|本期目录/Table of Contents|

[1]李鹏飞,王青青,毋建宏,等.基于BP神经网络、ARIMA和LS-SVM模型的集成预测研究——1978—2017年陕西省苹果产量实证[J].江苏农业科学,2020,48(04):294-300.
　Li Pengfei,et al.Study on integrated prediction based on BP neural network，ARIMA and LS-SVM model—An empirical study of apple production in Shaanxi Province from 1978 to 2017[J].Jiangsu Agricultural Sciences,2020,48(04):294-300.
点击复制

基于BP神经网络、ARIMA和LS-SVM模型的
集成预测研究
——1978—2017年陕西省苹果产量实证(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第48卷
期数:
2020年第04期
页码:
294-300
栏目:
农业经济与管理
出版日期:
2020-03-25

文章信息/Info

Title:
Study on integrated prediction based on BP neural network，ARIMA and LS-SVM model—An empirical study of apple production in Shaanxi Province from 1978 to 2017
作者:
李鹏飞1;  王青青1;  毋建宏2;  陈华雪2
1.西安邮电大学现代邮政学院，陕西西安 710061； 2.西安邮电大学经济与管理学院，陕西西安 710061
Author(s):
Li Pengfei; et al
关键词:
BP神经网络; ARIMA; LS-SVM; 陕西苹果产量; 集成预测
Keywords:
-
分类号:
S11+9
DOI:
-
文献标志码:
A
摘要:
利用单一预测模型进行产量预测时，由于各模型的数学原理不同，对同一数据的处理只能基于数据的部分特征，在预测时无法深度挖掘数据的潜在规律，易出现较大的预测偏差。基于以上问题，笔者以1978—2017年陕西省苹果产量数据为研究对象，将1978—2012年产量作为预测模型的训练数据，2013—2017年产量作为测试数据，选取BP神经网络、ARIMA、LS-SVM 3种在数学原理上具有明显差异的预测模型，采用集成预测策略，依据3种预测模型对训练数据的平均相对预测误差确定各模型的预测权重，最终对各模型预测的2013—2017年数据进行加权获取集成预测值。实证分析表明，集成预测值的平均相对误差在2.5%以内，其预测结果比单一预测模型更加准确和稳健，可有效实现苹果产量高精度预测。
Abstract:
-

参考文献/References:

［1］李艳花，薛江伟. 基于SWOT分析的陕西苹果国际竞争力提升策略［J］. 干旱区资源与环境，2008，22(9)：30-36.
［2］王卫东，李净，张福存，等. 基于BP神经网络的太阳辐射预测——以兰州市为例［J］. 干旱区资源与环境，2014，28(2)：185-189.
［3］吴玉霞，温欣. 基于ARIMA模型的短期股票价格预测［J］. 统计与决策，2016(23)：83-86.
［4］隗海林，包翠竹，李洪雪，等. 基于最小二乘支持向量机的怠速时间预测［J］. 吉林大学学报(工学版)，2018，48(5)：1360-1365.
［5］翟静，曹俊. 基于时间序列ARIMA与BP神经网络的组合预测模型［J］. 统计与决策，2016(4)：29-32.
［6］潘和平，张承钊. FEPA-金融时间序列自适应组合预测模型［J］. 中国管理科学，2018，26(6)：26-38.
［7］龙勇，苏振宇，汪於. 基于季节调整和BP神经网络的月度负荷预测［J］. 系统工程理论与实践，2018，38(4)：1052-1060.
［8］张侃，刘宝平，黄栋. 基于EGA算法的小样本非线性残差灰色Verhulst计量组合预测模型［J］. 系统工程理论与实践，2017，37(10)：2630-2639.
［9］金淳，曹迪，王聪，等. 汽车零部件第三方物流仓储需求量集成预测模型［J］. 系统管理学报，2018，27(6)：1157-1165.
［10］蔡超敏，凌立文，牛超，等. 国内猪肉市场价格的EMD-SVM集成预测模型［J］. 中国管理科学，2016，24(增刊1)：845-851.
［11］李蕾，李超，丁雪辰，等. 我国执业(助理)医师需求集成预测——基于GM、ARIMA和VAR模型的实证研究［J］. 管理评论，2018，30(3)：171-178.
［12］张莉曼，张向先，李中梅，等. 基于BP神经网络的智库微信公众平台信息传播力评价研究［J］. 情报理论与实践，2018，41(10)：93-99.
［13］周开利，康耀红. 神经网络模型及其MATLAB仿真程序设计［M］. 北京：清华大学出版社，2005.
［14］潘静，张颖，刘璐. 基于ARIMA模型与GM(1，1)模型的居民消费价格指数预测对比分析［J］. 统计与决策，2017(20)：110-112.
［15］陈荣，梁昌勇，陆文星，等. 面向旅游突发事件的客流量混合预测方法研究［J］. 中国管理科学，2017，25(5)：167-174.
［16］Vapnik V N. The nature of statistical learning theory［M］. New York：Springer，2000：133-155.
［17］Suykens J，Vandewalle J. Least squares support vector machine classifiers［J］. Neural Processing Letters，1999，9(3)：293-300.
［18］张慧，卢文冰，赵雄文，等. 基于最小二乘支持向量机和小波神经网络的电力线通信信道噪声建模研究［J］. 电工技术学报，2018，33(16)：3879-3888.
［19］Suykens J K，Brabanter J D，Lukas L，et al. Weighted least squares support vector machines：robustness and sparse approximation［J］. Neurocomputing，2002，48(1/2/3/4)：85-105.

