艾洪福

(吉林農(nóng)業(yè)大學(xué)，長(zhǎng)春 130117)

?

灰色補(bǔ)償BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)農(nóng)機(jī)總動(dòng)力
——以吉林省為例

艾洪福

(吉林農(nóng)業(yè)大學(xué)，長(zhǎng)春 130117)

農(nóng)機(jī)總動(dòng)力的預(yù)測(cè)研究對(duì)于農(nóng)業(yè)機(jī)械的“供給側(cè)”改革有著重要意義和研究?jī)r(jià)值，科學(xué)合理的預(yù)測(cè)結(jié)果對(duì)于職能部門(mén)的規(guī)劃制定有著重要的指導(dǎo)意義。農(nóng)機(jī)總動(dòng)力數(shù)據(jù)具有時(shí)間序列性質(zhì)，本研究應(yīng)用灰色GM(1,1) 模型對(duì)其進(jìn)行有效的預(yù)測(cè)分析。為了提高預(yù)測(cè)的準(zhǔn)確性，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對(duì)灰色殘差數(shù)據(jù)進(jìn)行處理，補(bǔ)償灰色預(yù)測(cè)結(jié)果，建立了相應(yīng)的預(yù)測(cè)模型。實(shí)驗(yàn)表明：該模型對(duì)于吉林省農(nóng)機(jī)總動(dòng)力的預(yù)測(cè)科學(xué)有效，并對(duì)吉林省未來(lái)5年的農(nóng)機(jī)總動(dòng)力進(jìn)行了預(yù)測(cè)，為相關(guān)政策制定提供了科學(xué)依據(jù)。

農(nóng)機(jī)總動(dòng)力；預(yù)測(cè)；BP神經(jīng)網(wǎng)絡(luò)；灰色理論

0 引言

農(nóng)機(jī)總動(dòng)力是反映農(nóng)業(yè)機(jī)械化水平的重要指標(biāo)之一，準(zhǔn)確地預(yù)測(cè)農(nóng)機(jī)總動(dòng)力不僅可以為職能部門(mén)的合理決策提供依據(jù)，還可以為農(nóng)機(jī)生產(chǎn)廠家提供科學(xué)的數(shù)據(jù)支持，同時(shí)對(duì)農(nóng)業(yè)方向的“供給側(cè)”改革提供幫助。農(nóng)機(jī)總動(dòng)力受到多個(gè)因素的共同影響，通過(guò)大量的數(shù)據(jù)分析，該數(shù)據(jù)值具有龔珀茲生長(zhǎng)曲線的特點(diǎn)[1]。以吉林省為例，其數(shù)據(jù)值的變化具有波動(dòng)性，仍然是以增長(zhǎng)為主要趨勢(shì)。

對(duì)于農(nóng)機(jī)總動(dòng)力的預(yù)測(cè)已經(jīng)有很多的研究，如神經(jīng)網(wǎng)絡(luò)的方法、灰色預(yù)測(cè)方法、支持向量機(jī)及指數(shù)平滑法等方法，并都取得了不錯(cuò)的研究效果[2]?；疑獹M(1，1)模型對(duì)于具有時(shí)間序列性質(zhì)的數(shù)據(jù)有著很好的預(yù)測(cè)效果，且該方法可以基于小樣本進(jìn)行；人工神經(jīng)網(wǎng)絡(luò)在該研究領(lǐng)域的預(yù)測(cè)雖然效果不錯(cuò)，但由于數(shù)據(jù)的樣本量較小，對(duì)網(wǎng)絡(luò)模型的訓(xùn)練不夠，常常會(huì)影響預(yù)測(cè)結(jié)果的準(zhǔn)確性[3]。因此，本研究結(jié)合了灰色GM(1,1)模型與BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建的預(yù)測(cè)模型，來(lái)預(yù)測(cè)吉林省的農(nóng)業(yè)機(jī)械總動(dòng)力。

