搜索到437 篇“ 粮食产量预测 “的相关文章
灰色马尔可夫数学模型在陕西省粮食产量 预测 中的应用 2025年 粮食产量 系统具有随机性、非线性与动态性,传统单一预测 方法难以精准进行中长期预测 ,且精度较低。因此,本研究结合灰色GM(1,1)与马尔可夫模型预测 陕西粮食产量 。依据陕西粮食产量 历史数据构建GM(1,1)模型,捕捉潜在趋势规律;借助马尔可夫模型特性,考虑系统状态随机转移修正预测 值。研究发现,相较于单一的灰色预测 模型,灰色马尔可夫模型既能精准捕捉时间序列长期潜在趋势,又能凭状态转移概率刻画波动数据,其在波动大、规律复杂的中长期预测 时,展现出精度较高的优势。关键词：粮食产量 灰色预测 马尔可夫链 基于集成学习的甘肃省粮食产量 预测 2025年 预测 模型的侧重点不同导致粮食产量 预测 不够精准的问题,提出的方法是设计一个组合预测 模型,选取粮食 种植面积、农用机械总动力、农用化肥施用量、成灾面积、灌溉面积、最高温、最低温和日照时数这8个影响因素;选择并训练随机森林RF、梯度提升树GBDT和XGBoost 3种模型作为基模型,采用线性回归作为第二层模型集成输出最终的粮食产量 预测 的结果。该堆叠模型的决定系数为0.98,大于单个基模型的决定系数,同时均方根误差、平均绝对误差、均方误差也降低到最小,分别为6.32、4.32和40.00。结果表明,与单个模型相比,堆叠模型对于粮食产量 预测 具有更高的准确性和更强的鲁棒性。关键词：区域粮食安全 粮食产量预测 影响因素 基于Robust回归的湖北省粮食产量 预测 2025年 粮食产量 受自然气候条件影响较大,容易出现异常情况。因此,运用Robust回归模型对湖北省粮食产量 进行预测 。结果显示:平均预测 误差仅为0.93020%,比OLS回归的减小了5.9568%。关键词：粮食产量 播种面积 基于NSGM-ARIMA变权组合模型的粮食产量 预测 ——以1983-2022年的湖南省统计年鉴数据为例 2025年 粮食产量 预测 是保障国家粮食 安全和为稳定市场供应的重要依据,且播种面积是影响产量 的重要因素。以湖南省粮食产量 数据为例,首先,建立粮食产量 与播种面积之间的新结构多变量灰色预测 模型(new structure multi-variable grey prediction model,NSGM)和差分自回归移动平均预测 模型(autoregressive integrated moving average model,ARIMA),并对模型进行分析;其次,在残差变权法的基础上,基于NSGM-ARIMA模型提出一种新的变权组合预测 方法用于预测 ;最后,将新的变权方法与单个模型、等权组合法和残差变权法进行比较说明所提变权方法的有效性,可作为粮食产量 短期预测 的有效工具。关键词：ARIMA模型 改进鲸鱼算法构建反向传播神经网络粮食产量 预测 模型及效果分析 2025年 粮食 策略提供理论依据,提出一种基于改进鲸鱼优化算法(improved whale optimization algorithm,IWOA)的反向传播(back propagation,BP)神经网络混合算法(IWOA-BP)。该混合算法先通过引入改进收敛因子、非线性惯性权重和最优邻域扰动策略改进鲸鱼优化算法,再将其最优解赋值给BP神经网络的权值和阈值,最终提高IWOA-BP的收敛速度和收敛精度。选取全国近45年粮食 总产量 和7种影响因素(有效灌溉面积、化肥施用量、农村用电量、农业机械总动力、粮食 作物播种面积、受灾面积和农村人均消费支出)作为数据集,构建基于改进鲸鱼算法的反向传播神经网络粮食产量 预测 模型。多次实验表明,IWOA-BP模型在测试集上的表现均优于其他预测 模型,包括长短期记忆网络(long short-term memory network,LSTM)预测 模型、极限学习机(extreme learning machine,ELM)预测 模型、基于鲸鱼优化算法的BP神经网络(WOA-BP)预测 模型以及基于粒子群算法的BP神经网络(PSO-BP)预测 模型。IWOA-BP模型和ELM模型相比,前者的均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)分别降低了77.12%、88.18%;和LSTM模型相比,前者的RMSE、MAPE分别降低了69.11%、47.36%;和WOA-BP模型相比,前者的平均绝对误差(mean absolute error,MAE)、RMSE和MAPE分别降低了43.78%、43.22%、45.96%。和PSO-BP模型相比,前者的MAE、RMSE、MAPE分别降低了89.67%、90.61%、90.82%。因此IWOA-BP预测 模型的决定系数更高、预测 误差更小且收敛速度更快,可有效地预测 粮食产量 ,对于农业部门和相关政策制定者来说具有重要的技术参考价值。关键词：粮食产量 反向传播神经网络 基于Bayesian-LightGBM模型的粮食产量 预测 研究 被引量：3 2024年 粮食产量 预测 模型如灰色关联模型普遍存在训练速度较慢、预测 精度较低等问题。