前言：中文期刊网精心挑选了农业预测方法范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
农业预测方法范文1
关键词：设施农业；发展建设蔬菜；病虫害防治策略
中图分类号：S436.3 文献标识码：A DOI：10.11974/nyyjs.20161033034
众所周知，农业生产一直以来都是国家最基础的项目生产方式之一，设施农业是基于机械化、工程化、工业化手段开展的农业运行模式，它有助于摆脱过去的手动农业存在的不足，为动植物生长提供可以控制的环境，突出土壤在生产中的作用，并降低劳动力投入数量，保证高品质生产。另外，设施农业也是一种全新的农业生产方式，是现代化农业的革命，提高蔬菜产量。然而设施农业的发展却很容易带来病虫害的影响，增加病虫的存活期，影响农作物的可持续发展。本文就根据设施农业发展的现状，简单阐述一下如何对蔬菜病虫害加以防治，找到有效的策略提高蔬菜的质量，为百姓提供健康的饮食。
1 设施农业发展带来的病虫害问题
1.1 容易滋生病虫害危险
设施农业的推广，会影响蔬菜生长的气候，造成温度过高、湿度大、通气条件不好等问题，这样一来就很容易为病虫提供滋生的土壤，加快他们的繁殖速度。例如引发灰霉病等，造成茄子、黄瓜、辣椒遭遇威胁，降低产量和质量。
1.2 为病虫度过冬季提供场所
冬季气温低、冰冻严重，天气条件差，有助于杀死病虫，为来年夏天蔬菜生长打基础。然而设施农业的利用缩短了蔬菜种植的周期，温度、湿度的变化也为病虫提供了生存的土壤。
1.3 增加病虫害的种类
设施农业大面积的生物技术的应用，会改变气候环境、蔬菜的生长条件等，温度、湿度的不同，必然会为病虫出现滋生土壤，同时还会引发一系列以往没见过的病虫危害，加大治愈的难度。
2 设施农业下蔬菜病虫害防治的有效策略
2.1 选择优良品种
在设施农业生产中的蔬菜病虫害问题，既有生产方式方面的问题，也有作物品种选择方面的不足。如果品种选择不当，那么在后期的管理方面就会出现许多问题。因此，在设施农业生产首先选择优良的农作物品种，应该更加注重农作物的抗病性能，让农作物拥有更多的发展优势。
2.2 正确施药
在设施农业生产中的又一问题就是滥用农药，过度注重农作物产量，加大肥料的施放力度，不仅不利于农作物的生产，而且会对土壤造成长远的不利影响。因此，在设施农业生产中，必须把握好肥料的施放度；在病虫害的治理方面，应该正确用药，针对用药不均的现象，可利用药物粉尘进行喷洒的形式能有效治理蔬菜的病虫害。对于容易寄生在土壤中的病虫害，应该采取治理土壤的方式，两相结合，才能够达到更好的治理效果。
2.3 把握好治理的时机
蔬菜生产与设施化农业的发展，必然会导致病虫害危险的出现，虫害种类不同，对空气湿度、温度的要求不同，必然会产生不一样的治理效果。蔬菜生长的初期，是最容易滋生病虫的时间段。因此，在治理病虫的时候，必须抓住机遇，做好预防工作，找准最佳的撒药时间，在蔬菜还是幼苗的时候就进行喷药，并注重喷洒方式，保证药物均匀，且控制好药物使用数量，在遇到大面积病虫害威胁的时候，更要做好及时治疗，确保实现最好的防治效果，提高蔬菜产量，及时解决病虫危害。
3 结束语
设施农业生产作为一种全新的农业生产方式，能够实现集中生产，提高农作物的产量，降低人员耗费，为农业发展提供了广阔的前景。但是农业设施的推广由于会改变蔬菜生长的温度、湿度，改变环境情况，很容易滋生病虫危害。对此，必须有采取科学合理的栽培管理、病虫害防治等方法和手段，选择优良品种，正确进行施药，并掌握好最佳的喷洒时间，确保蔬菜产量的提高，降低病虫危害，为百姓提供健康的蔬菜作物。
参考文献
[1]张留江，李荣博，刘蕴贤.设施农业发展与蔬菜病虫害防治策略[J].天津农业科学，2010（2）：149-151.
[2]朱增改，田平素，陈彦龙，白风歧.设施农业发展与蔬菜病虫害无公害防治对策[J].中国植保导刊，2006（3）：17-18.
[3]陈向军，全红梅.设施蔬菜病虫害安全防治策略[J].西北园艺（蔬菜专刊），2009（4）：6-8.