1 農(nóng)機(jī)總動(dòng)力預(yù)測(cè)原理

農(nóng)機(jī)總動(dòng)力是一種具有時(shí)間序列特性的數(shù)據(jù)，同時(shí)具有不確定性，對(duì)于該領(lǐng)域的預(yù)測(cè)研究和很多的單序列數(shù)據(jù)的預(yù)測(cè)原理相同。研究時(shí)，根據(jù)已知樣本數(shù)據(jù)，獲得數(shù)據(jù)序列自身存在的關(guān)聯(lián)性，形成預(yù)測(cè)模型，根據(jù)建立的模型來(lái)預(yù)測(cè)未來(lái)數(shù)據(jù)值。對(duì)其基本的預(yù)測(cè)原理描述為

tn+1=M{t1,t2…,tn}

(1)

其中，ti代表第i時(shí)刻的數(shù)據(jù)值，通過(guò)n個(gè)已知樣本數(shù)據(jù)值建立相應(yīng)的預(yù)測(cè)模型M，來(lái)預(yù)測(cè)tn+1時(shí)刻的數(shù)據(jù)值。

2 灰色補(bǔ)償BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型構(gòu)建

根據(jù)農(nóng)機(jī)總動(dòng)力的數(shù)據(jù)特點(diǎn)，結(jié)合對(duì)其進(jìn)行預(yù)測(cè)研究的基本原理，建立預(yù)測(cè)模型。

2.1 灰色GM(1,1) 模型

灰色控制理論最早是由鄧聚龍?zhí)岢龅模粡V泛應(yīng)用在多個(gè)領(lǐng)域中，并取得了很好的應(yīng)用效果[4]。常用的灰色預(yù)測(cè)模型有GM(1,1)和SCGM(1,1)兩種。應(yīng)用灰色模型進(jìn)行預(yù)測(cè)主要優(yōu)點(diǎn)包括所需要的樣本量少，并且計(jì)算簡(jiǎn)單[5-6]。但是，在應(yīng)用灰色GM(1，1)模型進(jìn)行動(dòng)態(tài)預(yù)測(cè)時(shí)，往往會(huì)產(chǎn)生殘差數(shù)據(jù)，這些數(shù)據(jù)對(duì)于預(yù)測(cè)的準(zhǔn)確性有很大的影響。因此，為了提高預(yù)測(cè)的精度，將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到灰色殘差的處理中，通過(guò)BP網(wǎng)絡(luò)的函數(shù)逼近特點(diǎn)來(lái)處理殘差值[7]，將獲得的處理結(jié)果與灰色模型的預(yù)測(cè)結(jié)果進(jìn)行增強(qiáng)運(yùn)算，得到最終的預(yù)測(cè)結(jié)果。

2.2 GM(1,1)模型主要算法

對(duì)于本研究中所應(yīng)用的GM(1,1)模型的算法描述如下：

設(shè)定時(shí)間序列數(shù)據(jù)為x0={x0(1),x0(2)…，x0(n)}。其中，x0(i)代表該時(shí)刻的第i個(gè)觀測(cè)樣本數(shù)據(jù)[8],通過(guò)動(dòng)態(tài)累加方式獲得下一時(shí)刻的序列值為x1={x1(1),x1(2)…,x1(n)}。該模型的主要思想是通過(guò)相應(yīng)的運(yùn)算模式分析數(shù)據(jù)自身的規(guī)律，以動(dòng)態(tài)滾動(dòng)方式來(lái)預(yù)測(cè)數(shù)據(jù)[9]。在該方法中幾個(gè)重要的運(yùn)算公式為

(2)

公式(2)是GM(1,1)模型的微分方程。其中，α代表發(fā)展灰數(shù)；μ代表控制灰數(shù)。

(3)

通過(guò)灰色GM(1，1)進(jìn)行預(yù)測(cè)的模型表示為

(k=1,2,…,n)

(4)

該算法是基于VS2010平臺(tái)、應(yīng)用C++語(yǔ)言進(jìn)行實(shí)現(xiàn)的，部分代碼實(shí)現(xiàn)如下：

Int GS_1(int I , double& sr)

{

if(i<=0||i>k)

return 1;

sr=(x(I,1)-total(I,2)/total(I,1))/exp(total(I,1)*m);

sr=sr+total(I,2)/total(I,1)-ok(1,n);

return 0;

