本發(fā)明涉及一種糧食產(chǎn)量短期預測方法及裝置，尤其是一種基于歷年糧食產(chǎn)量數(shù)據(jù)時間序列貢獻率的糧食產(chǎn)量短期預測方法，屬于糧食安全
技術領域：
。
背景技術：
：糧食產(chǎn)業(yè)作為農業(yè)的重要組成部分，其意義不言而喻。自古以來無糧則不穩(wěn)，糧食產(chǎn)量的高低，對穩(wěn)定我國安定團結的政治局面，順利開展我國社會主義現(xiàn)代化各項事業(yè)建設、構建社會主義和諧社會等都具有重要意義。同時，作為糧食安全保障的一個重要組成部分，糧食的產(chǎn)量安全是我國應對國際糧食危機的重要舉措之一。對我國糧食總產(chǎn)量以及主要糧食產(chǎn)品進行預測,有利于調整糧食生產(chǎn)的品種與結構，有利于黨中央國務院對糧食生產(chǎn)相關方面的部署和調整,從而關系著現(xiàn)代農業(yè)的建設。事實證明，糧食的產(chǎn)量安全是經(jīng)濟社會發(fā)展的有力保證，是國家安全的重要基礎。因此,對糧食產(chǎn)量的預測與國家安全息息相關，將有助于政府部門制定有關糧食的宏觀調控政策。國內外的相關研究中，不少學者構建了許多很有價值的理論假說和預測模型，主要有4類：氣候生產(chǎn)力模型、遙感技術預測模型、投入產(chǎn)出模型、多元回歸和因子分析模型。這些模型和方法從不同角度對糧食產(chǎn)量預測進行了研究，如氣候生產(chǎn)力模型，將糧食產(chǎn)量分離成經(jīng)濟技術產(chǎn)量和氣象產(chǎn)量，兩者綜合建立糧食總產(chǎn)量預測模型，這種模型首次引入了氣象和氣候因子，但需要大量氣候和氣象數(shù)據(jù)，預測精度較低并且不能實現(xiàn)連續(xù)多年的長期預測；遙感預測基于遙感圖像，通過對圖像數(shù)據(jù)的處理、分析，實現(xiàn)對糧食產(chǎn)量的宏觀預測，但該方法在設備和技術方面的投資較大，同時由于遙感圖像易受到天氣、土壤顏色、植被等多方面的影響，導致預測精度不高；投入產(chǎn)出模型應用投入產(chǎn)出占用技術及系統(tǒng)科學方法實現(xiàn)對糧食產(chǎn)量、糧食進口量及自給率等多方面的綜合分析，但多用于長期趨勢分析，短期預測精度較低；多元回歸和因子分析模型能夠綜合分析多方面影響因子的作用，但所需數(shù)據(jù)量較大，計算復雜，計算精度對數(shù)據(jù)的依存度較高。由于影響糧食產(chǎn)量的因素諸多，如糧食作物播種面積、化肥施用量、糧食作物有效灌溉面積、受災面積、農村用電量、農業(yè)機械總動力等，若全面考慮所有因素對糧食產(chǎn)量的影響勢必使預測系統(tǒng)復雜、計算量大等缺點。技術實現(xiàn)要素：本發(fā)明的目的是提供一種糧食產(chǎn)量短期預測方法及裝置，以解決現(xiàn)有預測方法在糧食產(chǎn)量預測中存在計算復雜、預測精度差以及所需數(shù)據(jù)量大的問題。本發(fā)明為解決上述技術問題而提供一種糧食產(chǎn)量短期預測方法，該預測方法的步驟如下：1)選取最近N年的糧食產(chǎn)量數(shù)據(jù)作為原始序列X10，對原始序列進行灰度預測，得到相應的灰度預測序列2)計算原始序列X10和灰度預測序列對應元素之間的比值，并將比值進行狀態(tài)劃分，判斷比值序列中每個元素所處的區(qū)間，將比值序列轉化為狀態(tài)序列S；3)根據(jù)狀態(tài)序列S和區(qū)間劃分，由灰度預測序列得到新的預測矩陣4)根據(jù)狀態(tài)序列S的元素值，得到狀態(tài)轉移頻數(shù)矩陣F，并將此狀態(tài)轉移頻數(shù)矩陣轉換成狀態(tài)轉移