农业预测方法范文2
关键词：粮食安全；预测；综述
一、引言
粮食安全（Food Security）由联合国粮农组织（FAO）于20世纪70年代中期提出，内涵几经扩展，从传统的供求总量平衡到兼顾生产、消费结构和供求的区域性、结构性等（陈芬菲和李孟刚，2011）。在概念方面，粮食安全又区别于粮食自给、粮食产需、食品安全等。
粮食安全预测是与粮食安全紧密相关的课题。粮食需求的刚性和供给的不确定性决定了粮食供需研究和安全预测研究是一个永恒的常青的课题（曾福生，2005），作为准公共物品的粮食具有特殊的使用价值，既有经济属性，又有保健属性（吴志华，2004），有产业缺陷性（胡靖，1998），还有社会政治属性，随着产业经济发展，我国农业经济贡献份额降低，产业缺陷渐趋显露，其社会政治意义却尤显重要。
二、粮食供需预测方法综述
（一）粮食供给预测方法
粮食供给预测方法主要包括统计-计量模型和机理模型或作物模型。
1.统计-计量预测模型主要思路如下：
（1）利用时间模型，应用时间序列趋势外推的方法，进行分析和预测。主要有ARIMA模型（陈艳红等，2013），灰色预测模型（周慧秋，2006），指数平滑法（蔡承智和陈阜，2004），协整关系分析（陈倬和简小凤，2013），移动平均法（李建平和上官周平，2011）等。这种预测模型以粮食供给数量的历史数据为基础建立数学计量模型，进行短期粮食供给预测，而无需考虑其他因素。
（2）寻找影响粮食供给的因素，比如从粮食单产、种植面积、水资源、销售价格、农资投入成本、气候变化、城市化进程、国际市场波动、运输难度等因素的变化出发，应用逐步回归、主成分分析、BP神经网络、投入产出分析（Jie Chen，2007）、因子分析（王慧，2009）、聚类分析（姚鑫等，2011）等方法，对粮食未来供给状况做出预测。还有学者从微观经济视角来证实自然和人为因素对粮食安全的影响（万相昱和张涛，2013）。
（3）组合模型法，其实就是在上述模型中选取几个模型为其赋予权重，组合得出预测结论。丁晨芳（2007）证明此方法可以提高预测精度。
2.作物机理模型
主要包括遥感技术预测法、气象产量预测法、统计动力学生长模拟法。这是以自然科学为基础从作物生长环境和种植现状出发，利用观察、统计、模拟等方法对粮食产量而并非严格的供给量做出预测。如雄伟等（2006）结合区域气候模式PRECIS和CERES作物模型模拟了未来不同的温室气体排放情景下中国粮食产量状况。
（二）粮食需求预测方法
对粮食需求预测则主要包括统计-计量模型和经验推算。统计-计量模型主要有双边恩格尔函数模型（黄宇慧，2010），EMC模型（王君萍，2009），回归模型（龙方，2008）等。其中，学者们认为粮食需求主要影响因素为人口增长与结构，GDP，居民收入，粮食用途与消费结构（口粮、饲料用粮、种子用粮、工业用粮的变化），CPI，货币够购买力等。经验推算主要依据对历史经验、现实趋势和国际经验的系统分析，结合对粮食需求的影响因素及其变化趋势的前瞻性研究，对粮食需求的变化做出判断（姜风和孙瑾，2007），比如专家预测、经济周期等方法。马晓河（1997）、姜长云（2005）、孙宏岭和刘亚鑫（2013）等曾应用此方法。有些学者干脆以国际公认人均粮食占有量400公斤为系数，估约人口数量变动情况下的粮食需求量变化。
（三）供需预测方法评述
数量经济方法为经济学家和社会学家预测提供了思路，统计模型的分析方法，可以利用历史数据拟合的经济模型，比较客观地反映数据对应的历史时期因变量与自变量之间的数量关系（姜风，2007），并且对短期未来做出精确的预测，但是难以克服其统计口径不一，数据采集困难，模型设计复杂，预测期限短暂的困境，对于数据机械拟合，容易忽视事件发展的逻辑内涵与经济学原理。经验推算避免了机械性，充分体现人的主观能动性，当供求规律不明显，信息迟滞扭曲，容易增加判断的主观性或者个人偏好。更为灵活的，能够充分融合数学与经验的预测模型，有待进一步研究。
三、粮食安全预测结论综述
国内外专家学者纷纷对中国粮食供需现状和预测做出了详实的研究，虽然其具体数值有所出入，但是总体结论基本一致：中国短期内不存在粮食安全问题，但处于紧平衡；中长期虽然不会出现不可弥补的供求缺口，但是形势不容乐观（曾福生，2006）。学者们认为农业资源非农化，城市化进程加快，农田基础地力下降，农业生产资源成本上涨等将成为粮食供给稳定增长的阻滞因素；人口快速增长，用粮结构转变，GDP和居民收入上升等成为粮食需求压力上升的主要因素；较长的生产周期，气候变化带来极端天气增多，国际政治经济波动，他国粮食供需波动等增加粮食供需矛盾的不确定因素；小规模的农户经营和体制变革的路径依赖成为粮食甚至农业产业发展过程中的体制。积极的政府政策，充足的外汇储备，较小的粮食需求弹性，科学进步造成生产技术的发展等成为粮食安全的利好因子。（作者单位：山西农业大学信息学院）
通讯作者：苏琳
参考文献
[1]曾福生.粮食大省的粮食安全责任及实现途径分析[J].湖南农业大学学报（社会科学版），2005，03：1-6.