}

2.3 BP神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)是眾多人工神經(jīng)網(wǎng)絡(luò)模型的一種，也是目前應(yīng)用最為廣泛的模型之一[10]。該模型最早是由 David Runelhart等人提出的，其主要的運(yùn)算思想是誤差負(fù)反饋。在數(shù)據(jù)正傳播過(guò)程中，如果輸出層值與期望值存在一定誤差(不滿足要求)，則進(jìn)行誤差負(fù)反饋傳播，同時(shí)不斷調(diào)整各層之間的連接權(quán)值；通過(guò)這樣反復(fù)運(yùn)算，直到得到滿意結(jié)果或者達(dá)到指定的運(yùn)算次數(shù)為止。這個(gè)過(guò)程就是網(wǎng)絡(luò)的訓(xùn)練過(guò)程，同時(shí)形成了合理的連接權(quán)值(預(yù)測(cè)知識(shí)庫(kù))。對(duì)于該網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)，典型的是3層結(jié)構(gòu)，即輸入層、隱含層和輸出層[11]。根據(jù)研究問(wèn)題的不同，隱含層數(shù)可以調(diào)整，同時(shí)各層的神經(jīng)元個(gè)數(shù)也根據(jù)研究實(shí)際進(jìn)行設(shè)置。該網(wǎng)絡(luò)模型具有較強(qiáng)的計(jì)算能力，對(duì)于非線性數(shù)據(jù)有著很好的函數(shù)逼近效果。但是，該模型在計(jì)算過(guò)程中容易陷入局部最小值、收斂速度較慢。BP神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

2.4 預(yù)測(cè)模型構(gòu)建

在以前的研究中應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對(duì)吉林省農(nóng)機(jī)總動(dòng)力進(jìn)行了預(yù)測(cè)分析，得到了較好的預(yù)測(cè)效果。隨著研究的深入，結(jié)合所使用的數(shù)據(jù)樣本(吉林省農(nóng)機(jī)總動(dòng)力)的特點(diǎn)，本研究將灰色GM(1,1)模型引入到了該領(lǐng)域中[12]。根據(jù)數(shù)據(jù)樣本所具有的隨機(jī)性并有一定的灰色特性，首先用GM(1,1)模型對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)分析，得到初步的預(yù)測(cè)結(jié)果；由于灰色模型在預(yù)測(cè)過(guò)程中會(huì)產(chǎn)生殘差數(shù)據(jù)，為了增強(qiáng)預(yù)測(cè)的準(zhǔn)確性，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對(duì)殘差數(shù)據(jù)進(jìn)行函數(shù)擬合運(yùn)算。將BP神經(jīng)網(wǎng)絡(luò)的輸出值與GM(1,1)模型預(yù)測(cè)結(jié)果進(jìn)行增強(qiáng)運(yùn)算，得到最終的預(yù)測(cè)值。

2.4.1 預(yù)測(cè)流程

該預(yù)測(cè)模型的流程如圖2所示。

圖2 灰色補(bǔ)償BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)流程圖

流程描述：

1)通過(guò)中國(guó)統(tǒng)計(jì)年鑒獲得吉林省農(nóng)業(yè)機(jī)械總動(dòng)力的原始數(shù)據(jù)值(單位：萬(wàn)kW)，獲得的數(shù)據(jù)真實(shí)有效，保證了預(yù)測(cè)的有效性。

2)由于原始數(shù)據(jù)值較大，不利于灰色GM(1,1)模型及BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)，所以對(duì)原始數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化處理，處理方法為Z變化。這樣消除了原始數(shù)據(jù)量綱上的差異。

3)將處理后的數(shù)據(jù)作為灰色GM(1,1)模型的預(yù)測(cè)數(shù)據(jù)序列，在預(yù)測(cè)的過(guò)程中采用動(dòng)態(tài)等維的方式進(jìn)行。

