基于指数平滑模型的农机总动力和综合机械化水平预测.pdf

《基于指数平滑模型的农机总动力和综合机械化水平预测.pdf》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、2010年第2期(总第223期)农业装备与车辆工程AGRICULTURALEQUIPMENT&VEHICLEENGINEERINGNo．22010(Totally223)doi：10．3969／j．issn．1673—3142．2010．02．003基于指数平滑模型的农机总动力和综合机械化水平预测赵旭(山东省滨州市滨城区农业机械管理局，山东滨州256600)摘要：利用山东省1986-2007年农机总动力和综合机械化水平统计数据。建立了基于3次指数平滑时间序列分析的农机总动力和综合机械化水平模型．并

2、将该模型应用到2008—2011年山东省农机总动力和综合机械化水平的预测中，取得了良好的模拟预测效果，为农业机械化发展趋势预测和规划提供了一定的理论参考依据。关键词：农机总动力；综合机械化水平；指数平滑；预测中图分类号：$23-01文献标识码：A文章编号：1673—3142(2010)02-0011-03ThePredictionofTotalPowerAgriculturalMachineryandIntegratedMechanizationLevelBasedonExponentialSmo

3、othingModelZHAOXu(BinchengDistrictAuthorityofAgriculturalMachinery，Binzhou256600，China)Abstract：Accordingtototalpowerofagriculturemachineryandintegratedmechanizationleveldatafrom1986to2007inShandongprovince，thetimeseriesmodelbasedonthreetimesexponenti

4、alsmoothinganalysiswaspresented，anditwasappliedtothepredictionoftotalpowerofagriculturalmachineryandintegratedmechanizationlevelinShandongProvince，andreceivedbetterestimationeffects．Itcallprovideatheoreticalguidanceforforecastingandplanningagricultura

5、lmechanizationdevelopmenttrend．Keywords：totalpowerofagriculturalmachinery；integratedmechanizationlevel；exponentialsmoothing；prediction引言政策支持、法律保障和科技进步使得我国农业机械化发展不断迈向新台阶．农业机械总动力持续增长，农业机械化水平逐年提升。农机总动力是指用于农林牧渔业生产和运输的所有机械动力之和，而综合机械化作业水平则是依据公式通过农作物耕、种、收水平综

6、合计算得到。近年来，研究者对农机总动力和综合机械化作业水平的预测模型主要有灰色GM(1，1)、BP人工神经网络、灰色人工神经网路组合模型等∽]，尽管一些模型的精度很高，但考虑到实际过程中很难将这一些复杂的科学优化方法与农机部门预测相结合。而3次指数平滑时间序列模型几乎适用于所有的应用问题．且计算相对简单．朱立学等[7憎将该模型运用到广东省水稻机械化水平预测中。取得了很好的收稿日期：2009—12—24作者简介：赵旭(1982一)，男，安徽省灵璧县人，工学硕士，主要从事农业机械管理工作。预测结果。因

7、此，本文利用山东省1986—2007年农机总动力和综合机械化水平统计资料，建立了基于3次指数平滑时间序列分析的农机总动力和综合机械化水平模型，并对山东省未来几年农机总动力和综合机械化水平进行了预测，以期为农业机械化发展和规划提供一定的参考依据。1指数平滑模型原理3次指数平滑预测法能排除外部的偶然干扰，平稳地反映出数据序列的变化趋势，几乎适用于所有的应用问题[8]。N次指数平滑值的计算公式为：S‘加=c哕‘+(1—0c)&l[M(1)式中S【，v]——第t周期的Ⅳ次指数平滑值(N=1，2，3)；S一

8、，【Ⅳ]——第￡一l周期的Ⅳ次指数平滑值；竹——预测对象第t周期的实际数值；a——指数平滑因数。当原始数据较多(n>50)时，初始值Sot州对预测结果的影响不大，可用第一个数据Y，作为初始值；当实际数据较少(n<20)时，初始值So[Ⅳ]又寸2010年第2期农业装备与车辆工程预测结果的影响比较大，一般取前3个周期数据的平均值作为初始值。a值是原始数据的权重，是影响预测效果的重要因素。a值越大．近期数据在S嗍中所占权重越大。如果时间序列数据的长期趋势比较稳定，a取值为0．02—0．3