[2]宫芳，吴志华.大粮食安全战略探析[J].经济问题，2004，07：49-51.
[3]胡靖.中国两种粮食安全政策的比较与权衡[J].中国农村经济，1998，01：19-26.
[4]周慧秋.灰模型GM（1，N）在东北地区粮食综合生产能力预测中的应用研究[J].农业技术经济，2006，03：58-62.
[5]陈倬，简小凤.城镇化背景下的粮食安全问题研究――基于城镇化率与粮食产量之间协整关系的分析[J].粮食科技与经济，2013，04：5-8.
[6]李建平，上官周平.陕西省粮食生产与粮食安全趋势预测[J].干旱地区农业研究，2011，04：245-251.
[7]姚鑫，杨桂山，万荣荣.谱系聚类法在小区域粮食安全预测中的应用――以昆山市为例[J].自然资源学报，2011，02：218-226.
[8]万相昱，张涛.基于农户主体的微观模拟平台及其在粮食安全问题研究中的应用[J].21世纪数量经济学，2013，00：132-152.
[9]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，2007，01：101-103.
[10]马晓河.我国中长期粮食供求状况分析及对策思路[J].中国农村经济，1997，03：11-18.
[11]孙宏岭，刘亚鑫.“九连增”下的粮食安全隐忧[J].粮食科技与经济，2013，01：7-9.
[12]龙方.中国未来粮食供求趋势预测[J].乡镇经济，2008，06：91-94.
农业预测方法范文3
关键词：电力负荷、负荷预测、预测方法、
中图分类号：F407文献标识码： A
1电力负荷的构成与特点
电力系统负荷一般可以分为城市民用负荷、商业负荷、农村负荷、工业负荷以及其他负荷等，不同类型的负荷具有不同的特点和规律。
城市民用负荷主要是城市居民的家用电器，它具有年年增长的趋势，以及明显的季节性波动特点，而且民用负荷的特点还与居民的日常生活和工作的规律紧密相关。
商业负荷，主要是指商业部门的照明、空调、动力等用电负荷，覆盖面积大，且用电增长平稳，商业负荷同样具有季节性波动的特性。虽然商业负荷在电力负荷中所占比重不及工业负荷和民用负荷，但商业负荷中的照明类负荷占用电力系统高峰时段。此外，商业部门由于商业行为在节假日会增加营业时间，从而成为节假日中影响电力负荷的重要因素之一。
工业负荷是指用于工业生产的用电，一般工业负荷的比重在用电构成中居于首位，它不仅取决于工业用户的工作方式(包括设备利用情况、企业的工作班制等)，而且与各行业的行业特点、季节因素都有紧密的联系，一般负荷是比较恒定的。
农村负荷则是指农村居民用电和农业生产用电。此类负荷与工业负荷相比，受气候、季节等自然条件的影响很大，这是由农业生产的特点所决定的。农业用电负荷也受农作物种类、耕作习惯的影响，但就电网而言，由于农业用电负荷集中的时间与城市工业负荷高峰时间有差别，所以对提高电网负荷率有好处。
从以上分析可知电力负荷的特点是经常变化的，不但按小时变、按日变，而且按周变，按年变，同时负荷又是以天为单位不断起伏的，具有较大的周期性，负荷变化是连续的过程，一般不会出现大的跃变，但电力负荷对季节、温度、天气等是敏感的，不同的季节，不同地区的气候，以及温度的变化都会对负荷造成明显的影响。
电力负荷的特点决定了电力总负荷由以下四部分组成：基本正常负荷分量、天气敏感负荷分量、特别事件负荷分量和随机负荷分量。
2负荷预测的内容与分类
电力系统负荷预测包括最大负荷功率、负荷电量及负荷曲线的预测。最大负荷功率预测对于确定电力系统发电设备及输变电设备的容量是非常重要的。为了选择适当的机组类型和合理的电源结构以及确定燃料计划等，还必须预测负荷及电量。负荷曲线的预测可为研究电力系统的峰值、抽水蓄能电站的容量以及发输电设备的协调运行提供数据支持。