4)通過(guò)灰色GM(1,1)模型，根據(jù)前面所示的算法進(jìn)行預(yù)測(cè)并得到初步的預(yù)測(cè)結(jié)果。

5)在灰色預(yù)測(cè)過(guò)程中會(huì)產(chǎn)生殘差數(shù)據(jù)，殘差數(shù)據(jù)本身可以作為BP神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)值。

6)通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)殘差數(shù)據(jù)進(jìn)行處理(函數(shù)逼近)，得到輸出結(jié)果。

7) 將灰色GM(1,1)模型預(yù)測(cè)的初始結(jié)果與BP神經(jīng)網(wǎng)絡(luò)的輸出值進(jìn)行補(bǔ)償運(yùn)算，提高了預(yù)測(cè)的準(zhǔn)確性。

8) 獲得基于灰色補(bǔ)償BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的最終預(yù)測(cè)值，在這個(gè)過(guò)程中需要對(duì)獲得的結(jié)果進(jìn)行逆標(biāo)準(zhǔn)化處理，從而預(yù)測(cè)數(shù)據(jù)與實(shí)際數(shù)據(jù)處在一個(gè)量級(jí)上。

2.4.2 相關(guān)參數(shù)設(shè)置

根據(jù)多次試驗(yàn)，對(duì)于灰色GM(1,1)模型的預(yù)測(cè)主要是采用動(dòng)態(tài)等維度進(jìn)行，每次選取7個(gè)數(shù)據(jù)為輸入數(shù)據(jù)，通過(guò)滾動(dòng)方式獲得后續(xù)的預(yù)測(cè)數(shù)據(jù)；而對(duì)于殘差的處理上(也就是BP神經(jīng)網(wǎng)絡(luò)模型)，主要采用梯度下降算法進(jìn)行，設(shè)定η(學(xué)習(xí)速率)為0.05，ε(誤差)設(shè)定為0.001。

3 應(yīng)用實(shí)例

3.1 樣本數(shù)據(jù)

為了保證試驗(yàn)數(shù)據(jù)的真實(shí)有效性，樣本數(shù)據(jù)來(lái)源于中國(guó)統(tǒng)計(jì)年鑒，保證了試驗(yàn)效果。本研究所使用的樣本數(shù)據(jù)為19條，具體為1995-2013年的吉林省農(nóng)業(yè)機(jī)械總動(dòng)力的數(shù)據(jù)值，數(shù)據(jù)的單位為(萬(wàn)kW)[13]，所獲得的原始數(shù)據(jù)如表1所示。

3.2 數(shù)據(jù)預(yù)處理

通過(guò)觀察原始數(shù)據(jù)，發(fā)現(xiàn)數(shù)據(jù)值較大，在變化趨勢(shì)上是穩(wěn)中有升的。在實(shí)際的計(jì)算中,對(duì)于處理量級(jí)較大的數(shù)據(jù)效果不理想，為了提高預(yù)測(cè)的準(zhǔn)確程度，需要對(duì)原始數(shù)據(jù)進(jìn)行等量綱化處理。處理的方法是較為常用的歸一化，具體參照公式(4)。通過(guò)處理后的數(shù)據(jù)具有相同的量綱，并且都介于0.1～0.9之間，這樣又使得在BP神經(jīng)網(wǎng)絡(luò)的運(yùn)算中能夠快速收斂，達(dá)到良好的預(yù)測(cè)效果。

(5)

表1 原始數(shù)據(jù) 萬(wàn)kW

表2 標(biāo)準(zhǔn)化后數(shù)據(jù)