概率矩陣P(1)；5)根據(jù)狀態(tài)轉移概率矩陣P(1)，選取距離預測年份最近的Q個年份，根據(jù)新的預測矩陣計算各階自相關系數(shù)ark，并對各階自相關系數(shù)進行歸一化，得到權重系數(shù)序列W；6)計算各階轉移概率密度矩陣P(2)、P(3)、…、P(Q)，并根據(jù)各階轉移概率密度矩陣確定每一年的狀態(tài)對預測年份所處狀態(tài)的影響概率；7)根據(jù)權重系數(shù)W和每一年的狀態(tài)對預測年份所處狀態(tài)的影響概率計算預測年份處于各狀態(tài)的概率pi；8)利用得到的概率pi對步驟1)中的灰度預測序列進行修正預測，得到第N+1年的修正預測值9)將得到第N+1年的修正預測值添加到原始序列X10中，構成新的數(shù)據(jù)序列X20，重復步驟1)-8)，即可得到第N+2年的預測值重復上述過程，即可實現(xiàn)對糧食產(chǎn)量的短期預測。步驟1)中的預測序列的計算過程如下：A.利用灰色GM(1,1)模型得到原始序列的預測序列并由此模型得到第N+1年的預測值B.計算預測序列的誤差，并將構成的誤差序列轉化為非負序列；C.對非負誤差序列進行預測，并對其預測結果進行修正；D.將預測序列與誤差序列逐項相加，即可得到灰度修正后的糧食產(chǎn)量預測序列第N+1年的修正預測值為：x^N+1(11)′=Σi=1Mpi×12×(qi-1×x^N+1(11)+qi×x^N+1(11))]]>其中pi為第N+1年處于各狀態(tài)的概率，qi為比值序列所在第i個區(qū)間的上限值，qi-1為比值序列所在第i個區(qū)間的下限值，為灰度預測序列中所預測出的第N+1年的產(chǎn)量。新的預測矩陣中元素的計算公式為：y^i=12(qL-1×x^i(11)+qL×x^i(11))]]>其中L為灰度預測序列中第i個元素所對應的ri的區(qū)間，qL為比值序列所在第L個區(qū)間的上限值，qL-1為比值序列所在第L個區(qū)間的下限值。狀態(tài)轉移概率矩陣P(1)為：其中，即某一狀態(tài)轉移頻數(shù)出現(xiàn)的概率，元素fij表示狀態(tài)序列中由狀態(tài)i轉向狀態(tài)j的頻數(shù)。各階自相關系數(shù)ark的計算公式如下：ark=Σi=1n-k(y^i-y^‾)(y^i+k-y^‾)Σi=1n-k(y^i-y^‾)2,(k=1,2,...,Q)]]>其中為步驟3)中得到的新預測矩陣中的元素。處于狀態(tài)i的概率pi計算公式如下：pi=Σj=1Qwj×pAji(j),i∈[1,2,...,M]]]>其中Q為所選取的距離預測年份最近的年份數(shù)，wj為距離預測年份最近的第j年所占的權重系數(shù)，M為所分的狀態(tài)數(shù)，為距離預測年份最近的第j年的狀態(tài)對預測年份狀態(tài)確定的概率。本發(fā)明還提供了一種糧食產(chǎn)量短期預測裝置，該預測裝置包括灰度預測模塊、狀態(tài)序列確定模塊、新的預測矩陣計算模塊、狀態(tài)轉移概率矩陣計算模塊、權重系數(shù)序列計算模塊、狀態(tài)概率pi計算模塊和修正預測值計算模塊，所述灰度預測模塊用于選取最近N年的糧食產(chǎn)量數(shù)據(jù)作為原始序列X10，對原始序列進行灰度預測，得到相應的灰度預測序列所述狀態(tài)序列確定模塊用于計算原始序列X10和灰度預測序列對應元素之間的比值，并將比值進行狀態(tài)劃分，判斷比值序列中每個元素所處的區(qū)間，將比值序列轉化為狀態(tài)序列S；所述新的預測矩陣計算模塊用于根據(jù)狀態(tài)序列S和區(qū)間劃分，由灰度預測序列得到新的預測矩陣所述狀態(tài)轉移概率