负荷预测根据目的的不同可以分为超短期、短期、中期和长期：①超短期负荷预测是指未来1h以内的负荷预测，在安全监视状态下，需要5～10s或1～5min的预测值，预防性控制和紧急状态处理需要10min至1h的预测值。②短期负荷预测是指日负荷预测和周负荷预测，分别用于安排日调度计划和周调度计划，包括确定机组起停、水火电协调、联络线交换功率、负荷经济分配、水库调度和设备检修等，对短期预测，需充分研究电网负荷变化规律，分析负荷变化相关因子，特别是天气因素、日类型等和短期负荷变化的关系。③中期负荷预测是指月至年的负荷预测，主要是确定机组运行方式和设备大修计划等。④长期负荷预测是指未来3～5年甚至更长时间段内的负荷预测，主要是电网规划部门根据国民经济的发展和对电力负荷的需求，所作的电网改造和扩建工作的远景规划。对中、长期负荷预测，要特别研究国民经济发展、国家政策等的影响。
3负荷预测的基本过程
负荷预测工作的关键在于收集大量的历史数据，建立科学有效的预测模型，采用有效的算法，以历史数据为基础，进行大量试验性研究，总结经验，不断修正模型和算法，以真正反映负荷变化规律。其基本过程如下。
3.1调查和选择历史负荷数据资料
多方面调查收集资料，包括电力企业内部资料和外部资料，从众多的资料中挑选出有用的一小部分，即把资料浓缩到最小量。挑选资料时的标准要直接、可靠并且是最新的资料。如果资料的收集和选择得不好，会直接影响负荷预测的质量。
3.2历史资料的整理
一般来说，由于预测的质量不会超过所用资料的质量，所以要对所收集的与负荷有关的统计资料进行审核和必要的加工整理，来保证资料的质量，从而为保证预测质量打下基础，即要注意资料的完整无缺，数字准确无误，反映的都是正常状态下的水平，资料中没有异常的"分离项"，还要注意资料的补缺，并对不可靠的资料加以核实调整。
3.3对负荷数据的预处理
在经过初步整理之后，还要对所用资料进行数据分析预处理，即对历史资料中的异常值的平稳化以及缺失数据的补遗，针对异常数据，主要采用水平处理、垂直处理方法。
数据的水平处理即在进行分析数据时，将前后两个时间的负荷数据作为基准，设定待处理数据的最大变动范围，当待处理数据超过这个范围，就视为不良数据，采用平均值的方法平稳其变化；数据的垂直处理即在负荷数据预处理时考虑其24h的小周期，即认为不同日期的同一时刻的负荷应该具有相似性，同时刻的负荷值应维持在一定的范围内，对于超出范围的不良数据修正，为待处理数据的最近几天该时刻的负荷平均值。
3.4建立负荷预测模型
负荷预测模型是统计资料轨迹的概括，预测模型是多种多样的，因此，对于具体资料要选择恰当的预测模型，这是负荷预测过程中至关重要的一步。当由于模型选择不当而造成预测误差过大时，就需要改换模型，必要时，还可同时采用几种数学模型进行运算，以便对比、选择。
在选择适当的预测技术后，建立负荷预测数学模型，进行预测工作。由于从已掌握的发展变化规律，并不能代表将来的变化规律，所以要对影响预测对象的新因素进行分析，对预测模型进行恰当的修正后确定预测值。
4电力负荷预测方法简介
电力负荷预测分为经典预测方法和现代预测方法。
4.1经典预测方法
4.1.1指数平滑法
该方法是常用的预测方法之一，指数平滑法的基本思想是加权平均，选取一组时间上有序的历史数据，x1、x2、x3……xt，一次指数平滑预测的迭代公式为： 式中lt+1―t+1时刻的负荷值
n―所有数据记录的个数
对越近期的数据加权越大，这反映了近期数据对未来负荷影响更大这一实际情况，同时能通过平滑作用消除序列中的随机波动。
4.1.2趋势外推法
就是根据负荷的变化趋势对未来负荷情况作出预测。电力负荷虽然具有随机性和不确定性，但在一定条件下，仍存在着明显的变化趋势，例如农业用电，在气候条件变化较小的冬季，日用电量相对稳定，表现为较平稳的变化趋势。这种变化趋势可为线性或非线性，周期性或非周期性等等。
4.1.3时间序列法
时间序列法是一种最为常见的短期负荷预测方法，它是针对整个观测序列呈现出的某种随机过程的特性，去建立和估计产生实际序列的随机过程的模型，然后用这些模型去进行预测。它利用了电力负荷变动的惯性特征和时间上的延续性，通过对历史数据时间序列的分析处理，确定其基本特征和变化规律，预测未来负荷。
时间序列预测方法可分为确定型和随机性两类，确定型时间序列作为模型残差用于估计预测区间的大小。随机型时间序列预测模型可以看作一个线性滤波器。根据线性滤波器的特性，时间序列可划为自回归(ar)、动平均(ma)、自回归-动平均(arma)、累计式自回归-动平均(arima)、传递函数(tf)几类模型，其负荷预测过程一般分为模型识别、模型参数估计、模型检验、负荷预测、精度检验预测值修正5个阶段。
