得到的多步预测结果、输入数据的模拟值分别与预留真实值、原始序列(灾变序列样本)的真实值对应作差，得到对应的残差序列。在此，需要说明的是，本申请中，将原始灾变序列X(0)中的灾变数据的一部分输入各个模型，作为各个模型的输入数据，即原始灾变序列的真实值；原始灾变序列中的预留数据(除去输入数据外的数据)即为预留真实值；通过各个模型反演的输入数据的反演值即为输入数据的模拟值。
比如，对冬小麦晚霜冻害的原始灾变序列X(0)＝{x(0)(1)，x(0)(2)，…，x(0)(n)}，分别进行GM(1,1)模型、离散GM(1,1)模型预测，根据两个模型的时间响应函数得到对应的GM(1,1)模型的模拟值序列l(0)＝{x(0)(1),x(0)(2),…,x(0)(n)}，以及离散GM(1,1)模型的模拟值序列z(0)＝{x(0)(1),x(0)(2),…,x(0)(n)}，将两个模拟值序列和原始灾变序列分别对应作差，分别得到残差序列δ0＝{x(0)(1),x(0)(2),…,x(0)(n)}和δ1＝{x(1)(1),x(1)(2),…,x(1)(n)}。
本申请中，对GM(1,1)模型、离散GM(1,1)模型的残差序列分别采用滚动预测法进行数据扩充，采用支持向量机回归模型结合等维递补思想将数据按照“新的数据进来，旧的数据去除”的预设规则进行多组扩充。具体的，所采用的支持向量机回归模型为：
f(x)＝WTφ(x)+bP
其中，WT为估计函数f(x)的自变系数，φ(x)为非线性映射函数，bP为偏置量；x为冬小麦晚霜冻害的灾变序列样本中灾变数据。
在一具体的例子中，对GM(1,1)模型和离散GM(1,1)模型的残差序列分别采用滚动预测法进行数据扩充，对应的数据处理过程为：对残差序列δ＝{x(1),x(2),…,x(n)}采用滚动预测法整理数据，并通过支持向量机回归模型进行支持向量机回归，对应得到：
Figure BDA0003820984960000101
具体的，采用等维递补离散方法进行一次预测的输入数据(残差序列)为δ(1)＝{x(1)，x(2)，…，x(n)}，经过离散GM(1,1)模型预测后得到的结果为x(n+1)；那么，二次预测的输入数据为δ(2)＝{x(2)，x(3)，…，x(n+1)},经过离散GM(1,1)模型预测后得到的结果为x(n+2)；然后，三次预测的输入数据为δ(3)＝{x(3)，x(4)，…，x(n+2)}，经过离散GM(1,1)模型预测后得到的结果为x(n+3)……，依次循环，进行m(m为正整数)次预测的第m次预测时，模型的输入数据为δ(m)＝{x(m)，x(m+1)，…，x(n+m-1)},经过离散GM(1,1)模型预测后得到的结果为x(n+m)。也就是说，输入数据(残差序列)δ(1)＝{x(1)，x(2)，…，x(n)}在离散GM(1,1)模型中进行m次预测，最终得到的预测结果为{x(n+1)，x(n+2)，…，x(n+m)}。
在本申请中，采用等维递补方法，基于等维递补离散GM(1,1)模型对冬小麦晚霜冻害进行灰色预测，在预测过程中，针对灰色预测模型预测结果越靠后精度逐渐降低的特点，按照预设规则，不断加入新的信息，同时去掉旧信息，保持数据序列与原序列数据等维，即保证等维递补离散GM(1,1)模型的每次的输入数据(灾变序列样本)等维，依次进行递补预测，进而实现灰色模型的动态预测，有效降低由于灰色预测结果随时间外推灰度逐渐上升造成的误差。
在本申请中，在得到灰色神经网络耦合模型时，具体的，根据等维递补离散GM(1,1)模型的预测结果和残差修正后的GM(1,1)模型、以及残差修正后的离散GM(1,1)模型的预测结果，基于标度共轭梯度算法的线性传递训练函数，对BP神经网络进行训练，得到灰色神经网络耦合模型。
具体的，在BP神经网络模型中，输入层到隐藏层的连接权值为为wij，i＝1,2…,n，j＝1,2,…，隐藏层到输出层的连接权值为wjm，m＝1,2…，j＝1,2,…，隐藏层阈值为bi，输出层阈值为bm。在此，设置输入层节点为3，训练函数为Sigmoid函数，隐藏层节点为8，输出层节点为1，训练函数为线性传递函数，模型的训练函数为标度共轭梯度算法。然后，将残差修正后的GM(1,1)模型、残差修正后的离散GM(1,1)模型、等维递补离散GM(1,1)模型的预测结果作为BP神经网络的输入，真实值作为输出，训练构建灰色神经网络耦合模型。