3.3 實(shí)驗(yàn)過(guò)程

通過(guò)獲得的真實(shí)有效的吉林省近些年的農(nóng)業(yè)機(jī)械總動(dòng)力數(shù)據(jù)，并對(duì)獲得的原始數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化處理。對(duì)處理后的數(shù)據(jù)進(jìn)行試驗(yàn)，本研究所建立的吉林省農(nóng)機(jī)總動(dòng)力預(yù)測(cè)流程如圖2所示。首先，將這19條樣本數(shù)據(jù)(標(biāo)準(zhǔn)化后)作為灰色GM(1，1)模型實(shí)驗(yàn)數(shù)據(jù)，在灰色預(yù)測(cè)部分主要采用的是動(dòng)態(tài)滾動(dòng)預(yù)測(cè)方式進(jìn)行。在灰色預(yù)測(cè)過(guò)程中，每次選取7條數(shù)據(jù)最初始數(shù)據(jù)，根據(jù)GM(1，1)模型的相關(guān)算法，預(yù)測(cè)得到第8個(gè)數(shù)據(jù)值，以此類(lèi)推，直到將所有的樣本數(shù)據(jù)預(yù)測(cè)結(jié)束，則基于灰色GM(1，1)模型的灰色預(yù)測(cè)會(huì)得到相應(yīng)的預(yù)測(cè)值。在每次的灰色動(dòng)態(tài)預(yù)測(cè)中會(huì)產(chǎn)生相應(yīng)的殘差數(shù)據(jù)，將殘差數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)據(jù)，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，通過(guò)設(shè)置合理的學(xué)習(xí)速率以及可以接受的誤差值，來(lái)達(dá)到預(yù)測(cè)的效果。同時(shí)，建立了適用于灰色殘差的預(yù)測(cè)知識(shí)庫(kù)，對(duì)預(yù)測(cè)結(jié)果進(jìn)行補(bǔ)償(殘差修正)，最終將灰色GM(1，1)模型的預(yù)測(cè)結(jié)果與基于BP神經(jīng)網(wǎng)絡(luò)的殘差預(yù)測(cè)結(jié)果進(jìn)行補(bǔ)償運(yùn)算，將最終的運(yùn)算結(jié)果作為本研究的最終預(yù)測(cè)值。由于整個(gè)的預(yù)測(cè)過(guò)程應(yīng)用數(shù)據(jù)是標(biāo)準(zhǔn)化后數(shù)據(jù)，所以基于該預(yù)測(cè)模型的預(yù)測(cè)輸出數(shù)據(jù)仍然是標(biāo)準(zhǔn)化形式數(shù)據(jù)。對(duì)預(yù)測(cè)得到的數(shù)據(jù)逆標(biāo)準(zhǔn)化處理，得到與實(shí)際的農(nóng)機(jī)總動(dòng)力值同量綱數(shù)據(jù)。

3.4 實(shí)驗(yàn)結(jié)果與分析

根據(jù)本研究所建立的基于灰色補(bǔ)償BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型對(duì)吉林省農(nóng)機(jī)總動(dòng)力進(jìn)行了預(yù)測(cè)，為了驗(yàn)證該模型在農(nóng)機(jī)總動(dòng)力方面預(yù)測(cè)結(jié)果的準(zhǔn)確性,與基于BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果進(jìn)行了對(duì)比。其中,表3是通過(guò)BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果;表4是基于本研究(灰色GM(1,1)補(bǔ)償BP神經(jīng)網(wǎng)絡(luò))所使用模型的預(yù)測(cè)結(jié)果。預(yù)測(cè)值與實(shí)際值之間的誤差百分比如表3和表4所示。

表3 基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果

表4 灰色補(bǔ)償BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

通過(guò)以上兩個(gè)表中所列出的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果對(duì)比，可以看出：應(yīng)用灰色GM(1，1)模型并補(bǔ)償BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型在吉林省農(nóng)機(jī)總動(dòng)力的預(yù)測(cè)分析上效果更加理想，相比于BP神經(jīng)網(wǎng)絡(luò)模型其誤差百分比均有不同程度的下降，誤差率更小，所以應(yīng)用該模型對(duì)吉林省農(nóng)業(yè)機(jī)械總動(dòng)力的預(yù)測(cè)結(jié)果更加準(zhǔn)確。以上實(shí)驗(yàn)已經(jīng)驗(yàn)證了改模型的有效性和準(zhǔn)確性，應(yīng)用該模型對(duì)吉林省2016-2020年的農(nóng)業(yè)機(jī)械總動(dòng)力數(shù)據(jù)值進(jìn)行了預(yù)測(cè)，結(jié)果如表5所示。