4.1.4回归分析法
回归分析法就是根据负荷过去的历史资料，建立可以分析的数学模型，对未来的负荷进行预测。利用数理统计中的回归分析方法，通过对变量的观测数据进行分析，确定变量之间的相互关系，从而实现预测。
4.2现代负荷预测方法
20世纪80年代后期，一些基于新兴学科理论的现代预测方法逐渐得到了成功应用。这其中主要有灰色数学理论、专家系统方法、神经网络理论、模糊预测理论等。
4.2.1灰色数学理论
灰色数学理论是把负荷序列看作一真实的系统输出，它是众多影响因子的综合作用结果。这些众多因子的未知性和不确定性，成为系统的灰色特性。灰色系统理论把负荷序列通过生成变换，使其变化为有规律的生成数列再建模，用于负荷预测。
4.2.2专家系统方法
专家系统方法是对于数据库里存放的过去几年的负荷数据和天气数据等进行细致的分析，汇集有经验的负荷预测人员的知识，提取有关规则。借助专家系统，负荷预测人员能识别预测日所属的类型，考虑天气因素对负荷预测的影响，按照一定的推理进行负荷预测。
4.2.3神经网络理论
神经网络理论是利用神经网络的学习功能，让计算机学习包含在历史负荷数据中的映射关系，再利用这种映射关系预测未来负荷。由于该方法具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，因此有很大的应用市场，但其缺点是学习收敛速度慢，可能收敛到局部最小点；并且知识表达困难，难以充分利用调度人员经验中存在的模糊知识。
4.2.4模糊负荷预测
模糊负荷预测是近几年比较热门的研究方向。
模糊控制是在所采用的控制方法上应用了模糊数学理论，使其进行确定性的工作，对一些无法构造数学模型的被控过程进行有效控制。模糊系统不管其是如何进行计算的，从输入输出的角度讲它是一个非线性函数。模糊系统对于任意一个非线性连续函数，就是找出一类隶属函数，一种推理规则，一个解模糊方法，使得设计出的模糊系统能够任意逼近这个非线性函数。
下面介绍模糊预测的一些基本方法。
(1)表格查寻法：
表格法是一种相对简单明了的算法。这个方法的基本思想是从已知输入--输出数据对中产生模糊规则，形成一个模糊规则库，最终的模糊逻辑系统将从组合模糊规则库中产生。
这是一种简单易行的易于理解的算法，因为它是个顺序生成过程，无需反复学习，因此，这个方法同样具有模糊系统优于神经网络系统的一大优点，即构造起来既简单又快速。
(2)基于神经网络集成的高木-关野模糊预测算法：
它是利用神经网络来求得条件部输入变量的联合隶属函数。结论部的函数f(x)也可以用神经网络来表示。神经网络均采用前向型的bp网络。
(3)改进的模糊神经网络模型的算法：
模糊神经网络即全局逼近器。模糊系统与神经网络似乎有着天然的联系，模糊神经网络在本质上是模糊系统的实现，就是将常规的神经网络(如前向反馈神经网络，hopfield神经网络)赋予模糊输入信号和模糊权。
对于复杂的系统建模，已经有了许多方法，并已取得良好的应用效果。但主要缺点是模型精度不高，训练时间太长。此种方法的模型物理意义明显，精度高，收敛快，属于改进型算法。
(4)反向传播学习算法：
模糊逻辑系统应用主要在于它能够作为非线性系统的模型，包括含有人工操作员的非线性系统的模型。因此，从函数逼近意义上考虑，研究模糊逻辑系统的非线性映射能力显得非常重要。函数逼近就是模糊逻辑系统可以在任意精度上，一致逼近任何定义在一个致密集上的非线性函数，其优势在于它有能够系统而有效地利用语言信息的能力。万能逼近定理表明一定存在这样一个可以在任意精度逼近任意给定函数的高斯型模糊逻辑系统。反向传播bp学习算法用来确定高斯型模糊逻辑系统的参数，经过辨识的模型能够很好的逼近真实系统，进而达到提高预测精度的目的。
5结束语
随着电力市场的发展，负荷预测的重要性日益显现，并且对负荷预测精度的要求越来越高。传统的预测方法比较成熟，预测结果具有一定的参考价值，但要进一步提高预测精度，就需要对传统方法进行一些改进，同时随着现代科学技术的不断进步，理论研究的逐步深入，以灰色理论、专家系统理论、模糊数学等为代表的新兴交叉学科理论的出现，也为负荷预测的飞速发展提供了坚实的理论依据和数学基础。相信负荷预测的理论会越来越成熟，预测的精度越来越高。