矩陣計算模塊用于根據(jù)狀態(tài)序列S的元素值，得到狀態(tài)轉移頻數(shù)矩陣F，并將此狀態(tài)轉移頻數(shù)矩陣轉換成狀態(tài)轉移概率矩陣P(1)；所述權重系數(shù)序列計算模塊用于根據(jù)狀態(tài)轉移概率矩陣P(1)，選取距離預測年份最近的Q個年份，根據(jù)新的預測矩陣計算各階自相關系數(shù)ark，并對各階自相關系數(shù)進行歸一化，得到權重系數(shù)序列W；所述狀態(tài)概率pi計算模塊用于計算各階轉移概率密度矩陣P(2)、P(3)、…、P(Q)，并根據(jù)各階轉移概率密度矩陣確定每一年的狀態(tài)對預測年份所處狀態(tài)的影響概率，并根據(jù)根據(jù)權重系數(shù)W和每一年的狀態(tài)對預測年份所處狀態(tài)的影響概率計算預測年份處于各狀態(tài)的概率pi；所述修正預測值計算模塊用于利用得到的概率pi對步驟1)中的灰度預測序列進行修正預測，得到第N+1年的修正預測值并將得到第N+1年的修正預測值添加到原始序列X10中，構成新的數(shù)據(jù)序列X20，重復上述過程，即可實現(xiàn)對糧食產(chǎn)量的短期預測。所述灰度預測模塊得到預測序列的過程如下：A.利用灰色GM(1,1)模型得到原始序列的預測序列并由此模型得到第N+1年的預測值B.計算預測序列的誤差，并將構成的誤差序列轉化為非負序列；C.對非負誤差序列進行預測，并對其預測結果進行修正；D.將預測序列與誤差序列逐項相加，即可得到灰度修正后的糧食產(chǎn)量預測序列所述修正預測值計算模塊得到的第N+1年的修正預測值為：x^N+1(11)′=Σi=1Mpi×12×(qi-1×x^N+1(11)+qi×x^N+1(11))]]>其中pi為第N+1年處于各狀態(tài)的概率，qi為比值序列所在第i個區(qū)間的上限值，qi-1為比值序列所在第i個區(qū)間的下限值，為灰度預測序列中所預測出的第N+1年的產(chǎn)量。本發(fā)明的有益效果是:本發(fā)明首先采用灰度預測方法得到灰度預測結果，然后考慮距離預測年份較近的若干年產(chǎn)量數(shù)據(jù)的影響，通過計算每年對預測年糧食產(chǎn)量影響的相關系數(shù)，確定每年的影響權重和影響概率，進而對預測結果進行修正，并將該結果加入原始數(shù)據(jù)序列，以得到更為精確的產(chǎn)量預測數(shù)據(jù)。本發(fā)明的糧食產(chǎn)量短期預測方法綜合考慮了各影響因素對糧食產(chǎn)量影響具有持續(xù)性和延續(xù)性的特點，所需數(shù)據(jù)量少，算法簡單，能夠快速、準確預測出短期糧食產(chǎn)量。附圖說明圖1是本發(fā)明糧食產(chǎn)量短期預測方法的流程圖。具體實施方式下面結合附圖對本發(fā)明的具體實施方式做進一步的說明。本發(fā)明的一種糧食產(chǎn)量短期預測方法的實施例本發(fā)明的糧食產(chǎn)量預測方法依據(jù)糧食產(chǎn)量數(shù)據(jù)和預測誤差數(shù)據(jù)的特點，將灰度預測方法和ARIMA方法相結合得到準確的預測結果，同時考慮距離預測年份較近的若干年產(chǎn)量數(shù)據(jù)的影響，通過計算每年對預測年糧食產(chǎn)量影響的相關系數(shù)，確定每年的影響權重和影響概率，進而對預測結果進行修正，并將該結果加入原始數(shù)據(jù)序列，以得到更為精確的產(chǎn)量預測數(shù)據(jù)。