表5 2016- 2020年吉林省農(nóng)業(yè)機(jī)械總動(dòng)力預(yù)測(cè)值 萬(wàn)kW

年份灰色補(bǔ)償BP模型預(yù)測(cè)值20163341．1420173478．5020183684．1020193792．4220203908．86

通過(guò)表5可以看出：吉林省在農(nóng)機(jī)總動(dòng)力方面呈現(xiàn)增長(zhǎng)的趨勢(shì)，反映了吉林省作為農(nóng)業(yè)大省的特點(diǎn)。根據(jù)該預(yù)測(cè)結(jié)果可以制定農(nóng)機(jī)的生產(chǎn)銷(xiāo)售計(jì)劃，為吉林省“十三五”規(guī)劃提供了科學(xué)的決策依據(jù)，為吉林省農(nóng)業(yè)機(jī)械的“供給側(cè)”改革提供技術(shù)支持。

4 結(jié)論

通過(guò)分析吉林省農(nóng)業(yè)機(jī)械總動(dòng)力所具有的時(shí)間序列數(shù)據(jù)的特點(diǎn)，結(jié)合了灰色控制理論中的GM(1，1)模型對(duì)于少樣本數(shù)據(jù)所具有的良好預(yù)測(cè)效果，同時(shí)對(duì)灰色殘差應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行擬合處理，建立了基于灰色補(bǔ)償?shù)腂P神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[14]。通過(guò)大量的實(shí)驗(yàn)驗(yàn)證了該模型對(duì)于農(nóng)機(jī)總動(dòng)力預(yù)測(cè)的有效性和可靠性，相較于應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)在預(yù)測(cè)準(zhǔn)確性方面有了很大的提高。以吉林省的農(nóng)機(jī)總動(dòng)力為樣本，對(duì)吉林省“十三五”規(guī)劃(2016-2020年)中農(nóng)業(yè)機(jī)械總動(dòng)力數(shù)據(jù)進(jìn)行了預(yù)測(cè)。該預(yù)測(cè)結(jié)果可以作為吉林省農(nóng)業(yè)機(jī)械方面制定規(guī)劃的科學(xué)依據(jù)，又能指導(dǎo)相關(guān)的農(nóng)機(jī)企業(yè)制定合理的生產(chǎn)計(jì)劃。吉林省作為農(nóng)業(yè)大省，科學(xué)合理的預(yù)測(cè)結(jié)果可以對(duì)吉林省農(nóng)業(yè)機(jī)械動(dòng)力的規(guī)劃提供幫助，同時(shí)對(duì)于調(diào)整吉林省的農(nóng)業(yè)結(jié)構(gòu)、促進(jìn)農(nóng)業(yè)機(jī)械“供給側(cè)”改革有著重要的意義和價(jià)值。

[1] 李建偉，梁愛(ài)琴，田 輝.2011-20 15 年 河 南 省農(nóng)業(yè)機(jī)械總動(dòng)力的預(yù)測(cè)[J].農(nóng)機(jī)化研究,2012,34(6):47-50.

[2] 王笑巖，王石.基于BP神經(jīng)網(wǎng)絡(luò)的遼寧省農(nóng)機(jī)總動(dòng)力預(yù)測(cè)[J].中國(guó)農(nóng)機(jī)化,2015,36(2):314-317.

[3] 張國(guó)翊，胡錚.改進(jìn) BP 神經(jīng)網(wǎng)絡(luò)模型及其穩(wěn)定性分析[J].中南大學(xué)學(xué)報(bào):自然科學(xué)版,2011,42(1):115-124.

[4] 鄭斯日古楞.灰色神經(jīng)網(wǎng)絡(luò)在股票價(jià)格預(yù)測(cè)中的應(yīng)用[J].計(jì)算機(jī)仿真,2012,29(2):382-385.

[5] 張傳珂.灰色系統(tǒng)理論在甜瓜品種綜合評(píng)估中的應(yīng)用[J].安徽農(nóng)業(yè)科學(xué),2005,33(7):1214,1311.

