一种农产品产量预测方法及系统与流程

本发明涉及产量预测技术领域，特别是涉及一种农产品产量预测方法及系统。

背景技术：

农产品产量和人们的日常生活息息相关，利用过去的产量数据和一系列影响因素的历史数据，对数据本身的走势及各因素的影响关系和程度进行充分挖掘，利用一定的方法和技巧，对未来产量进行预测预判，有利于国家、生产者和消费者更好地判断经济形势并作出正确决策。

现有技术中对农产品产量的预测，往往采用单一模型拟合预测，但是，影响农产品产量的因素有很多，且其频率不一，如对其运用统一的某种模型进行拟合，由于各个模型的适用性不同会导致较大误差。

目前，基于混频数据的研究很多，但多是用低频数据指标分析估计高频数据，对于缺失的数据大多通过差值、替代、模型估计等得到，所以用于分析估计的原始数据本身就是估计数据而非实际数据，再以此得到的分析预测就可能会存在误差。

技术实现要素：

本发明的目的是提供一种农产品产量预测方法及系统，具有预测精度高的特点。

为实现上述目的，本发明提供了如下方案：

一种农产品产量预测方法，包括：

获取影响农产品产量的各影响因素的历史数据，所述影响因素分为短期影响因素和长期影响因素，所述短期影响因素对应的历史数据为日度数据或月度数据，所述长期影响因素对应的历史数据为季度数据或年度数据，所述短期影响因素包括日照量、降雨量、人均工作量、净出口量，所述长期影响因素包括播种面积、受灾面积、有效灌溉面积、单产、农用化肥施用量、农业机械总动力和农村人口数量；

根据所述短期影响因素的历史数据，采用arima模型对所述短期影响因素对应的未来数据进行预测，得到短期影响因素的预测数据；

根据所述长期影响因素的历史数据，采用gm模型对所述长期影响因素的未来数据进行预测，得到长期影响因素的预测数据；

获取神经网络模型；

将所述短期影响因素对应的预测数据和所述长期影响因素对应的预测数据输入神经网络模型，得到所述农产品的产量预测值。

可选的，在所述获取神经网络模型之前，还包括：

以短期影响因素对应的预测数据和长期影响因素对应的预测数据为输入，以农作物产量的统计数据为输出，对神经网络进行训练，得到神经网络模型。

可选的，

在所述将所述短期影响因素对应的预测数据和所述长期影响因素对应的预测数据输入神经网络模型之前，还包括：对所述短期影响因素对应的预测数据进行加权算数平方处理，将处理后的短期影响因素对应的预测数据作为神经网络模型的输入；

在对神经网络模型进行训练时，作为输入的所述短期影响因素对应的预测数据为经过加权算数平方处理的数据。

可选的，所述短期影响因素还包括农产品价格和生产资料价格。

本发明还提供了一种农产品产量预测系统，包括：

历史数据获取模块，用于获取影响农产品产量的各影响因素的历史数据，所述影响因素分为短期影响因素和长期影响因素，所述短期影响因素对应的历史数据为日度数据或月度数据，所述长期影响因素对应的历史数据为季度数据或年度数据，所述短期影响因素包括日照量、降雨量、人均工作量、净出口量，所述长期影响因素包括播种面积、受灾面积、有效灌溉面积、单产、农用化肥施用量、农业机械总动力和农村人口数量；

