張建勛

(呂梁市農(nóng)業(yè)機(jī)械化技術(shù)推廣站，山西 呂梁033000)

0 引言

呂梁市農(nóng)業(yè)資源豐富，農(nóng)業(yè)特色產(chǎn)業(yè)優(yōu)勢(shì)明顯，是重要的紅棗、核桃、馬鈴薯、食用菌、林下中藥材、小雜糧及蔬菜產(chǎn)地。農(nóng)機(jī)總動(dòng)力是反映農(nóng)業(yè)機(jī)械化發(fā)展水平的一個(gè)重要指標(biāo)，是衡量農(nóng)業(yè)發(fā)展現(xiàn)狀的一個(gè)重要因素[1]。準(zhǔn)確預(yù)測(cè)呂梁市農(nóng)機(jī)總動(dòng)力，可有效輔助相關(guān)部門進(jìn)行農(nóng)業(yè)發(fā)展規(guī)劃制定與實(shí)施，推動(dòng)現(xiàn)代農(nóng)業(yè)發(fā)展和農(nóng)業(yè)產(chǎn)值提高。

程敬春等[2]利用灰色模型分析法進(jìn)行新疆農(nóng)機(jī)總動(dòng)力的發(fā)展預(yù)測(cè)，得到較好的預(yù)測(cè)結(jié)果。王金峰等[3]將經(jīng)驗(yàn)?zāi)B(tài)分解應(yīng)用于農(nóng)機(jī)總動(dòng)力增長預(yù)測(cè)中。張靜等[4]采用混沌時(shí)間序列的一階局域模型預(yù)測(cè)新疆農(nóng)業(yè)機(jī)械總動(dòng)力，得到較好的預(yù)測(cè)結(jié)果，平均絕對(duì)誤差為0.64%。孟金鳳[5]論述了基于Shapley值組合預(yù)測(cè)農(nóng)機(jī)總動(dòng)力的思路和方法。吐爾遜·買買提等[6]提出基于百分誤差的計(jì)算屬性重要度方法，得到較高的預(yù)測(cè)精度和較低的預(yù)測(cè)誤差波動(dòng)幅度。上述研究為本研究提供了理論依據(jù)和方法。因此，本研究采用指數(shù)函數(shù)、三次多項(xiàng)式函數(shù)及BP神經(jīng)網(wǎng)絡(luò)法分別建立呂梁市農(nóng)機(jī)總動(dòng)力預(yù)測(cè)模型，分析預(yù)測(cè)結(jié)果，并對(duì)農(nóng)機(jī)總動(dòng)力進(jìn)行預(yù)測(cè)，以期為呂梁市農(nóng)業(yè)機(jī)械化的發(fā)展提供參考。

1 試驗(yàn)數(shù)據(jù)與處理方法

1.1試驗(yàn)數(shù)據(jù)

采用1979—2015年呂梁市農(nóng)機(jī)總動(dòng)力進(jìn)行預(yù)測(cè)分析，其變化趨勢(shì)如圖1所示。從總體上看，農(nóng)機(jī)總動(dòng)力呈上升趨勢(shì)，最小值447 553 kW(1979年)，最大值3 033 029 kW(2015年)。

1.2指數(shù)函數(shù)預(yù)測(cè)模型

以年份作為輸入量，農(nóng)機(jī)總動(dòng)力作為輸出量，建立指數(shù)函數(shù)預(yù)測(cè)模型。為簡(jiǎn)化模型中的自變量，輸入量中將1979年設(shè)定為0，依次遞增，2015年即為36，共有37組數(shù)據(jù)。將1979—2009年所對(duì)應(yīng)的數(shù)據(jù)用作訓(xùn)練樣本，2010—2015年所對(duì)應(yīng)的數(shù)據(jù)用作預(yù)測(cè)樣本。

1.3三次多項(xiàng)式預(yù)測(cè)模型

三次多項(xiàng)式函數(shù)預(yù)測(cè)模型在輸入量和輸出量的設(shè)定中，與指數(shù)函數(shù)預(yù)測(cè)模型相同，建立年份和農(nóng)機(jī)總動(dòng)力之間的三次多項(xiàng)式函數(shù)。訓(xùn)練樣本和預(yù)測(cè)樣本與指數(shù)函數(shù)預(yù)測(cè)模型相同。