該方法的流程如圖1所示，具體的實施過程如下：1、選取最近N年糧食產(chǎn)量數(shù)據(jù)，構成序列X10，X10＝[x1，x2，…，xN]，利用灰度建模方法構造此序列的灰色GM(1,1)模型，并利用該模型得到原序列的預測序列同時由此模型得到第N+1年的預測值2、計算模型預測誤差其中的計算公式為：ei(10)=xi-x^i(10)]]>尋找誤差序列的最小值取其絕對值然后將序列E(10)加上該絕對值，從而將誤差序列轉化為非負序列E(11)，即：ei(11)=ei(10)+|emin(10)|]]>3、對非負序列E(11)使用ARIMA模型進行建模，得到其預測序列同時由此模型得到第N+1年的預測誤差然后從預測序列中減去得到修正后的誤差序列即：e^i(12)=e^i(11)-|emin(10)|]]>同時得到第N+1年的修正預測誤差即：e^N+1(12)=e^N+1(11)-|emin(10)|]]>4、將預測序列與誤差序列逐項相加，得到灰度修正后的糧食產(chǎn)量預測序列即：x^i(11)=x^i(10)+e^i(12)]]>同時得到第N+1年的修正預測即：x^N+1(11)=x^N+1(10)+e^N+1(12)]]>5、計算原序列和預測序列對應元素之間的比值，記為R,即：R=X10X^(11)=[x1x^1(11),x2x^2(11),...,xNx^N(11)]=[r1,r2,...,rN]]]>6、尋找比值序列R的最小值rmin和最大值rmax，并在rmin～rmax內將R分為M個區(qū)間，每個區(qū)間稱為一種狀態(tài)，即將R劃分為M個狀態(tài)。如下：區(qū)間1：[rmin,q1)；區(qū)間2：[q1,q2)；…；區(qū)間M：[qM-1,rmax]；7、判斷比值序列R中每個元素所處的區(qū)間，例如，若ri∈[qL-1，qL)，則ri的狀態(tài)為L,從而將比值序列轉化為狀態(tài)序列S，即S＝[s1，s2，…，sN]，si∈[1，2，…M]。8、根據(jù)狀態(tài)序列和區(qū)間劃分，由灰度預測序列得到新的預測矩陣假設灰度預測序列中第i個元素所對應的ri為狀態(tài)L,則新的預測模型中元素的計算方法如下：y^i=12(qL-1×x^i(11)+qL×x^i(11))]]>對中的所有元素按照上述方法轉化為新的預測序列，即9、根據(jù)狀態(tài)序列S的元素值，得到狀態(tài)轉移頻數(shù)矩陣F，即：這里元素fij表示狀態(tài)序列中由狀態(tài)i轉向狀態(tài)j的頻數(shù)(即次數(shù))。然后將此狀態(tài)轉移頻數(shù)矩陣轉換成狀態(tài)轉移概率矩陣P(1)，即：這里即某一狀態(tài)轉移頻數(shù)出現(xiàn)的概率。10、根據(jù)狀態(tài)轉移概率矩陣P(1)，選取距離預測年份(第N+1年)最近的Q個年份，按其距離遠近將轉移步數(shù)分別定為k＝1,2,…，Q，即第N年轉移步數(shù)為1,第N-1年轉移步數(shù)為2,以此類推，第N-Q+1年的轉移步數(shù)為Q.然后計算各階自相關系數(shù)ark，計算公式如下：ark=Σi=1n-k(y^i-y^‾)(y^i+k-y^‾)Σi=1n-k(y^i-y^‾)2,(k=1,2,...,Q)]]>11、對各階自相關系數(shù)進行歸一化，得到權重系數(shù)序列W,W＝[w1，w2，…，wQ]，其中元素wi的計算方法如下：wi=|ari|Σj=1Q|arj|]]>12、計算各階轉移概率密度矩陣P(2)、P(3)、…、P(Q)，計算方法如下：P(2)＝P(1)·P(1)P(3)＝P(2)·P(1)……P(Q)＝P(Q-1)·P(1)13、根據(jù)狀態(tài)矩陣中sN、sN-1、…、sN-Q+1的值，分別確定各階轉移概率密度矩陣P(1)、P(2)、P(3)、…、P(Q)中對應的轉移概率。