在本申请实施例中，在模型训练完成后，将新的冬小麦的生产数据输入灰色神经网络耦合模型，对冬小麦的晚霜冻害进行预测。在一具体的例子中，该基于支持向量机和灰色BP神经网络的灾害预测方法还包括：分别采用平均相对误差、平均百分比误差和均方误差比值，并基于预设的多个精度等级阈值对灰色神经网络耦合模型进行模型校验。
在本申请中，如图4至图6所示，在模型建立后，采用平均相对误差、平均百分比误差和均方误差比值对模型进行校验时，预设的精度等级阈值如下表所示：
精度等级参照表
Figure BDA0003820984960000111
在本申请中，分别按照下列公式：
Figure BDA0003820984960000112
Figure BDA0003820984960000113
Figure BDA0003820984960000121
对灰色神经网络耦合模型进行模型校验。其中，t为预测时间步；N表示进行模型预测的次数，N为自然数；yt为第t次预测时的预测结果；x(0)(t)为第t次预测时冬小麦晚霜冻害的灾变序列样本中的灾变数据；
Figure BDA0003820984960000122
为第t次预测时灾变序列样本中的灾变数据的平均值；ε(0)(t)为第t次预测时灾变序列样本中的灾变数据与其对应的预测结果的差；/>
Figure BDA0003820984960000123
为第t次预测时灾变序列样本中的灾变数据与其对应的预测结果的差平均值。
在本申请实施例中，为进一步保证所建立的灰色神经网络耦合模型对冬小麦晚霜冻害预测的准确性，在此，按照公式：
Figure BDA0003820984960000124
确定灾变序列样本中的灾变数据的级比λ，以对得到的冬小麦晚霜冻害的灾变序列样本中的灾变数据进行级比校验；其中，λ＝(λ(2)，λ(3)，…λ(n))，j为进行级比校验的次序，j＝2，…，J；J为级比校验的总次数，J为自然数；x(0)为冬小麦晚霜冻害的灾变序列样本中的灾变数据。
具体的，响应于灾变序列样本中的灾变数据的级比位于预设阈值区间，则根据得到的冬小麦晚霜冻害的灾变序列样本进行模型预测；
否则，按照公式：
y(0)(tc)＝x(0)(tc)+c
对灾变序列样本中的灾变数据进行平移变换，得到新的灾变序列样本y(0)，并计算新的灾变序列样本y(0)中的灾变数据的级比，直至新的灾变序列样本中的灾变数据的级比位于预设阈值区间，根据新的灾变序列样本进行模型预测。
其中，n为灾变序列样本中的灾变数据的数量，n为自然数，tc为灾变序列样本中灾变数据的次序，tc＝1，2，…，n-1；y(0)＝{x(0)(1)，x(0)(2)，…,x(0)(n-1)}；c为平移变换系数，取值为灾变序列样本中的灾变数据进行平移变换的次数。
在一具体的例子中，对冬小麦晚霜冻害的灾变序列样本X(0)＝{x(0)(1)，x(0)(2)，…，x(0)(n)}进行级比校验，求级比
Figure BDA0003820984960000131
比如，有：
λ＝(λ(2)，λ(3)，…λ(n))＝(0.2019,0.9694,0.7169,0.7349,0.7400,0.8430,0.9190,0.9379,0.9526,0.7466,0.9727,0.9246,0.9823,0.9136,0.9170)
当数据序列X(0)的所有级比λ(t)都落在可容覆盖
Figure BDA0003820984960000132
时，则X(0)可以作为GM(1,1)模型的数据进行灰色预测，反之，则需要对数据序列进行变化处理，使其落入可容覆盖内。
比如，X(0)的级比判断结果如下：
Figure BDA0003820984960000133
对级比位于预设阈值区间外的数据，按照公式y(0)(tc)＝x(0)(tc)+c对进行平移变换，取常数c＝363，对X(0)(t＝1，2,3,…,16)进行平移变换处理，得到：
y(0)＝{x(0)(1)，x(0)(2)，…,x(0)(16)}＝{374.1538,418.2448,419.9872,471.1538,509.1538,536.3761,551.6538,564.1538，574.1538,645.8205,653.7692,677.4872,683.1538,713.4396,745.1538}
得到对应的级比值为：
Figure BDA0003820984960000134
经过验证，y(0)数据的所有级比
Figure BDA0003820984960000135
