基于小波变换的GM(1，1)-ARIMA组合模型<br/>对粮食产量的预测-《江苏农业科学》

文章信息/Info

Title:: Prediction of grain yield by GM(1，1)-ARIMA combination model based on wavelet transform

作者:: 樊超; 郭亚菲; 曹培格; 河南工业大学信息科学与工程学院，河南郑州 450001

Author(s):: Fan Chao; et al

关键词:: 粮食产量; 预测; 小波分析; GM(1; 1)模型; ARIMA模型

Keywords:: -

分类号:: S126

DOI:: -

文献标志码:: A

摘要:: 为提高粮食产量的预测精度，针对粮食产量的数据特点，提出了在小波变换的基础上，结合GM(1，1)模型与ARIMA模型的优点，建立GM(1，1)-ARIMA组合预测模型。首先，通过小波变换对非平稳序列进行分解，得到近似分量和细节分量；针对各分量序列的不同特征，采用灰色GM(1，1)模型对近似分量进行趋势预测，为进一步提高趋势信号的预测精度，使用灰色GM(1，1)模型对预测序列进行残差修正；然后，采用ARIMA预测模型对分离出的细节分量进行预测；最后，通过小波重构得到粮食产量的预测值。预测结果表明，基于小波变换的GM(1，1)-ARIMA模型的拟合平均误差为0.69%，通过对2011—2014年粮食产量的预测，其预测平均误差低于1%，为粮食产量预测提供了一种新的技术途径。

Abstract:: -

参考文献/References:

［1］王建林，王宪彬，太华杰. 中国粮食总产量预测方法研究［J］. 气象学报，2000，58(6)：738-744.
［2］丁晨芳. 组合模型分析方法在我国粮食产量预测中的应用［J］. 农业现代化研究，2007，28(1)：101-103.
［3］何延治. 基于时间序列分析的吉林省粮食产量预测模型［J］. 江苏农业科学，2014，42(10)：478-479.
［4］候彦林，郑宏艳，刘书田，等. 粮食产量预测理论、方法及应用［J］. 农业资源与环境学报，2014，31(3)：205-211.
［5］樊超，杨静，杨铁军，等. 基于小波变换的灰度模型-人工神经网络(GM-ANN)组合的粮食产量预测模型［J］. 江苏农业科学，2016，44(12)：390-393.
［6］樊超，郭亚菲，曹培格，等. 基于主成分分析的粮食产量极限学习机预测模型研究［J］. 粮食加工，2017，42(2)：1-5.
［7］田中大，李树江，王艳红，等. 基于小波变换的风电场短期风速组合预测［J］. 电工技术学报，2015，30(9)：112-120.
［8］何一韬，朱永忠. 改进小波-ARMA分频模型在径流预测中的应用［J］. 云南民族大学学报(自然科学版)，2016，25(2)：145-151.
［9］赵建忠，徐廷学，李海军，等. 基于小波分析的导弹装备备件需求组合预测［J］. 电子学报，2014，42(3)：417-423.
［10］李祥，彭玲，邵静，等. 基于小波分解和ARMA模型的空气污染预报研究［J］. 环境工程，2016，34(8)：110-114.

相似文献/References:

[1]李磊,谢小璐.工业污染与城镇化对粮食产量影响的灰色分析——以江苏省为例[J].江苏农业科学,2013,41(06):393.
　Li Lei,et al.Gray analysis on influence of industrial pollution and urbanization on grain outputs—Taking Jiangsu Province as an example[J].Jiangsu Agricultural Sciences,2013,41(01):393.
[2]李治国,陆贤东,管相荣.1982—2011年旱灾对中国粮食产量影响研究[J].江苏农业科学,2014,42(08):426.
　Li Zhiguo,et al.Study on effect of drought on Chinas grain output in the past 30 years[J].Jiangsu Agricultural Sciences,2014,42(01):426.
[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(01):407.
[4]黄炜.蓝藻水华Probit短期预测模型[J].江苏农业科学,2014,42(01):337.
　Huang Wei.A Probit short-term forecast model for cyanobacterial blooms[J].Jiangsu Agricultural Sciences,2014,42(01):337.
[5]林克涛,朱朝枝,陈如凯.基于灰色模型的中国甘蔗产业生态服务价值预测[J].江苏农业科学,2016,44(04):505.
　Lin Ketao,et al.Forecasting on ecological service value of Chinas sugarcane industry based on grey model[J].Jiangsu Agricultural Sciences,2016,44(01):505.
[6]郜阔,李翠梅.基于集合经验模态分解的农业灌溉用水量预测[J].江苏农业科学,2015,43(11):522.
　Gao Kuo,et al.Prediction of agricultural irrigation water amount based on ensemble empirical model decomposition[J].Jiangsu Agricultural Sciences,2015,43(01):522.
[7]刘静,傅泽田,张小栓.基于GM-RBF神经网络的冷链运输环境预测[J].江苏农业科学,2015,43(10):498.
　Liu Jing,et al.Prediction of cold-chain transportation environment based on GM-RBF neural network[J].Jiangsu Agricultural Sciences,2015,43(01):498.
[8]张杰,刘丹,诸叶平,等.基于ESDA的乡镇粮食产量空间特征分析——以河北省石家庄市为例[J].江苏农业科学,2015,43(08):466.
　Zhang Jie,et al.Spatial feature analysis of township grain yield based on ESDA-Taking Shijiazhuang City of Hebei Province as an example[J].Jiangsu Agricultural Sciences,2015,43(01):466.
[9]李彤霄.河南省小麦白粉病发生等级预测技术[J].江苏农业科学,2015,43(08):116.
　Li Tongxiao.Forecast technology of wheat powdery mildew occurrence degree in Henan Province[J].Jiangsu Agricultural Sciences,2015,43(01):116.
[10]赵玉姝,焦源,高强.山东省粮食生产影响因素实证分析[J].江苏农业科学,2015,43(07):479.
　Zhao Yushu,et al.Empirical analysis of factors influencing grain production in Shandong Province[J].Jiangsu Agricultural Sciences,2015,43(01):479.
[11]樊超,杨静,杨铁军,等.基于小波变换灰度模型-人工神经网络(GM-ANN)组合的粮食产量预测模型[J].江苏农业科学,2016,44(12):390.
　Fan Chao,et al.Prediction model of grain production based on wavelet transformation and a GM-ANN model[J].Jiangsu Agricultural Sciences,2016,44(01):390.

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

文章信息/Info

参考文献/References:

相似文献/References:

备注/Memo

常用功能

导航/Navigate

工具/Tools

统计/Statistics