1.4BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

BP神經(jīng)網(wǎng)絡(luò)是一種前饋式誤差反向傳播的神經(jīng)網(wǎng)絡(luò)，利用梯度搜索技術(shù)，實(shí)現(xiàn)網(wǎng)絡(luò)輸出值的實(shí)際值和期望值的均方誤差最小，含有輸入層、隱含層和輸出層，具有模擬復(fù)雜非線性映射的能力，在網(wǎng)絡(luò)的訓(xùn)練中可根據(jù)具體的問題設(shè)定中間層數(shù)和各層的神經(jīng)元個(gè)數(shù)[7-8]。

本研究中基于1979—2009年的數(shù)據(jù)集重新構(gòu)建BP神經(jīng)網(wǎng)絡(luò)的時(shí)間序列，假定第i年的農(nóng)機(jī)總動(dòng)力為Xi。設(shè)定連續(xù)6年農(nóng)機(jī)總動(dòng)力所組成的6維數(shù)據(jù)作為輸入量預(yù)測(cè)第12年的農(nóng)機(jī)總動(dòng)力，即第i+11年所對(duì)應(yīng)的網(wǎng)絡(luò)輸入量X=[Xi，Xi+1， ...Xi+5]，所對(duì)應(yīng)的輸出量Y為第i+11年的農(nóng)機(jī)總動(dòng)力Xi+11。假定共有M年的樣本，重構(gòu)后時(shí)間序列變?yōu)檩斎肓縈-5組，已知的輸出量變?yōu)镸-11組，故選擇前M-11組分別用作訓(xùn)練樣本和預(yù)測(cè)樣本，最后6組用于未來年份中農(nóng)機(jī)總動(dòng)力的預(yù)測(cè)。

本研究的初始數(shù)據(jù)共有37年的農(nóng)機(jī)總動(dòng)力數(shù)據(jù)，重組后輸入量為32組數(shù)據(jù)，前26組用作訓(xùn)練和測(cè)試樣本。重構(gòu)后，第1組輸入量(前6年所形成的數(shù)據(jù)組)所對(duì)應(yīng)的輸出量為1990年的農(nóng)機(jī)總動(dòng)力。因此，訓(xùn)練樣本的預(yù)測(cè)年份從1990年開始，將輸出量為1990—2009年農(nóng)機(jī)總動(dòng)力所對(duì)應(yīng)的數(shù)據(jù)組用作訓(xùn)練樣本，將輸出量為2010—2015年的農(nóng)機(jī)總動(dòng)力所對(duì)應(yīng)數(shù)據(jù)組用作測(cè)試樣本，最后6組用于2016—2021年農(nóng)機(jī)總動(dòng)力的預(yù)測(cè)。

2 預(yù)測(cè)模型建立與分析

2.1指數(shù)函數(shù)模型

對(duì)1979—2009年的數(shù)據(jù)進(jìn)行指數(shù)函數(shù)擬合，所得預(yù)測(cè)模型為

Y=45 027e0.055 3X

(1)

式中Y——農(nóng)機(jī)總動(dòng)力，kW

X——年份

將年份作為輸入量，利用式(1)預(yù)測(cè)得到2010—2015年的農(nóng)機(jī)總動(dòng)力，其平均絕對(duì)誤差為3.22%。

2.2三次多項(xiàng)式函數(shù)模型

對(duì)1979—2009年的試驗(yàn)數(shù)據(jù)進(jìn)行三次多項(xiàng)式函數(shù)擬合，所得預(yù)測(cè)模型為

Y=68.837X3-1 355X2+45 805X+410 863

(2)

根據(jù)式(2)預(yù)測(cè)2010—2015年的農(nóng)機(jī)總動(dòng)力，其平均絕對(duì)誤差為8.05%。

2.3BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練中，訓(xùn)練集樣本輸入量為20×6維的數(shù)組，tansig和purelin函數(shù)分別設(shè)定為隱含層和輸出層激勵(lì)函數(shù)，trainlm函數(shù)設(shè)定為網(wǎng)絡(luò)訓(xùn)練函數(shù)，隱層神經(jīng)元數(shù)10，網(wǎng)絡(luò)迭代次數(shù)100次，期望誤差0.000 1，學(xué)習(xí)速率0.1。在第2次迭代時(shí)，均方誤差0.008 9，得到較好的預(yù)測(cè)結(jié)果，對(duì)2010—2015年農(nóng)機(jī)總動(dòng)力進(jìn)行預(yù)測(cè)，平均絕對(duì)誤差為1.11%。