例如，假設sN、sN-1、…、sN-Q+1的值分別為A1、A2、…、AQ，Ai∈[1,2,…,M]，即從第N年到N-Q+1年分別處于第A1、A2、…、AQ狀態(tài)。則根據(jù)各階轉移概率矩陣，每一年的狀態(tài)對第N+1年的狀態(tài)確定的概率如表1所示。表114、利用權重系數(shù)序列W計算第N+1年的糧食產(chǎn)量分別處于狀態(tài)1、狀態(tài)2、…、狀態(tài)M的概率。例如，處于狀態(tài)i的概率計算公式如下：pi=Σj=1Qwj×pAji(j),i∈[1,2,...,M]]]>15、根據(jù)步驟(4)計算的第N+1年的修正預測值并結合步驟(14)計算的第N+1年所處的各種狀態(tài)的概率，得到第N+1年的修正預測值如下：x^N+1(11)′=Σi=1Mpi×12×(qi-1×x^N+1(11)+qi×x^N+1(11))]]>16、將修正預測值添加到原數(shù)據(jù)序列X10，構成新的數(shù)據(jù)序列X20，即然后構建灰色GM(1,1)預測模型對該序列進行預測，同時使用ARIMA模型對殘差進行預測，由此得到新的預測序列同時由此模型得到第N+2年的預測值17、重復步驟2-16，得到第N+3、N+4、…等年份的糧食產(chǎn)量數(shù)據(jù)本發(fā)明的一種糧食產(chǎn)量預測裝置的實施例本實施例中的糧食產(chǎn)量預測裝置包括該預測裝置包括灰度預測模塊、狀態(tài)序列確定模塊、新的預測矩陣計算模塊、狀態(tài)轉移概率矩陣計算模塊、權重系數(shù)序列計算模塊、狀態(tài)概率pi計算模塊和修正預測值計算模塊，灰度預測模塊用于選取最近N年的糧食產(chǎn)量數(shù)據(jù)作為原始序列X10，對原始序列進行灰度預測，得到相應的灰度預測序列狀態(tài)序列確定模塊用于計算原始序列X10和灰度預測序列對應元素之間的比值，并將比值進行狀態(tài)劃分，判斷比值序列中每個元素所處的區(qū)間，將比值序列轉化為狀態(tài)序列S；新的預測矩陣計算模塊用于根據(jù)狀態(tài)序列S和區(qū)間劃分，由灰度預測序列得到新的預測矩陣狀態(tài)轉移概率矩陣計算模塊用于根據(jù)狀態(tài)序列S的元素值，得到狀態(tài)轉移頻數(shù)矩陣F，并將此狀態(tài)轉移頻數(shù)矩陣轉換成狀態(tài)轉移概率矩陣P(1)；權重系數(shù)序列計算模塊用于根據(jù)狀態(tài)轉移概率矩陣P(1)，選取距離預測年份最近的Q個年份，根據(jù)新的預測矩陣計算各階自相關系數(shù)ark，并對各階自相關系數(shù)進行歸一化，得到權重系數(shù)序列W；狀態(tài)概率pi計算模塊用于計算各階轉移概率密度矩陣P(2)、P(3)、…、P(Q)，并根據(jù)各階轉移概率密度矩陣確定每一年的狀態(tài)對預測年份所處狀態(tài)的影響概率，并根據(jù)根據(jù)權重系數(shù)W和每一年的狀態(tài)對預測年份所處狀態(tài)的影響概率計算預測年份處于各狀態(tài)的概率pi；修正預測值計算模塊用于利用得到的概率pi對步驟1)中的灰度預測序列進行修正預測，得到第N+1年的修正預測值并將得到第N+1年的修正預測值添加到原始序列X10中，構成新的數(shù)據(jù)序列X20，重復上述過程，即可實現(xiàn)對糧食產(chǎn)量的短期預測。各模塊的具體實現(xiàn)手段已在方法的實施例中進行了詳細說明，這里不再贅述。