防治与流行预测，野生动物保护与调查等 专门微型电子设备供相关部门和个人使用。
[0042] 进一步，所述生物种群动态预测分析全球通用关键因子预设数组平台由多个分时 亚系统组成，包括FO亚系统、Fl亚系统、F2亚系统、......、Fn亚系统（1兰η兰)，所述 多个亚系统中的每个亚系统序号表不同序号的时间阶梯序列号，如FO亚系统，表;^该亚系 统数组适合用于构建预测同年（当年-0阶）的生物数量动态模型，如Fl亚系统，表示该亚 系统数组适合用于构建预测下1年（明年，1阶）的生物数量动态模型，如F2亚系统，表示 该亚系统数组适合用于构建预测预测下2年（后年，2阶）的生物数量动态模型，……、如 Fn亚系统，则表示该亚系统数组适合用于构建预测下η年（当年后第η年，η阶）的生物数 量动态模型。设置分时亚系统的目的是方便用户可以利用不同的因子群数组，构建未来不 同时间段的种群动态模型，以便满足对不同未来时间段预测的需要，其应用意义主要在于 解决了在无法获知未来影响因子变量的情况下，如何预测种群的未来发生动态的问题。
[0043] 本发明实施例中，将生物种群动态预测分析全球通用关键因子预设数组平台简称 为 UKF-PAP (Universal Key Factor Preset Array Platform)〇
[0044] 实施例一：
[0045] 用于构建全球多种自然生命群体多年间任一时间段内的数量动态模型：
[0046] UKF-PAP中的UKF-PAP数集为以年为时间段的全球共性关键因子群，因此，可以用 来构建全球任何区域的多种数量可测的自然生命群体（如人口出生率，人口死亡率，人类 某些疾病的流行规律，农作物病虫鼠害的流行规律，全球农作物产量动态预测，一年发生多 代的某些小型野生动物的年发生动态，某些多年生野生植物的年生长率，等）的多年间任 一时间段内数量发生动态的数值化模型。所谓"多年间任一时间段"是指，任何一年可细分 为全年、季、月、旬、日等以至任何用户方便划分的年内时间段。用户如何划分年内时间段， 完全取决于用户可提供的因变量值的性质。例如：如果用户提供的是某一地区多年的人口 全年出生率数据，则，模型结果即为年间出生率动态；如果提供的是年度月平均出生率，则， 模型结果即为年间月平均出生率动态；如果提供的是每年6月份的人口出生率，则，模型结 果即为年间6月份出生率动态；如果是按每年某季、某旬、某日为时间段提供的人口出生率 数据，则，模型结果即为年间某季、某旬、某日的出生率动态，其他生命体依此类推。
[0047] 实施例二
[0048] 用于筛选特定生命对象的关键受控因子和伴随因子：
[0049] 经过对不同国家、不同地区、不同物种生命体、不同历史年度以及不同数量计量指 标的数百件案例的统计分析，结果表明，在UKF-PAP中，虽然备选UKF-PAP因子可能达数 十万项之多，但是对于每一种特定的自然生命体，则达到P < 〇. 05统计显著水准的关键受 控因子或伴随因子最多不超过10个，一般为2-6个，但是，不同的生命体，或者同一物种生 命体在不同的地区或不同时间段内却有不同的受控因子或伴随因子。这一规律的发现，为 用户利用UKF-PAP分析和筛选每一种生命体的特定受控因子或伴随因子，或对同一地区不 同生命体，或不同地区同一物种生命体间受控关键因子或伴随因子的同质性和异质性分析 提供了极大的方便性和可行性。
[0050] 实施例三
[0051] 分析影响全球或某地与人类相关密切的主要生命体的共同主导因子：
[0052] 用UKF-PAP构建的所有数学模型，其表达式全部可见，且在形式上全部为人们 所熟知的简单的多元线性回归模型，在这些回归模型中，所展现的每一个自变量名称与 UKF-PAP变量名称都一一相对应，因此，每一个自变量的名称就表示着一个关键影响因子或 其组合。在此同时，在回归分析结果的回归系数列表中，同时会有另一列显示其标准化回归 系数，且每一个入选在回归模型中的因子都会对应有一个标准化回归系数，这个标准回归 系数的大小就表示着每个入选因子的影响大小，用户只需通过简单的数学运算，即可得出 每一个因子相对作用大小的百分率。如果，用户对多种生命体进行了建模，则只需统计被入 选因子在各个模型中的入选频率以及标准回归系数的相对大小，即可进而统计出谁是对本 次所建模型的生命体年间数量动态影响最大的共同主导因子。
[0053] 实施例四
[0054] 回代预测功能：
[0055] 回代预测是指，用一组实测自变量值和对应的实测因变量值进行建模后，再将这 组自变量值代入所建立的模型中，计算出一组新的因变量，这组新的因变量被称之为回代 预测值。二者之间的差异显著性可用卡平方法检验，一般判断标准为DS χ2α(ι5_α 999统 计量时，表明二者之间没有显著差异，即或预测值和实测值属于同一个总体，预测有效，且 预测因变量与实测因变量之间的卡平方累计值（D)越小，表明回代预测效果更优。如果 D彡Λ.%，则说明二者之间差异显著，预测无效。UKF-PAP的预测效果有95%以上的不同 案例都可达到D彡χ2α(ι5_α99，即回代预测效果非常完美。
[0056] 实施例五
[0057] 随机预测功能：
[0058] 随机预测是指，用一组实测自变量值和对应的实测因变量值进行建模后，再将另 一组因为缺少对应的因变量值而没有参与建模过程的自变量值代入所建立的模型中，计算 出一组新的因变量值，这组新的因变量被称之为随机预测值。然后用卡平方法对预测值与 没有参与建模过程自变量所对应的因变量值之间的差异进行显著性检验，一般判断标准为 X2CKO5-。.999统计量时，表明二者之间没有显著差异，即预测值和实测值属于同一个总 体，预测有效。如果D彡X2atl5，则说明二者之间差异显著，预测无效，且预测因变量与实测 因变量之间的卡平方累计值（D)越小，表明预测效果更优。UKF-PAP的预测效果有95%以 上的不同案例都可达到D彡χ2α(ι5_α99，即预测效果非常完美。随机预测功能，可广泛应用 于过去、现在或将来已知自变量值，但不知因变量值情况下，对因变量值的理论预测。
[0059] 实施例六
[0060] 未来预测功能：
[0061] 未来预测是指，利用过去和现在发生过的事物预测未来还没有发生的事物。本 发明的解决方案是，用一组实测因变量值与对应过去数年的实测自变量值进行建模后，再 将另一组没有参与建模过程的后期自变量值代入所建立的模型中，计算出一组新的因变量 值，这组新的因变量被称之为未来预测值。即这组未来预测值在时间序列上所对应的自变 量是过去发生过的事物的变量。可以通过卡平方检验方法对未来预测值进行适合性检验， 一般判断标准为D < X 2α(ι5_ α 999统计量时，表明二者之间没有显著差异，即未来预测值和 实测值属于同一个总体，预测有效，且未来预测因变量与实测因变量之间的卡平方累计值 (D)越小，表明未来预测效果更优。如果D彡X2atl5,则说明二者之间差异显著，预测无效。 UKF-PAP的未来预测效果有95%以上的不同案例都可达到D彡χ2α(ι5_α99，