本發(fā)明屬于糧食產(chǎn)量預(yù)測技術(shù)領(lǐng)域，具體涉及一種基于差分處理的糧食產(chǎn)量預(yù)測方法和裝置。

背景技術(shù)：

糧食對于經(jīng)濟(jì)發(fā)展和社會穩(wěn)定十分重要，我國是一個(gè)農(nóng)業(yè)大國，糧食產(chǎn)量的多少、能否滿足人民的需要是各級政府關(guān)注的主要問題之一，所以預(yù)測糧食產(chǎn)量對指導(dǎo)糧食生產(chǎn)具有重要的意義。目前用于預(yù)測的方法很多，主要有時(shí)間序列的回歸方法、BP神經(jīng)網(wǎng)絡(luò)方法、灰度預(yù)測、多元線性回歸預(yù)測等。

但是由于糧食產(chǎn)量受到多種因素的影響，如糧食作物播種總面積、總勞動力、化肥總用量、有效灌溉面積、用電總量、機(jī)械總動力、受災(zāi)總面積等，導(dǎo)致糧食產(chǎn)量的時(shí)間序列的非平穩(wěn)性，也導(dǎo)致的預(yù)測方法預(yù)測結(jié)果的精度不高，魯棒性不強(qiáng)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供一種基于差分處理的糧食產(chǎn)量預(yù)測方法和裝置，用于解決上述現(xiàn)有技術(shù)對糧食產(chǎn)量預(yù)測的結(jié)果精度不高，魯棒性不強(qiáng)的問題。

一種基于差分處理的糧食產(chǎn)量預(yù)測方法，包括如下步驟：

(1)獲取n年的糧食產(chǎn)量y(k)和影響因子x(k)，利用差分算法依次計(jì)算相鄰年份影響因子的波動量z(k)，其中n為大于1的正整數(shù)，k為正整數(shù)，并且1<k≤n；

(2)計(jì)算n年影響因子波動量z(k)絕對值的平均值z；

(3)對每年的產(chǎn)量因子進(jìn)行校正：

如果第k年產(chǎn)量影響因子波動量的絕對值大于平均值z，判斷該年的產(chǎn)量因子波動量是否大于0；

如果大于，則該年的產(chǎn)量影響因子x(k)＝(1+z)×x(k-1)；

否則該年的產(chǎn)量影響因子x(k)＝(1-z)×x(k-1)；

(4)采用灰色模型，根據(jù)前n-h年的經(jīng)過校正的影響因子，對n年中后h年的影響因子進(jìn)行預(yù)測，以得到后h年的影響因子，h為大于0小于n的整數(shù)；

(5)根據(jù)所述n年的糧食產(chǎn)量，以及前n-h年經(jīng)過校正的影響因子和預(yù)測得到的后h年的影響因子，計(jì)算出糧食產(chǎn)量與影響因子之間的關(guān)聯(lián)系數(shù)，篩選出關(guān)聯(lián)系數(shù)大于設(shè)定值的影響因子；

(6)利用多元回歸方程建立糧食產(chǎn)量與各影響因子之間的關(guān)系模型，運(yùn)用該模型計(jì)算出未來b年糧食產(chǎn)量，其中b為大于0的整數(shù)。

本發(fā)明提供的一種基于差分處理的糧食產(chǎn)量預(yù)測方法，在預(yù)測未來m年的糧食產(chǎn)量時(shí)，首先對前n年的糧食產(chǎn)量影響因子進(jìn)行了差分運(yùn)算，對能夠影響到糧食產(chǎn)量的因素進(jìn)行處理，篩選出與糧食產(chǎn)量關(guān)聯(lián)系數(shù)較大的影響因子對未來幾年的糧食產(chǎn)量進(jìn)行預(yù)測，從而解決現(xiàn)有技術(shù)對糧食產(chǎn)量預(yù)測的結(jié)果精度不高，魯棒性不強(qiáng)的問題。

進(jìn)一步的，對每年的影響因子進(jìn)行校正之后，再對每年的產(chǎn)量影響因子做指數(shù)平滑處理。

對每年的影響因子做指數(shù)平滑處理，能夠進(jìn)一步的減小數(shù)據(jù)波動，提高預(yù)測結(jié)果的準(zhǔn)確性。

進(jìn)一步的，預(yù)測出未來b年的糧食產(chǎn)量之后，將預(yù)測的糧食產(chǎn)量與往年的實(shí)際產(chǎn)量之差作為輸入數(shù)據(jù)，運(yùn)用灰色模型預(yù)測未來b年的糧食產(chǎn)量誤差，再運(yùn)用此誤差修正未來b年的糧食產(chǎn)量。