實例驗證下面以2000-2010年全國糧食產(chǎn)量數(shù)據(jù)為例對本發(fā)明預測過程和效果進行說明，已知2000-2010年全國糧食產(chǎn)量數(shù)據(jù)如下：X10＝[46217,45264,45706,43070,46947,48402,49746,50150,52850,53082,54648]1、利用灰度建模方法構造此序列的灰色GM(1,1)模型，并利用該模型得到原序列的預測序列:X^(10)=[46217,43856,44921,46014,47135,48286,49476,50679,51922,53197,54506]]]>同時由此模型得到2011年的預測值2、計算模型預測誤差得到誤差序列：E(10)＝[0,1408,785,-2944,-188,116,279,-529,928,-115,142]尋找誤差序列的最小值取其絕對值后將序列E(10)加上該絕對值，從而將誤差序列轉化為非負序列E(11)，即：E(11)＝[2944,4352,3729,0,2756,3060,3223,2415,3872,2829,3086]3、對非負序列E(11)使用ARIMA模型進行建模，得到其預測序列同時由此模型得到第N+1年的預測誤差然后從預測序列減去得到修正后的誤差序列即：E(12)＝[0,1003,1047,1090,1133,1175,1217,1257,1298,1338,1377]同時得到第N+1年的修正預測誤差4、將序列與誤差序列逐項相加，得到修正后的糧食產(chǎn)量預測序列即：x^(11)=[46217,44859,45968,47104,48269,49462,50685,51938,53222,54538,55886]]]>同時由此模型得到2011年的預測值5、計算原序列和預測序列對應元素之間的比值，記為R：R=X10X^(11)=[x1x^1(11),x2x^2(11),...,xNx^N(11)]=[1,1.009,0.9943,0.91436,0.97261,0.97857,0.98147,0.96557,0.99301,0.9733,0.97785]]]>6、序列R的最小值rmin＝0.91436，最大值rmax＝1.009，并在rmin～rmax內將R分為3個區(qū)間，即3種狀態(tài)，如下：區(qū)間1(狀態(tài)1)：[0.91,0.97)；區(qū)間2(狀態(tài)2)：[0.97,0.99)；區(qū)間3(狀態(tài)3)：[0.99,1.01]；7、判斷比值序列R中每個元素所處的區(qū)間，從而將比值序列轉化為狀態(tài)序列S，即S＝[3，3，3，1，2，2，2，1，3，2，2]。8、根據(jù)狀態(tài)矩陣和區(qū)間劃分，由灰度預測序列得到新的預測矩陣則新的預測模型中元素的計算方法如下：當t年處于狀態(tài)1當t年處于狀態(tài)2當t年處于狀態(tài)3對中的所有元素按照上述方法轉化為新的預測序列，得到：Y^1=[46217,44859,45968,44278,47304,48473,49671,48822,53222,53447,54768]]]>9、根據(jù)狀態(tài)序列S的元素值，得到狀態(tài)轉移頻數(shù)矩陣F，即：F=011130112]]>這里元素fij表示狀態(tài)序列中由狀態(tài)i轉向狀態(tài)j的頻數(shù)(即次數(shù))。然后將此狀態(tài)轉移頻數(shù)矩陣轉換成狀態(tài)轉移概率矩陣P(1)，即：P(1)=0121214340141424]]>這里即某一狀態(tài)轉移頻數(shù)出現(xiàn)的概率。10、根據(jù)狀態(tài)轉移概率矩陣P(1)，選取距離預測年份(2011年)最近的3個年份，按其距離遠近將轉移步數(shù)分別定為k＝1,2,3，即第2010年轉移步數(shù)為1,第2009年轉移步數(shù)為2,第2008年轉移步數(shù)為3.