2.4農(nóng)機(jī)總動(dòng)力預(yù)測(cè)

利用指數(shù)函數(shù)模型、三次多項(xiàng)式函數(shù)模型及BP神經(jīng)網(wǎng)絡(luò)模型所得2010—2015年農(nóng)機(jī)總動(dòng)力預(yù)測(cè)值和預(yù)測(cè)樣本相對(duì)誤差的絕對(duì)值圖2所示。

由圖2a可知，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)農(nóng)機(jī)總動(dòng)力的預(yù)測(cè)值和實(shí)際值最接近，差異性明顯小于指數(shù)函數(shù)和三次多項(xiàng)式函數(shù)，其中三次多項(xiàng)式函數(shù)的預(yù)測(cè)值偏離實(shí)際值較大。由圖2b可知，BP神經(jīng)網(wǎng)絡(luò)的相對(duì)誤差絕對(duì)值(0.14%～3.01%)明顯小于指數(shù)函數(shù)模型(0.20%～5.29%)和三次多項(xiàng)式函數(shù)模型(2.53%～15.91%)相對(duì)誤差絕對(duì)值。結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力好于指數(shù)函數(shù)和三次多項(xiàng)式函數(shù)，BP神經(jīng)網(wǎng)絡(luò)和指數(shù)函數(shù)模型的預(yù)測(cè)結(jié)果均較理想。

基于BP神經(jīng)網(wǎng)絡(luò)和指數(shù)函數(shù)模型，對(duì)2016—2021年呂梁市農(nóng)機(jī)總動(dòng)力進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果如表1所示，兩種方法所得預(yù)測(cè)值均表明未來幾年呂梁市的農(nóng)機(jī)總動(dòng)力將持續(xù)增長。2016—2019年呂梁市農(nóng)機(jī)總動(dòng)力是已知，該3年的數(shù)據(jù)用來對(duì)建模方法進(jìn)行驗(yàn)證，2016—2019年呂梁市農(nóng)機(jī)總動(dòng)力是逐年增長的。2016—2019年BP神經(jīng)網(wǎng)絡(luò)的相對(duì)誤差絕對(duì)值為0.80%～1.30%，指數(shù)函數(shù)的相對(duì)誤差絕對(duì)值為10.25%～25.44%。BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力好于指數(shù)函數(shù)，與圖2中預(yù)測(cè)結(jié)果一致。BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果較理想，表明該方法可用于進(jìn)行農(nóng)機(jī)總動(dòng)力的預(yù)測(cè)。

表1 2016—2021年呂梁市農(nóng)機(jī)總動(dòng)力的預(yù)測(cè)結(jié)果

Table.1 Predictive results of total power of agricultural machinery in Lvliang city from 2016 to 2021

3 結(jié)論

本研究根據(jù)1979—2015年呂梁市農(nóng)機(jī)總動(dòng)力，利用指數(shù)函數(shù)、三次多項(xiàng)式函數(shù)及BP神經(jīng)網(wǎng)絡(luò)3種方法建立了農(nóng)機(jī)總動(dòng)力的預(yù)測(cè)模型。利用連續(xù)6年的農(nóng)機(jī)總動(dòng)力值重構(gòu)了BP神經(jīng)網(wǎng)絡(luò)的輸入量，并且對(duì)農(nóng)機(jī)總動(dòng)力進(jìn)行預(yù)測(cè)。在對(duì)測(cè)試集的樣本預(yù)測(cè)中，三次多項(xiàng)式函數(shù)模型的預(yù)測(cè)能力較差，平均絕對(duì)誤差為8.05%；BP神經(jīng)網(wǎng)絡(luò)和指數(shù)函數(shù)模型的預(yù)測(cè)能力較好，平均絕對(duì)誤差分別為1.11%和3.22%?；贐P神經(jīng)網(wǎng)絡(luò)和指數(shù)函數(shù)模型預(yù)測(cè)2016—2021年呂梁市農(nóng)機(jī)總動(dòng)力，為呂梁市農(nóng)業(yè)機(jī)械化的發(fā)展提供參考。