Figure BDA0003820984960000141
故可以用y(0)作GM(1,1)进行建模预测。
本申请提出的基于支持向量机和灰色BP神经网络的灾害预测方法，通过支持向量机残差修正过的灰色BP神经网络模型预测冬小麦晚霜冻害，有效提高了传统灰色模型在冻害预测中预测精度不高的问题；同时，在模型的预测过程中，针对灰色预测模型预测预测结构越靠后精度逐渐降低的特点，通过不断等维递补离散方法，不断的加入新信息，同时去掉旧信息，保持出具序列与原序列的数据等维，依次递补预测，进而实现了冬小麦晚霜冻害的动态预测，有效提升了灰色模型的预测精度。
本申请实施例提供的一种支持向量机和灰色BP神经网络的灾害预测系统，如图7所示，包括：
样本预测单元701，配置为对预先得到的冬小麦晚霜冻害的灾变序列样本分别进行GM(1,1)模型、离散GM(1,1)模型和等维递补离散GM(1,1)模型预测；残差修正单元702，配置为采用支持向量机回归模型分别对GM(1,1)模型、离散GM(1,1)模型的预测结果进行残差修正；模型预测单元703，配置为分别将等维递补离散GM(1,1)模型的预测结果和残差修正后的GM(1,1)模型、以及残差修正后的离散GM(1,1)模型的预测结果输入BP神经网络，得到灰色神经网络耦合模型，以对冬小麦晚霜冻害进行预测。
本申请实施例提供的基于支持向量机和灰色BP神经网络的灾害预测系统能够实现上述任一实施例的基于支持向量机和灰色BP神经网络的灾害预测方法的步骤、流程，并达到相同的技术效果，在此不再一一赘述。
以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (8)

1.一种基于支持向量机和灰色BP神经网络的灾害预测方法，其特征在于，包括：
对预先得到的冬小麦晚霜冻害的灾变序列样本分别进行GM(1,1)模型、离散GM(1,1)模型和等维递补离散GM(1,1)模型预测；
采用支持向量机回归模型分别对所述GM(1,1)模型、所述离散GM(1,1)模型的预测结果进行残差修正；
分别将所述等维递补离散GM(1,1)模型的预测结果和残差修正后的GM(1,1)模型、以及残差修正后的离散GM(1,1)模型的预测结果输入BP神经网络，得到灰色神经网络耦合模型，以对冬小麦晚霜冻害进行预测；
所述采用支持向量机回归模型分别对所述GM(1,1)模型、所述离散GM(1,1)模型的预测结果进行残差修正，具体为：
对所述GM(1,1)模型、所述离散GM(1,1)模型的预测结果与所述灾变序列样本中的真实值进行残差运算，分别得到所述GM(1,1)模型和离散GM(1,1)模型的残差序列；
基于所述支持向量机回归模型对所述GM(1,1)模型和离散GM(1,1)模型的残差序列分别进行回归预测，并将回归预测的结果加入所述GM(1,1)模型、所述离散GM(1,1)模型的预测结果，以对所述GM(1,1)模型、所述离散GM(1,1)模型的预测结果进行修正；
所述分别将所述等维递补离散GM(1,1)模型的预测结果和残差修正后的GM(1,1)模型、以及残差修正后的离散GM(1,1)模型的预测结果输入BP神经网络，得到灰色神经网络耦合模型，具体为：
根据所述等维递补离散GM(1,1)模型的预测结果和残差修正后的GM(1,1)模型、以及残差修正后的离散GM(1,1)模型的预测结果，基于标度共轭梯度算法的线性传递训练函数，对所述BP神经网络进行训练，得到所述灰色神经网络耦合模型。
2.根据权利要求1所述的基于支持向量机和灰色BP神经网络的灾害预测方法，其特征在于，
所述GM(1,1)模型为：
x(0)(k)+ax(1)(k)＝b
其中，x(0)为冬小麦晚霜冻害的灾变序列样本X(0)中的灾变数据，x(0)(k)≥0；x(1)为冬小麦晚霜冻害的灾变序列样本的累加序列X(1)中的灾变数据；
Figure FDA0004198996320000021
k为进行模型预测时输入模型的灾变数据的数量，k＝1,2，…，n,n为冬小麦晚霜冻害的所述灾变序列样本中灾变数据的数量，n为自然数；X(0)＝(x(0)(1),x(0)(2),…,x(0)(n))，X(1)＝(x(1)(1),x(1)(2),…,x(1)(n))；
a、b分别为所述GM(1,1)模型的发展系数和灰作用量，基于最小二乘法确定；
所述离散GM(1,1)模型为：
x(1)(k+1)＝β1x(1)(k)+β2