相似文献/References:

[1]翟慧,李纪云.BP_Adaboost预测模型结合遗传算法在鸡腿菇生长环境寻优中的应用[J].江苏农业科学,2013,41(07):383.
　Zhai Hui,et al.Application of BP_Adaboost forecasting model combined genetic algorithm in growth environment optimization of Coprinus comaus[J].Jiangsu Agricultural Sciences,2013,41(04):383.
[2]赵艳玲,何厅厅,侯占东,等.基于BFA-BP神经网络的土壤肥力评价[J].江苏农业科学,2013,41(08):340.
　Zhao Yanling,et al.Soil fertility evaluation based on BFA-BP neural network[J].Jiangsu Agricultural Sciences,2013,41(04):340.
[3]王红君,张梦,赵辉,等.基于BP神经网络的温室黄瓜灌溉预测模型[J].江苏农业科学,2013,41(11):407.
　Wang Hongjun,et al.Irrigation forecast model of cucumber in greenhouse based on BP neural networks[J].Jiangsu Agricultural Sciences,2013,41(04):407.
[4]李子艺,王振锡,岳俊,等.基于BP神经网络的高光谱果树树种识别研究[J].江苏农业科学,2016,44(05):410.
　Li Ziyi,et al.Study on recognition of fruit tree with hyperspectral data based on BP neural network[J].Jiangsu Agricultural Sciences,2016,44(04):410.
[5]马海姣,崔晨风.基于可见-近红外光谱和神经网络的土壤类型鉴别[J].江苏农业科学,2014,42(04):284.
　Ma Haijiao,et al.Identification of soil types based on visible-near infrared spectroscopy and neural networks[J].Jiangsu Agricultural Sciences,2014,42(04):284.
[6]林萍,陈永明.利用可见近红外光谱技术快速鉴别大米品种[J].江苏农业科学,2015,43(12):320.
　Lin Ping,et al.Fast discrimination of rice varieties based on visible near-infrared spectroscopy technology[J].Jiangsu Agricultural Sciences,2015,43(04):320.
[7]梁帆,杨莉莉,崔世钢,等.基于神经网络的油菜成熟度等级视觉检测方法[J].江苏农业科学,2015,43(08):403.
　Liang Fan,et al.Visual inspection method of rapeseed maturity level based on neural networks[J].Jiangsu Agricultural Sciences,2015,43(04):403.
[8]赵方华,姜波.加工番茄的施肥模型[J].江苏农业科学,2015,43(06):147.
　Zhao Fanghua,et al.Fertilization model of processing tomato[J].Jiangsu Agricultural Sciences,2015,43(04):147.
[9]张亚丽.基于颜色特征和极端学习机的番茄成熟度识别[J].江苏农业科学,2014,42(07):411.
　Zhang Yali.Identification of tomato maturity based on color features and extreme learning machine[J].Jiangsu Agricultural Sciences,2014,42(04):411.
[10]杨可明,卓伟,刘二雄,等.基于光谱特征参数与主成分分析的玉米叶片叶绿素含量BP反演[J].江苏农业科学,2016,44(07):147.
　Yang Keming,et al.Study on a BP model for inversing chlorophyll content of corn leaves based on spectral characteristic parameters and principal component analysis[J].Jiangsu Agricultural Sciences,2016,44(04):147.

备注/Memo

备注/Memo:
收稿日期：2019-07-30
基金项目：国家社会科学基金(编号：18FGL022)；教育部哲学社会科学研究后期资助项目(编号：18JHQ082)；陕西省科技厅重大项目(编号：2018ZDXM-GY-188)；陕西省社会科学界2019年重大理论与现实问题研究项目(编号：2019TJ038)；陕西高校青年创新团队；西安市科技计划［编号：201806117YF05NC13(5)］。
作者简介：李鹏飞(1975—)，男，陕西户县人，教授，硕士生导师，主要从事电商大数据分析研究。E-mail：lpf@xupt.edu.cn。
通信作者：毋建宏，副教授，主要从事大数据处理研究。E-mail：wujh@xupt.edu.cn。
更新日期/Last Update: 2020-02-20