短期影响因素数据预测模块，用于根据所述短期影响因素的历史数据，采用arima模型对所述短期影响因素对应的未来数据进行预测，得到短期影响因素的预测数据；

长期影响因素数据预测模块，用于根据所述长期影响因素的历史数据，采用gm模型对所述长期影响因素的未来数据进行预测，得到长期影响因素的预测数据；

神经网络模型获取模块，用于获取神经网络模型；

产量预测模块，用于将所述短期影响因素对应的预测数据和所述长期影响因素对应的预测数据输入神经网络模型，得到所述农产品的产量预测值。

可选的，所述系统还包括：

神经网络模型训练模块，用于以短期影响因素对应的预测数据和长期影响因素对应的预测数据为输入，以农作物产量的统计数据为输出，对神经网络进行训练，得到神经网络模型。

可选的，所述系统还包括：

短期影响因素数据第一处理模块，用于对所述短期影响因素对应的预测数据进行加权算数平方处理，将处理后的短期影响因素对应的预测数据作为神经网络模型的输入；

短期影响因素数据第二处理模块，用于在训练神经网络模型时，对作为输入的短期影响因素对应的预测数据进行加权算数平方处理。

可选的，所述短期影响因素还包括农产品价格和生产资料价格。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的农产品产量预测方法及系统，采用arima模型对所述短期影响因素对应的未来数据进行预测，采用gm模型对所述长期影响因素的未来数据进行预测，且将上述预测数据作为输入，利用训练神经网络模型对农产品产量进行预测。arima模型对短期数据的预测具有较高的精确度，gm模型对长期数据的预测具有较高的精确度，通过arima模型和gm模型的混用，避免了使用单一模型统一对长期数据和短期数据进行预测产生的误差，同时，利用神经网络对arima模型和gm模型进行非线性融合，从而实现了扩大适用范围、提高预测精度的目的。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例农产品产量预测方法流程示意图；

图2为本发明实施例农产品产量预测系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种农产品产量预测方法及系统，具有预测精度高的特点。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供的农产品产量预测方法包括以下步骤：

步骤101：获取影响农产品产量的各影响因素的历史数据，所述影响因素分为短期影响因素和长期影响因素，所述短期影响因素对应的历史数据为日度数据或月度数据，所述长期影响因素对应的历史数据为季度数据或年度数据，所述短期影响因素包括日照量、降雨量、人均工作量、净出口量等，所述长期影响因素包括播种面积、受灾面积、有效灌溉面积、单产、农用化肥施用量、农业机械总动力和农村人口数量等；

步骤102：根据所述短期影响因素的历史数据，采用arima模型对所述短期影响因素对应的未来数据进行预测，得到短期影响因素的预测数据；

步骤103：根据所述长期影响因素的历史数据，采用gm模型对所述长期影响因素的未来数据进行预测，得到长期影响因素的预测数据；

步骤104：获取神经网络模型；

步骤105：将所述短期影响因素对应的预测数据和所述长期影响因素对应的预测数据输入神经网络模型，得到所述农产品的产量预测值。

作为本发明的一个实施例，在步骤104之前，还包括：

以短期影响因素对应的预测数据和长期影响因素对应的预测数据为输入，以农作物产量的统计数据为输出，对神经网络进行训练，得到神经网络模型。

作为本发明的一个实施例，在上述实施例的基础上，在步骤105之前，还包括：对所述短期影响因素对应的预测数据进行加权算数平方处理，将处理后的短期影响因素对应的预测数据作为神经网络模型的输入；

而且，在对神经网络模型进行训练时，作为输入的所述短期影响因素对应的预测数据为经过加权算数平方处理的数据。

作为本发明的一个实施例，上述实施例中的短期影响因素还包括农产品价格和生产资料价格。

作为本发明的一个实施例，下面对该实施例进行说明：农产品产量(o)的影响因素很多，以种植业为例，主要有播种面积(ss，年度数据)、受灾面积(sd，年度数据)、有效灌溉面积(si，年度数据)、单产(y，年度数据)、农用化肥施用量(qf，年度数据)、农业机械总动力(f，年度数据)、农村人口数量(po，年度数据)、日照量(sl，日度数据)、降雨量(r，日度数据)、农产品价格(pa，日度数据)、生产资料价格(pp，日度数据)、净出口量(n，月度数据)等。对日度和月度数据构建其对应的arima(autoregressiveintegratedmovingaverage，自回归积分滑动平均)模型，对年度数据构建其对应的gm(greymodel，灰色模型)模型。最后运用rbf(radialbasisfunction，径向基函数)神经网络构建农产品产量的混频预测模型。

首先：构建影响农产品产量的日度和月度指标的arima模型，预测未来指标，以净出口量为例，原始数据为n1＝(n11，n12，…，n1n)，未来净出口量的预测结果为n2＝(n2,n+1，n2,n+2，…，n2,n+m)，其中n1i是i年的原始值，n2j是j年的预测值。目的是利用arima模型短期预测精度较高的优势，充分挖掘数据的时间序列属性，预测短期变化趋势。由于产量是低频年度数据，故在此先将高频的日度和月度数据取加权算术平均得到低频的年度数据，以净出口量为例，后仍记为n1和n2。