進(jìn)一步的，篩選影響因子時(shí)，所述設(shè)定值為0.8。

篩選產(chǎn)量影響因子時(shí)的設(shè)定值越高，預(yù)測的結(jié)果越準(zhǔn)確。

經(jīng)過對預(yù)測結(jié)果進(jìn)行誤差修正，預(yù)測的結(jié)果更加準(zhǔn)確。

進(jìn)一步的，所述步驟(5)包括：

(1)對所述n年的糧食產(chǎn)量y(k)以及前n-h年經(jīng)過校正的影響因子和預(yù)測得到的后h年的影響因子進(jìn)行歸一化處理，得到歸一化處理之后的糧食產(chǎn)量y″'(k)和影響因子x″'(k)；

當(dāng)0<k<n-h時(shí)，x″'(k)由前n-h年經(jīng)過校正的影響因子經(jīng)過歸一化處理之后得到；

當(dāng)n-h≤k≤n時(shí)，x″'(k)由預(yù)測得到的后h年的影響因子經(jīng)過歸一化處理之后得到；

(2)計(jì)算出糧食產(chǎn)量與第i種影響因子之間的關(guān)聯(lián)系數(shù)G(i)，

其中i為正整數(shù)，

max(|y″'(k)-x″'(k)|)表示|y″'(k)-x″'(k)|的最大值，min(|y″'(k)-x″'(k)|)表示|y″'(k)-x″'(k)|的最大值；

(3)篩選出關(guān)聯(lián)系數(shù)大于設(shè)定值的影響因子。

一種基于差分處理的糧食產(chǎn)量預(yù)測裝置，包括如下模塊：

(1)獲取n年的糧食產(chǎn)量y(k)和影響因子x(k)，利用差分算法依次計(jì)算相鄰年份影響因子的波動量z(k)的模塊，其中n為大于1的正整數(shù)，k為正整數(shù)，并且1<k≤n；

(2)計(jì)算n年影響因子波動量z(k)絕對值的平均值z的模塊；

(3)對每年的產(chǎn)量因子進(jìn)行校正：

如果第k年產(chǎn)量影響因子波動量的絕對值大于平均值z，判斷該年的產(chǎn)量因子波動量是否大于0；

如果大于，則該年的產(chǎn)量影響因子x(k)＝(1+z)×x(k-1)；

否則該年的產(chǎn)量影響因子x(k)＝(1-z)×x(k-1)的模塊；

(4)采用灰色模型，根據(jù)前n-h年的經(jīng)過校正的影響因子，對n年中后h年的影響因子進(jìn)行預(yù)測，以得到后h年的影響因子的模塊，h為大于0小于n的整數(shù)；

(5)根據(jù)所述n年的糧食產(chǎn)量，以及前n-h年經(jīng)過校正的影響因子和預(yù)測得到的后h年的影響因子，計(jì)算出糧食產(chǎn)量與影響因子之間的關(guān)聯(lián)系數(shù)，篩選出關(guān)聯(lián)系數(shù)大于設(shè)定值的影響因子的模塊；

(6)利用多元回歸方程建立糧食產(chǎn)量與上述篩選出的影響因子之間的關(guān)系模型，運(yùn)用該模型計(jì)算出未來b年糧食產(chǎn)量的模塊，其中b為大于0的整數(shù)。

進(jìn)一步的，對每年的影響因子進(jìn)行校正之后，再對每年的產(chǎn)量影響因子做指數(shù)平滑處理。

進(jìn)一步的，預(yù)測出未來b年的糧食產(chǎn)量之后，將預(yù)測的糧食產(chǎn)量與往年的實(shí)際產(chǎn)量之差作為輸入數(shù)據(jù)，運(yùn)用灰色模型預(yù)測未來b年的糧食產(chǎn)量誤差，再運(yùn)用此誤差修正未來b年的糧食產(chǎn)量。