β1、β2分别为所述离散GM(1,1)模型的发展系数和灰作用量，基于最小二乘法确定。
3.根据权利要求1所述的基于支持向量机和灰色BP神经网络的灾害预测方法，其特征在于，所述支持向量机回归模型为：
f(x)＝WTφ(x)+bP
其中，WT为估计函数f(x)的自变系数，φ(x)为非线性映射函数，bP为偏置量；x为冬小麦晚霜冻害的所述灾变序列样本中灾变数据。
4.根据权利要求1-3任一所述的基于支持向量机和灰色BP神经网络的灾害预测方法，其特征在于，所述方法还包括：
分别采用平均相对误差、平均绝对百分比误差和均方误差比值，并基于预设的多个精度等级阈值对所述灰色神经网络耦合模型进行模型校验。
5.根据权利要求4所述的基于支持向量机和灰色BP神经网络的灾害预测方法，其特征在于，按照公式：
Figure FDA0004198996320000031
Figure FDA0004198996320000032
Figure FDA0004198996320000033
对所述灰色神经网络耦合模型进行模型校验；
其中，t为预测时间步；N表示进行模型预测的次数，N为自然数；yt为第t次预测时的真实结果；
Figure FDA0004198996320000034
为第t次预测时的预测结果；x(0)(t)为第t次预测时冬小麦晚霜冻害的所述灾变序列样本中的灾变数据；/>
Figure FDA0004198996320000035
为第t次预测时所述灾变序列样本中的灾变数据的平均值；ε(0)(t)为第t次预测时所述灾变序列样本中的灾变数据与其对应的预测结果的差；/>
Figure FDA0004198996320000036
为第t次预测时所述灾变序列样本中的灾变数据与其对应的预测结果的差平均值。
6.根据权要求1-3任一所述的基于支持向量机和灰色BP神经网络的灾害预测方法，其特征在于，在对预先得到的冬小麦晚霜冻害的灾变序列样本分别进行GM(1,1)模型、离散GM(1,1)模型和等维递补离散GM(1,1)模型预测之前，所述方法还包括：
按照公式：
Figure FDA0004198996320000041
确定所述灾变序列样本中的灾变数据的级比λ，以对得到的冬小麦晚霜冻害的灾变序列样本中的灾变数据进行级比校验；
其中，λ＝(λ(2)，λ(3)，…λ(n))，j为进行级比校验的次序，j＝2，…，J；J为级比校验的总次数，J为自然数；x(0)为冬小麦晚霜冻害的灾变序列样本中的灾变数据。
7.根据权利要求6所述的基于支持向量机和灰色BP神经网络的灾害预测方法，其特征在于，所述对得到的冬小麦晚霜冻害的灾变序列样本中的灾变数据进行级比校验包括：
响应于所述灾变序列样本中的灾变数据的级比位于预设阈值区间，则根据得到的冬小麦晚霜冻害的所述灾变序列样本进行模型预测；否则，按照公式：
y(0)(tc)＝x(0)(tc)+c
对所述灾变序列样本中的灾变数据进行平移变换，得到新的灾变序列样本y(0)，并计算新的灾变序列样本y(0)中的灾变数据的级比，直至新的灾变序列样本中的灾变数据的级比位于所述预设阈值区间，根据新的灾变序列样本进行模型预测；
其中，n为所述灾变序列样本中的灾变数据的数量，n为自然数，tc为所述灾变序列样本中灾变数据的次序，tc＝1，2，…，n-1；y(0)＝{x(0)(1)，x(0)(2)，…,x(0)(n-1)}；c为平移变换系数，取值为所述灾变序列样本中的灾变数据进行平移变换的次数。
8.一种基于支持向量机和灰色BP神经网络的灾害预测系统，其特征在于，包括：
样本预测单元，配置为对预先得到的冬小麦晚霜冻害的灾变序列样本分别进行GM(1,1)模型、离散GM(1,1)模型和等维递补离散GM(1,1)模型预测；
残差修正单元，配置为采用支持向量机回归模型分别对所述GM(1,1)模型、所述离散GM(1,1)模型的预测结果进行残差修正；
模型预测单元，配置为分别将所述等维递补离散GM(1,1)模型的预测结果和残差修正后的GM(1,1)模型、以及残差修正后的离散GM(1,1)模型的预测结果输入BP神经网络，得到灰色神经网络耦合模型，以对冬小麦晚霜冻害进行预测；
所述采用支持向量机回归模型分别对所述GM(1,1)模型、所述离散GM(1,1)模型的预测结果进行残差修正，具体为：
对所述GM(1,1)模型、所述离散GM(1,1)模型的预测结果与所述灾变序列样本中的真实值进行残差运算，分别得到所述GM(1,1)模型和离散GM(1,1)模型的残差序列；
