考虑自变及因变影响的农机总动力组合预测模型

《考虑自变及因变影响的农机总动力组合预测模型》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2015年4月农机化研究第4期考虑自变及因变影响的农机总动力组合预测模型刘静，朱达荣(安徽建筑大学机械与电气工程学院，合肥230601)摘要:为能获得精确预测农机总动力的方法，以灰色模型和多元线性回归模型为子模型，应用Shapley值法计算子模型权重系数，构建农机总动力组合预测模型。应用我国2000－2010年农机总动力数据，分别标定上述模型相关参数，并计算各模型年度相对误差和平均相对误差。其中，GM模型和多元线性回归模型的平均相对误差分别为0．68%和0．91%，组合预测模型的平均相对误差为0．59%，精度较高。同时，组合

2、模型既能够反映数据自身变化规律的特征，又能定量反映农机总动力与其相关影响因数间的数理关系，具有较强的适用性。关键词:农机总动力;灰色模型;多元线性回归模型;Shapley值;组合预测中图分类号:S210．7文献标识码:A文章编号:1003－188X(2015)04－0230－07DOI:10.13427/j.cnki.njyi.2015.04.055未来走势，模型使用方便，无需考虑其他因素影响，但0引言只能描述单调的变化过程;其结合马尔科夫方法可以自新农村建设战略构思被提出后，我国制定了一形成灰色马尔可夫预测模型，适用于实际

3、发展的随机系列政策来引导和加大新农村建设力度，“新农村建波动过程，但对系统状态划分目前无统一标准;人工设”已成为热点话题，其主要目的是从根本上解决“农神经网络法模拟人脑输入信息和输出决策的处理过业、农村、农民”问题。实现农业现代化是“三农”问题程，不显示其中信息加工和模型构建具体流程，方法重点发展目标之一，农机总动力是反映农业现代化的较为简便，但精度受数据自身特点影响较大;多元回主要指标，是衡量农机水平的重要表征。农机总动力归法可以构建各影响因素与农机总动力结果间的数是指用于农、林、牧、渔业的各种动力机械的动力总理关系，定量

4、化各因素对农机总动力的影响过程及程和，包括耕作机械、排灌机械、收获机械、农用运输机度，但因素的选取变化较多，且最终预测结果需要首械、植物保护机械、牧业机械、林业机械、渔业机械，以先预测各因素未来发展趋势，即用预测的数据作为变及其他农业机械。量再预测因变量，模型精度势必较差。把握未来农机总动力，对政府部门制定切实可行为此，本文综合上述各模型的优缺点，拟首先从的农业发展规划和科学有效的农业扶持政策具有较数据自身特点应用灰色理论进行初步预测，可表征农强的指导意义，更是促进农业深入发展的主要依据。机总动力的自身变化态势;同时，为反映

5、其他因素对故对于农机总动力的预测一直是相关学者研究的重农业的影响，构建农机总动力多元回归模型，来分析［1－5］点;但农机动力涉及行业较多，产品种类更是繁相关因变关系。其次，为使两模型的优点能够统一，冗，且受农业综合发展水平的多因素影响难以预测，应用Shapley值法，建立基于自变及因变影响的农机同时相关预测方法受各种因素影响精度难以保证。总动力组合预测模型。该模型既能反应农机总动力常用的预测方法有灰色预测法、人工神经网络变化的摆动规律，又能反应多因素共同作用农机总动法、回归分析法、指数平滑法、模糊分析法和时间序列力的因变规律

6、。法等。上述方法各有特点，但单独使用均存在一定问1GM(1，1)模型构建题。如灰色理论中的GM(1，1)模型可以从农机总动力的数据本身着手，分析数据特点和变化规律，预测灰色GM(1，1)模型作为灰色理论的主要模型，在工业、农业、水利、经济等行业发挥了重要的数据分收稿日期:2014－04－22析、趋势预测及决策模式等作用［6－8］。其主要思想是基金项目:国家自然科学基金项目(51308177，51178158);高等学校针对系统模型之不确定性及信息之不完整性，进行系博士学科点专项科研基金项目(20120111120021)统的

7、关联分析及模型建构，并借着预测及决策的方法作者简介:刘静(1984－)，女，河南南阳人，助教，硕士，(E－mail)89141791@qq．com。来探讨与了解系统，对于数据量少且具有递增趋势的·230·2015年4月农机化研究第4期规律具有较好的适应性。由于农业机械总动力受较X^(0)(k+1)=X^(1)(k+1)－X^(1)(k)多因素影响，现有研究并未明确因素的具体分类。因=(1－eα)X(0)μe－ak(3)[(1)－]此，本文从农机总动力发展的数值规律进行分析，根a据其递增趋势，构建GM(1，1)模型。1．5模型

8、残差检验1．1构建模型序列构建农机总动力GM(1，1)预测模型，需检验模型设原始数据序列为精度，方能确定模型的有效性，常用残差检验法，具体(0)(0)(0)(0)X={X(1)，X(2)，．．．，X(n)}为对模型值和实测值的残差进行逐点检验。其中，n为数据个数。按预测模型计算X^(1)(