然后：构建影响农产品产量的季度和年度指标的gm模型，预测未来指标，以播种面积为例，原始数据为ss1＝(ss11，ss12，…，ss1n)，未来播种面积的预测结果ss2＝(ss2,n+1，ss2,n+2，…，ss2,n+m)，其中ss1i是i年的原始值，ss2j是j年的预测值。目的是利用gm模型中长期预测精度较高的优势，充分挖掘数据的动态变化属性，预测中长期变化走势。

步骤3：构建影响农产品产量的arima-gm-rbf(autoregressiveintegratedmovingaverage-greymodel-radialbasisfunction，自回归积分滑动平均-灰色模型-径向基函数)模型，将所有影响因素的原始数据(ss11，sd11，…，n11)，(ss12，sd12，…，n12)，…，(ss1n，sd1n，…，n1n)作为输入样本，输入节点数为2，以原始数据o＝(o1，o2，…，on)作为输出样本，输出节点数为1，建立rbf神经网络，确定rbf神经网络的隐含层节点的中心及其标准差，输出层传递函数及其权值矩阵，训练函数，确定神经元节点及rbf神经网络结构，最后将预测数据(ss2,n+1，sd2,n+1，…，n2,n+1)，(ss2,n+2，sd2,n+2，…，n2,n+2)，…，(ss2,n+m，sd2,n+m，…，n2,n+m)输入构建好的rbf神经网路结构，从而得到组合模型预测结果。目的是用rbf神经网络对由arima模型和gm模型预测的影响因素进行实时地非线性融合逼近，从而得到农产品产量的预测结果。

如图2所示，本发明还提供了一种农产品产量预测系统，该系统包括：

历史数据获取模块201，用于获取影响农产品产量的各影响因素的历史数据，所述影响因素分为短期影响因素和长期影响因素，所述短期影响因素对应的历史数据为日度数据或月度数据，所述长期影响因素对应的历史数据为季度数据或年度数据，所述短期影响因素包括日照量、降雨量、人均工作量、净出口量等，所述长期影响因素包括播种面积、受灾面积、有效灌溉面积、单产、农用化肥施用量、农业机械总动力和农村人口数量等；

短期影响因素数据预测模块202，用于根据所述短期影响因素的历史数据，采用arima模型对所述短期影响因素对应的未来数据进行预测，得到短期影响因素的预测数据；

长期影响因素数据预测模块203，用于根据所述长期影响因素的历史数据，采用gm模型对所述长期影响因素的未来数据进行预测，得到长期影响因素的预测数据；

神经网络模型获取模块204，用于获取神经网络模型；

产量预测模块205，用于将所述短期影响因素对应的预测数据和所述长期影响因素对应的预测数据输入神经网络模型，得到所述农产品的产量预测值。

作为本发明的一个实施例，本发明提供的系统还包括：

神经网络模型训练模块，用于以短期影响因素对应的预测数据和长期影响因素对应的预测数据为输入，以农作物产量的统计数据为输出，对神经网络进行训练，得到神经网络模型。

作为本发明的一个实施例，本发明提供的系统还包括：

短期影响因素数据第一处理模块，用于对所述短期影响因素对应的预测数据进行加权算数平方处理，将处理后的短期影响因素对应的预测数据作为神经网络模型的输入；

短期影响因素数据第二处理模块，用于在训练神经网络模型时，对作为输入的短期影响因素对应的预测数据进行加权算数平方处理。

本发明的一个实施例，上述实施例中的短期影响因素还包括农产品价格和生产资料价格。

通过rbf神经网络将arima模型和gm模型进行非线性融合，不仅能缩小统一运用单一模型或高估或低估的较大模型误差，提高预测精度；而且能克服统一运用单一模型仅适用于短期或中长期的预测时长限制；另外，arima-gm-rbf组合模型能充分利用arima模型的时间序列内部信息挖掘和gm模型的内在关系信息挖掘，综合两个模型的优点，并利用rbf神经网络任意非线性实时逼近融合的优势，从而实现扩大适用范围、提高预测精度的目的。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本说明书中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。