为解决该问题,以轻量级梯度提升机(LightGBM)模型为基础,将其损失函数修正为Huber损失函数,同时引入贝叶斯优化算法确定出最优超参数组合并输入该模型。以广西的早、晚水稻产量 及16个粮食产量 影响因素为数据集进行仿真试验,结果表明:基于线性回归的预测 模型的平均绝对值误差为1.255,基于决策树的预测 模型的平均绝对值误差为0.426,基于随机森林的预测 模型的平均值误差为0.315,基于Bayesian-LightGBM的预测 模型的平均绝对值误差为0.049。相比其他预测 模型,Bayesian-LightGBM粮食产量 预测 模型能够更有效地实现粮食产量 预测 ,预测 精度更高。关键词：粮食产量预测 粮食安全 基于粒子群优化GRU的粮食产量 预测 被引量：1 2024年 粮食产量 预测 是关系国计民生的重要问题,为了提高粮食产量 预测 的精度,本文提出了一种基于粒子群优化算法(PSO)—门控循环单元(Particle Swarm Optimization-Gate Recurrent Unit,PSO-GRU)的粮食产量 预测 模型。该模型利用PSO算法对GRU模型的关键参数进行寻优,解决了GRU易陷入局部最优解的问题;使用1949-2021年全国粮食产量 数据作为数据源,利用PSO-GRU模型对全国粮食产量 进行预测 ,并与GRU、PSO-RNN和PSO-LSTM等模型进行比较分析。实验结果表明,PSO-GRU模型能够充分挖掘时间序列特征,在全局收敛方面展现出显著优势,提高了粮食产量 预测 的准确性。关键词：粮食产量预测 粒子群优化算法 基于深度学习的粮食产量 预测 模型研究 2024年 粮食产量 受到气候、经济等多重因素的影响,具有非线性、非平稳等特性,给产量 预测 带来一定的困难。准确预测 粮食产量 有助于稳定粮食 生产、保障国家粮食 安全。以1978—2022年全国粮食产量 数据为例,预测 2020—2022年的粮食产量 。首先采用经验模态分解(empirical mode decomposition,EMD)算法对影响粮食产量 的变量进行分解,然后采用主成分分析(principal components analysis,PCA)方法对分解后的变量进行降维,最后使用长短期记忆网络(long short term memory networks,LSTM)模型对粮食产量 进行预测 。结果表明,LSTM模型、PCA-LSTM模型、EMD-LSTM模型和EMD-PCA-LSTM模型对粮食产量 预测 的平均绝对百分比误差分别为1.37%、0.97%、1.11%和0.79%,以EMD-PCA-LSTM模型的粮食产量 预测 结果最优,可作为一种新的粮食产量 预测 方法。关键词：粮食产量 时间序列 差分GWO优化RBFNN模型及粮食产量 预测 应用 2024年 粮食产量 预测 方法预测 精度的不足,提出一种融入差分进化自适应灰狼算法优化正则项径向基神经网络的粮食产量 预测 模型DEGWO-RBFNN。为提高灰狼算法的搜索精度,引入指数分布随机数初始化种群,提升初始种群质量;设计Sigmoid函数自适应缩放因子均衡算法搜索与开发;引入差分进化提高全局搜索能力。利用改进GWO搜索RBFNN超参数,解决网格调参易陷入局部最优及初值敏感的不足。实验结果表明,与GWO-RBFNN、RBFNN、DE-RBFNN、BPNN、GA-BPNN、支持向量机、随机森林相比,DEGWO-RBFNN预测 精度达到96.06%,比对比模型可提高2.47%~14.79%。关键词：径向基神经网络 粮食产量预测 差分进化 基于机器学习的辽宁省粮食产量 预测 模型分析 2024年 粮食产量 的相关数据进行了收集与整理,通过皮尔逊相关性分析确定了影响辽宁省粮食产量 的主要因素,并利用各影响因素与辽宁省粮食产量 关系图,在选择模型时优先考虑了非线性模型。具体而言,本研究采用了多层感知机(Multi-Layer Perceptron,MLP)、随机森林和XGBoost模型,并通过平均绝对误差(Mean Absolute Error,MAE)、均方根误差(Root Mean Squared Error,RMSE)和R方值(R-Squared)对比各模型的预测 准确性。结果表明,多层感知机模型有更高的预测 准确性,能够更精准地预测 粮食产量 。关键词：粮食产量预测 多层感知机
相关作者
陈锡康 作品数：142 被引量：1,121 H指数：18 供职机构：中国科学院数学与系统科学研究院 研究主题：投入占用产出技术 投入占用产出 投入占用产出表 投入产出表 出口 樊超 作品数：189 被引量：398 H指数：12 供职机构：河南工业大学 研究主题：储粮 结构类型 像移 底面 压力传感器 杨铁军 作品数：197 被引量：226 H指数：9 供职机构：河南工业大学 研究主题：储粮 结构类型 底面 图像 压强 郭亚菲 作品数：6 被引量：52 H指数：5 供职机构：河南工业大学信息科学与工程学院 研究主题：粮食产量 粮食产量预测 主成分分析 BP神经网络 极限学习机 程伟 作品数：36 被引量：158 H指数：7 供职机构：安徽大学 研究主题：高等数学 SVM 支持向量机 粮食产量预测 教学质量