進(jìn)一步的，篩選影響因子時(shí)，所述設(shè)定值為0.8。

進(jìn)一步的，所述模塊(5)包括：

(1)對所述n年的糧食產(chǎn)量y(k)以及前n-h年經(jīng)過校正的影響因子和預(yù)測得到的后h年的影響因子進(jìn)行歸一化處理，得到歸一化處理之后的糧食產(chǎn)量y″'(k)和影響因子x″'(k)的單元；

當(dāng)0<k<n-h時(shí)，x″'(k)由前n-h年經(jīng)過校正的影響因子經(jīng)過歸一化處理之后得到；

當(dāng)n-h≤k≤n時(shí)，x″'(k)由預(yù)測得到的后h年的影響因子經(jīng)過歸一化處理之后得到；

(2)計(jì)算出糧食產(chǎn)量與第i種影響因子之間的關(guān)聯(lián)系數(shù)G(i)的模塊，其中

i為正整數(shù)，

max(|y″'(k)-x″'(k)|)表示|y″'(k)-x″'(k)|的最大值，min(|y″'(k)-x″'(k)|)表示|y″'(k)-x″'(k)|的最大值；

(3)篩選出關(guān)聯(lián)系數(shù)大于設(shè)定值的影響因子。

附圖說明

圖1為方法實(shí)施例所提供的基于差分處理的糧食產(chǎn)量預(yù)測方法流程圖。

具體實(shí)施方式

本發(fā)明提供一種基于差分處理的糧食產(chǎn)量預(yù)測方法和裝置，用于解決上述現(xiàn)有技術(shù)對糧食產(chǎn)量預(yù)測的結(jié)果精度不高，魯棒性不強(qiáng)的問題。

一種基于差分處理的糧食產(chǎn)量預(yù)測方法，包括如下步驟：

(1)獲取n年的糧食產(chǎn)量y(k)和影響因子x(k)，利用差分算法依次計(jì)算相鄰年份影響因子的波動量z(k)，其中n為大于1的正整數(shù)，k為正整數(shù)，并且1<k≤n；

(2)計(jì)算n年影響因子波動量z(k)絕對值的平均值z；

(3)對每年的產(chǎn)量因子進(jìn)行校正：

如果第k年產(chǎn)量影響因子波動量的絕對值大于平均值z，判斷該年的產(chǎn)量因子波動量是否大于0；

如果大于，則該年的產(chǎn)量影響因子x(k)＝(1+z)×x(k-1)；

否則該年的產(chǎn)量影響因子x(k)＝(1-z)×x(k-1)；

(4)采用灰色模型，根據(jù)前n-h年的經(jīng)過校正的影響因子，對n年中后h年的影響因子進(jìn)行預(yù)測，以得到后h年的影響因子，h為大于0小于n的整數(shù)；

(5)根據(jù)所述n年的糧食產(chǎn)量，以及前n-h年經(jīng)過校正的影響因子和預(yù)測得到的后h年的影響因子，計(jì)算出糧食產(chǎn)量與影響因子之間的關(guān)聯(lián)系數(shù)，篩選出關(guān)聯(lián)系數(shù)大于設(shè)定值的影響因子；

(6)利用多元回歸方程建立糧食產(chǎn)量與各影響因子之間的關(guān)系模型，運(yùn)用該模型計(jì)算出未來b年糧食產(chǎn)量，其中b為大于0的整數(shù)。

灰色理論以部分已知信息、部分未知信息的“少數(shù)據(jù)”、“貧信息”不確定性系統(tǒng)為研究對象，通過對部分已知信息的挖掘，提取有價(jià)值的信息，實(shí)現(xiàn)對系統(tǒng)運(yùn)行行為、演化規(guī)律的正確描述和有效監(jiān)控。

目前使用比較廣泛的灰色預(yù)測模型就是關(guān)于數(shù)列預(yù)測的一個(gè)變量、一階微分的GM(1,1)模型。

設(shè)時(shí)間序列X(0)有n個(gè)觀測值，X(0)＝{X(0)(1),X(0)(2),┅,X(0)(n)}，通過累加生成新序列X(1)＝{X(1)(1),X(1)(2),…,X(1)(n)}，則GM(1,1)模型相應(yīng)的微分方程為:

其中:a稱為發(fā)展灰數(shù)；設(shè)為待估參數(shù)向量，利用最小二乘法求解可得：

其中：

求解微分方程,即可得預(yù)測模型：

其中k＝1,2，...，n

進(jìn)一步得出預(yù)測公式：

多元線性回歸：

設(shè)系統(tǒng)中有m個(gè)輸入變量(影響因子)x₁,x₂,x₃...x_m輸出為Y，建立輸入與輸出之間的關(guān)系模型：Y＝f(x₁,x₂...x_m)，由于f(x₁,x₂...x_m)的復(fù)雜性，通常用Volterra級數(shù)展開的多項(xiàng)式去逼近：

進(jìn)一步簡化模型，采用多元一次方程：

Y＝a₀+a₁x₁+a₂x₂+...a_mx_m (7)

其中各影響因子的系數(shù)可通過線性回歸求得。

下面結(jié)合附圖對本實(shí)施例進(jìn)行詳細(xì)說明。

方法實(shí)施例：

本實(shí)施例所提供的一種基于差分處理的糧食產(chǎn)量預(yù)測方法，其流程如圖1所示，具體步驟如下：

(1)獲取前n年的糧食產(chǎn)量數(shù)據(jù)和產(chǎn)量影響因子數(shù)據(jù)x(k)，利用查分算法公式依次計(jì)算相鄰年份數(shù)據(jù)的波動量z(k)，其中n為大于1的正整數(shù)，k為正整數(shù)，并且1<k≤n；

(2)計(jì)算前n年影響因子波動量z(k)絕對值的平均值z＝Average((z(k)))；

(3)對每年的產(chǎn)量影響因子進(jìn)行校正，方法如下：

如果第k年產(chǎn)量影響因子波動量的絕對值大于波動量的平均值z，判斷該年的產(chǎn)量因子波動量是否大于0；

如果大于，則該年的產(chǎn)量影響因子x(k)＝(1+z)×x(k-1)；

否則該年的產(chǎn)量影響因子x(k)＝(1-z)×x(k-1)；

(4)采用公式x'(k)＝e^x(k)對第k年的產(chǎn)量因子進(jìn)行指數(shù)平滑處理；

(5)采用灰色模型，利用前n-h年的經(jīng)過校正的影響因子，對n年中后h年的影響因子進(jìn)行預(yù)測，以得到后h年的影響因子，h為大于0小于n的整數(shù)；

(6)采用公式分別對n年的糧食產(chǎn)量以及前n-h年經(jīng)過校正的影響因子和預(yù)測得到的后h年的影響因子進(jìn)行歸一化處理，然后再采用公式進(jìn)行平滑性處理，得到n年糧食產(chǎn)量和影響因子歸一化處理之后的表達(dá)式y(tǒng)″'(k)和x″'(k)；

max(x(k))為前n年中產(chǎn)量影響因子的最大值，min(x(k))為前n年中產(chǎn)量影響因子的最小值；

(7)采用公式計(jì)算糧食產(chǎn)量與第i種影響因子間的關(guān)聯(lián)系數(shù)；其中G(i)為正整數(shù)；

(8)將關(guān)聯(lián)系數(shù)G(i)大于0.8的影響因子保留，其它影響因子刪除，利用多元回歸方程建立糧食產(chǎn)量與篩選出的影響因子之間的關(guān)系模型；

(9)計(jì)算出步驟(8)中所建立模型中各影響因子的系數(shù)；

(10)利用糧食產(chǎn)量與篩選出的影響因子之間的關(guān)系模型對未來b年中第p年糧食產(chǎn)量的歸一化表達(dá)式進(jìn)行預(yù)測，其中b和p均為大于0的正整數(shù)，且p的取值范圍為n＜p≤n+b；

(11)按照與步驟(5)中相應(yīng)的逆歸一化公式

對進(jìn)行逆歸一化處理，得到第p年的糧食產(chǎn)量

(12)殘差修正：將預(yù)測的糧食產(chǎn)量與往年的實(shí)際產(chǎn)量之差作為輸入數(shù)據(jù)，運(yùn)用灰色理論預(yù)測未來b年的糧食產(chǎn)量誤差，再運(yùn)用此誤差修正未來b年的糧食產(chǎn)量；

(13)計(jì)算糧食產(chǎn)量預(yù)測相對誤差。

在本實(shí)施例中，對每年的產(chǎn)量影響因子進(jìn)行校正之后，再對每年的產(chǎn)量影響因子做指數(shù)平滑處理；作為其他實(shí)施方式，可以采用其他算法進(jìn)行平滑處理。