然后計算各階自相關系數(shù)ark，計算公式如下：ar1=Σi=1n-1(y^i-y^‾)(y^i+1-y^‾)/Σi=1n(y^i-y^‾)2=0.68623]]>ar2=Σi=1n-2(y^i-y^‾)(y^i+2-y^‾)/Σi=1n(y^i-y^‾)2=0.45937]]>ar3=Σi=1n-3(y^i-y^‾)(y^i+3-y^‾)/Σi=1n(y^i-y^‾)2=0.1331]]>11、對各階自相關系數(shù)進行歸一化，得到權重系數(shù)序列W,，其中元素wi的計算方法如下：w1=|ar1|Σj=13|ar1|=0.53666;w2=|ar2|Σj=13|ar2|=0.35925;]]>w3=|ar3|Σj=13|arj|=0.10409]]>所以W＝[0.53666，0.35925，0.10409]12、計算各階轉移概率密度矩陣P(2)、P(3)，計算方法如下：P(2)=P(1)·P(1)=0.250.50.250.18750.68750.1250.18750.43750.375]]>P(3)=P(2)·P(1)=0.18750.56250.250.20310.64060.156250.20310.51560.2813]]>13、由于狀態(tài)矩陣中s11＝2、s10＝2、s9＝3，可分別確定各階轉移概率密度矩陣P(1)、P(2)、P(3)中對應的轉移概率。則根據(jù)各階轉移概率矩陣，每一年的狀態(tài)對第N+1年的狀態(tài)確定的概率如表2。表214、利用權重系數(shù)序列W計算2011年的糧食產(chǎn)量分別處于狀態(tài)1、狀態(tài)2、狀態(tài)3的概率：p1=Σj=13wj×pAj1(j)=w1×p21(1)+w2×p21(2)×w3×p31(3)=0.222]]>p2=Σj=13wj×pAj2(j)=w1×p22(1)+w2×p22(2)×w3×p32(3)=0.703]]>p3=Σj=13wj×pAj3(j)=w1×p23(1)+w2×p23(2)×w3×p33(3)=0.074]]>15、根據(jù)原始灰度模型得到的2011年的預測值并結合步驟(14)計算的2011年所處的各種狀態(tài)的概率，得到2011年的修正預測值如下：x^N+1(11)′=Σi=1Mpi×12×(qi-1×x^N+1(1)+qi×x^N+1(1))=0.222×12(0.91×yc(2011)+0.97×yc(2011))+0.703×12(0.97×yc(2011)+0.99×yc(2011))+0.074×12(0.99×yc(2011)+1.01×yc(2011))=55642]]>16、將修正預測值添加到原數(shù)據(jù)序列X10，構成新的數(shù)據(jù)序列X20，即:X20＝[46217,44859,45968,47104,48269,49462,50685,51938,53222,54538,55886,55642]然后構建灰色GM(1,1)預測模型對該序列進行預測，使用ARIMA模型對殘差進行預測，由此得到新的預測序列:X^(21)=[46217,44883,45982,47108,48261,49443,50653,51893,53164,54465,55799,57165]]]>同時由此模型得到第2012年的預測值17、重復步驟2-16，得到第2013、2014、2015年的糧食產(chǎn)量數(shù)據(jù)使用本發(fā)明所提方法與傳統(tǒng)灰度模型方法以及本發(fā)明中所產(chǎn)生的修正預測結果如表2所示。表2通過表2的數(shù)據(jù)可知，本發(fā)明預測方法得到的相對誤差既小于灰度模型的相對誤差，又小于灰度修正后的相對誤差，明顯提高了預測的準確性。當前第1頁1 2 3