基于所述支持向量机回归模型对所述GM(1,1)模型和离散GM(1,1)模型的残差序列分别进行回归预测，并将回归预测的结果加入所述GM(1,1)模型、所述离散GM(1,1)模型的预测结果，以对所述GM(1,1)模型、所述离散GM(1,1)模型的预测结果进行修正；
所述分别将所述等维递补离散GM(1,1)模型的预测结果和残差修正后的GM(1,1)模型、以及残差修正后的离散GM(1,1)模型的预测结果输入BP神经网络，得到灰色神经网络耦合模型，具体为：
根据所述等维递补离散GM(1,1)模型的预测结果和残差修正后的GM(1,1)模型、以及残差修正后的离散GM(1,1)模型的预测结果，基于标度共轭梯度算法的线性传递训练函数，对所述BP神经网络进行训练，得到所述灰色神经网络耦合模型。
CN202211041039.9A 2022-08-29 2022-08-29 基于支持向量机和灰色bp神经网络的灾害预测方法和系统 Active CN115358475B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211041039.9A CN115358475B (zh) 2022-08-29 2022-08-29 基于支持向量机和灰色bp神经网络的灾害预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211041039.9A CN115358475B (zh) 2022-08-29 2022-08-29 基于支持向量机和灰色bp神经网络的灾害预测方法和系统

Publications (2)

Publication Number Publication Date
CN115358475A CN115358475A (zh) 2022-11-18
CN115358475B true CN115358475B (zh) 2023-05-30

Family

ID=84004432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211041039.9A Active CN115358475B (zh) 2022-08-29 2022-08-29 基于支持向量机和灰色bp神经网络的灾害预测方法和系统

Country Status (1)

Country Link
CN (1) CN115358475B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103258243A (zh) * 2013-04-27 2013-08-21 杭州电子科技大学 基于灰色神经网络的爆管预测方法
CN105809293A (zh) * 2016-03-29 2016-07-27 国网青海省电力公司 一种多模型风电场短期功率组合预测方法
CN107679657A (zh) * 2017-09-28 2018-02-09 黑龙江省科学院火山与矿泉研究所 一种用于矿泉的水质预测方法
CN114611820A (zh) * 2022-03-23 2022-06-10 南京信息工程大学 一种非等间距灰色bp神经网络深基坑变形预测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103730006B (zh) * 2014-01-26 2015-12-02 吉林大学 一种短时交通流量的组合预测方法
CN106529729A (zh) * 2016-11-18 2017-03-22 同济大学 基于BP_Adaboost模型的信用卡用户违约的预测方法及系统
CN107180261B (zh) * 2017-06-08 2020-03-17 南京农业大学 基于滚动bp神经网络的温室小气候中长期预测方法
CN107368928B (zh) * 2017-08-03 2021-05-04 西安科技大学 一种古建筑沉降的组合预测方法及系统
CN107705556A (zh) * 2017-09-01 2018-02-16 南京邮电大学 一种基于支持向量机和bp神经网络结合的交通流预测方法
CN111581832B (zh) * 2020-05-12 2023-01-03 哈尔滨工程大学 一种基于ARMA模型修正的改进灰色Elman神经网络气垫船运动预报方法