在本實(shí)施例中，預(yù)測出未來m年的糧食產(chǎn)量之后，將預(yù)測的糧食產(chǎn)量與往年的實(shí)際產(chǎn)量之差作為輸入數(shù)據(jù)，運(yùn)用灰色理論預(yù)測未來若干年的糧食產(chǎn)量誤差，再運(yùn)用此誤差修正未來m年的糧食產(chǎn)量；作為其他實(shí)施方式，可以采用其他的方法對預(yù)測的結(jié)果進(jìn)行修正。

在本實(shí)施例中，通過先對糧食產(chǎn)量和影響因子進(jìn)行歸一化處理，然后計(jì)算出關(guān)聯(lián)系數(shù)，通過多元回歸方程建立糧食產(chǎn)量與各影響因子之間的模型，預(yù)測出未來b年的糧食產(chǎn)量；作為其他實(shí)施方式，可以通過其他方式利用多元回歸方程建立糧食產(chǎn)量與各影響因子之間的模型，運(yùn)用該模型計(jì)算出未來b年糧食產(chǎn)量。

在本實(shí)施例中，篩選產(chǎn)量影響因子時(shí)設(shè)定值為0.8；作為其他實(shí)施方式，設(shè)定值可以根據(jù)實(shí)際情況增加或減小。

裝置實(shí)施例：

一種基于差分處理的糧食產(chǎn)量預(yù)測裝置，包括如下模塊：

(1)獲取n年的糧食產(chǎn)量y(k)和影響因子x(k)，利用差分算法依次計(jì)算相鄰年份影響因子的波動量z(k)的模塊，其中n為大于1的正整數(shù)，k為正整數(shù)，并且1<k≤n；

(2)計(jì)算n年影響因子波動量z(k)絕對值的平均值z的模塊；

(3)對每年的產(chǎn)量因子進(jìn)行校正：

如果第k年產(chǎn)量影響因子波動量的絕對值大于平均值z，判斷該年的產(chǎn)量因子波動量是否大于0；

如果大于，則該年的產(chǎn)量影響因子x(k)＝(1+z)×x(k-1)；

否則該年的產(chǎn)量影響因子x(k)＝(1-z)×x(k-1)的模塊；

(4)采用灰色模型，利用前n-h年的經(jīng)過步驟(3)處理過的影響因子，對n年中后h年的影響因子進(jìn)行預(yù)測，以得到后h年的影響因子的模塊，h為大于0小于n的整數(shù)；

(5)根據(jù)所述n年的糧食產(chǎn)量，以及前n-h年的影響因子和預(yù)測得到的后h年的影響因子，計(jì)算出糧食產(chǎn)量與影響因子之間的關(guān)聯(lián)系數(shù)，篩選出關(guān)聯(lián)系數(shù)大于設(shè)定值的影響因子的模塊；

(6)根據(jù)篩選出的影響因子，利用多元回歸方程建立糧食產(chǎn)量與各影響因子之間的關(guān)系模型，運(yùn)用該模型計(jì)算出未來b年糧食產(chǎn)量的模塊，其中b為大于0的整數(shù)。

本實(shí)施例所提供的一種基于差分處理的糧食產(chǎn)量預(yù)測裝置，其中各模塊并不是硬件模塊，而是按照上述方法進(jìn)行編程所形成的軟件模塊，運(yùn)行在相應(yīng)的處理器中，并且能夠存儲在移動存儲裝置或者固定存儲裝置中。

以上給出了本發(fā)明涉及的具體實(shí)施方式，但本發(fā)明不局限于所描述的實(shí)施方式。在本發(fā)明給出的思路下，采用對本領(lǐng)域技術(shù)人員而言容易想到的方式對上述實(shí)施例中的技術(shù)手段進(jìn)行變換、替換、修改，并且起到的作用與本發(fā)明中的相應(yīng)技術(shù)手段基本相同、實(shí)現(xiàn)的發(fā)明目的也基本相同，這樣形成的技術(shù)方案是對上述實(shí)施例進(jìn)行微調(diào)形成的，這種技術(shù)方案仍落入本發(fā)明的保護(hù)范圍內(nèi)。