[6] 羅開(kāi)元,田天雄.應(yīng)用灰色控制系統(tǒng)預(yù)測(cè)林分產(chǎn)量[J].貴州大學(xué)學(xué)報(bào):自然科學(xué)版,1998,15(1)：16-20.

[7] 潘治利,黃忠民.BP神經(jīng)網(wǎng)絡(luò)結(jié)合有效積溫預(yù)測(cè)速凍水餃變溫冷藏貨架期[J].農(nóng)業(yè)工程學(xué)報(bào), 2012, 28 (22) : 276-281.

[8] 白根元,趙奇,孔芬英.灰色補(bǔ)償RBF神經(jīng)網(wǎng)絡(luò)[J].河北建筑科技學(xué)院學(xué)報(bào),2005,22(2):103-105.

[9] 孫曉云,張濤,王振東,等.基于改進(jìn)灰色GM(1,1)模型的錨桿承載力的預(yù)測(cè)方法[J].河北師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2014，38(6):589-595.

[10] 李翔. 基于GAB和模糊BP神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量預(yù)測(cè)[J]. 華中科技大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，41(1):63-66.

[11] 王麗艷,蔣愛(ài)國(guó),郭樹(shù)國(guó).基于BP神經(jīng)網(wǎng)絡(luò)的獼猴桃切片品質(zhì)參數(shù)預(yù)測(cè)研究[J].中國(guó)農(nóng)機(jī)化,2015,36(4):135-138.

[12] 王麗艷,郭樹(shù)國(guó).基于BP神經(jīng)網(wǎng)絡(luò)玉米蛋白粉吸水性的預(yù)測(cè)[J].中國(guó)農(nóng)機(jī)化,2013,34(6):125-128.

[13] 陳雷,司志剛,鶴榮育,等.基于改進(jìn)自適應(yīng)灰色模型的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)[J].計(jì)算機(jī)科學(xué)，2014，41(S2):259-262.

[14] 王希寧,聶庭陽(yáng),陳璐,等.基于改進(jìn)灰色系統(tǒng)模型的城市食品價(jià)格預(yù)測(cè)方法[J].系統(tǒng)科學(xué)學(xué)報(bào)，2014，22(4)：81-84.

[15] 熊文華,徐建閩,林思.基于BP網(wǎng)絡(luò)的浮動(dòng)車(chē)與線圈檢測(cè)數(shù)據(jù)融合模型[J].計(jì)算機(jī)仿真,2009,26(9):235-238.

[16] 張正虎,袁孟科,鄧建輝,等. 基于改進(jìn)灰色-時(shí)序分析時(shí)變模型的邊坡位移預(yù)測(cè)[J]. 巖石力學(xué)與工程學(xué)報(bào)，2014，33(2):3791-3796.

Gray Compensation BP Neural Network Prediction of the Total Power of Agricultural Machinery——Taking Jilin Province as an Example

Ai Hongfu

(Jilin Agricultural University, Changchun 130117, China)

The prediction of the total power of agricultural machinery is of great significance and research value to the"supply side" of agricultural machinery. Scientific and reasonable forecast results have important guiding significance for the planning and development of the functional departments. The dynamic data of agricultural machinery has time series properties, and the grey GM (1,1) model is used to analyze the dynamic data effectively. In order to improve the accuracy of prediction, BP neural network is used to deal with the grey residual data, and the grey prediction results are compensated, and the corresponding prediction model is established. Through experiments, it shows that the model is scientific and effective for the prediction of the total power of agricultural machinery in Jilin province. And Jilin province in the next five years, the total power of agricultural machinery to predict, to provide a scientific basis for the relevant policy formulation.

total power of agricultural machinery; prediction; BP neural network; grey theory

2016-06-19

吉林省教育廳“十二五”規(guī)劃項(xiàng)目(吉教科合字[2015]第183號(hào))；吉林省高等教育學(xué)會(huì)科研項(xiàng)目(JGJX2015D34)；吉林省教育廳科學(xué)研究項(xiàng)目(2015-00193)

艾洪福(1980-)，男，吉林松原人，講師，碩士，(E-mail)aixin1115@163.com。

S23-0: TP183

A

1003-188X(2017)08-0038-05