CN111861552A (zh) * 2020-07-14 2020-10-30 河南农业大学 一种基于shd-elm的农产品价格预测方法
CN114154768A (zh) * 2020-09-07 2022-03-08 中国石油化工股份有限公司 天然气需求预测方法、装置、电子设备及介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103258243A (zh) * 2013-04-27 2013-08-21 杭州电子科技大学 基于灰色神经网络的爆管预测方法
CN105809293A (zh) * 2016-03-29 2016-07-27 国网青海省电力公司 一种多模型风电场短期功率组合预测方法
CN107679657A (zh) * 2017-09-28 2018-02-09 黑龙江省科学院火山与矿泉研究所 一种用于矿泉的水质预测方法
CN114611820A (zh) * 2022-03-23 2022-06-10 南京信息工程大学 一种非等间距灰色bp神经网络深基坑变形预测方法

Also Published As

Publication number Publication date
CN115358475A (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN111258297B (zh) 基于数据融合网络的设备健康指标构建及寿命预测方法
CN111950627B (zh) 一种多源信息融合方法及其应用
CN112507610B (zh) 一种热轧卷取温度的区间预测方法
CN112149879A (zh) 一种计及宏观波动性分类的新能源中长期电量预测方法
CN110083910B (zh) 一种基于nsga-ⅱ的混沌时间序列预测样本获取方法
CN114254802B (zh) 气候变化驱动下植被覆盖时空变化的预测方法
CN110276477B (zh) 一种基于分层贝叶斯网络和增量学习的洪水预报方法
CN114021830A (zh) 一种基于cnn-lstm的多时间范围风速预测方法
CN111680398B (zh) 一种基于Holt-Winters模型的单机性能退化预测方法
CN114896872A (zh) 一种高压输电线路覆冰状态综合评估方法
CN115358475B (zh) 基于支持向量机和灰色bp神经网络的灾害预测方法和系统
CN113807583A (zh) 基于低频增量时空耦合的动力统计结合的次季节预测方法
CN114971090A (zh) 一种电供暖负荷预测方法、系统、设备和介质
CN109272144B (zh) 基于bpnn的中国北方草原地区ndvi的预测方法
Harudin et al. An overview of taguchi’S T-method as A prediction tool for multivariate analysis
CN115310258A (zh) 一种基于lstm的地下管道寿命预测方法
CN116029451A (zh) 道路结构长期性能监测评价方法及系统
CN116522774A (zh) 基于迁移学习算法的土质边坡稳定性预测方法及预测平台
CN113487069A (zh) 一种基于grace日降尺度和新型dwsdi指数的区域洪涝灾害风险评估方法
CN109886497B (zh) 基于纬度改进的反距离加权法的地面气温插值方法
CN113077110A (zh) 一种基于gru的调和残差分段式潮位预测方法
Varentsova et al. Forecasting water inflow into the Tsimlyansk Reservoir during spring flood under current climate conditions: problems and reproducibility
CN113742929A (zh) 一种针对格点气象实况的数据质量评价方法
CN110556595A (zh) 储能用磷酸铁锂电池安全管理系统的质态失衡预测方法
CN117670000B (zh) 基于组合预测模型的泵站供水量预测方法

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