农业预测方法范文4
关键词：农产品;价格;预警;灾变灰
中图分类号：F323.7 文献标识码：A DOI 编码：10.3969/j.issn.1006-6500.2015.04.012
Forecasting for Changes of Farm Produce Price Based on Calamities Grey Prediction and its Application
SONG Jing
（Department of Finance and Economics， College of Xinyang Agriculture and Forest， Xinyang， Henan 464000， China）
Abstract： As farmers and the consumers would suffer much unexpected loss due to the farm produce price exceptional fluctuations， so forecasting and then addressing them correctly becomes increasingly important today. In order to predict this price fluctuation effectively， a risk forecast model for exceptional changes of farm produce price is proposed based on grey prediction theory， and the effectiveness of the model is tested by a case subsequently. The result provides satisfying support for the validity of the model.
Key words： farm produce;price;risk forecast;calamities grey
在市场经济条件下，随着市场供求关系的变化，农产品价格围绕价值曲线上下波动是一种正常现象。对农户而言，一方面需要采取各种措施来应对价格波动，以达到抵御风险和降低损失的目的，另一方面，采用科学的方法对价格变动趋势进行有效地监控和预测，为农户提供精确的预测数据对农业生产而言至关重要。由于国家宏观调控政策的实施，加之农户自己在市场信息搜集方面的投入和努力，农产品价格会保持相对稳定。然而，以往研究表明农产品价格的起落常常是由多种外部因素交互作用所导致的[1-3]，正因如此，在某些年份农产品价格波动可能会出现异常现象，会比其他年份明显偏低或偏高，不仅给农户带来重大经济损失，而且会对广大消费者的生活带来极大的不便和麻烦，并进而对社会稳定造成隐患。例如，2007年的猪肉价格异常偏高就在群众中造成了一定程度的恐慌。因此，能否对农产品价格的这种异常波动进行有效预警就显得尤为重要。
就农业生产而言，由于农产品价格与投入品价格呈正向相关关系，因此，进行简单的价格水平预测并没有多少实际意义，关键在于能否根据现有价格的异常波动年份来预测下一个可能的异常波动年份。也就是说，对这些异常价格波动年份进行预测要比单纯的“价格”预警更有实际价值。就现有的预测工具而言，传统的加权移动平均模型、趋势移动平均模型、简单移动平均模型、回归模型等都需要充足的历史数据[4]，而现实中的农产品价格相关的统计数据通常很少，其中异常数据更是凤毛麟角，因此，采用传统的预测模型无法精确预测现实中的农产品价格异常波动问题。与传统预测方法不同，灰预测的特色在于既可以对序列作值分布灰预测，又可以作时分布灰预测，而且对序列的数据量要求不高，只要大于或等于4即可，因此非常适合于农产品的价格异常波动预测。基于此，笔者构建了一个基于灾变灰预测理论的农产品价格异常波动预警模型，并以福建省生猪收购价格的波动预测为例检验了该模型的有效性。
1 理论与模型
1.1 理论原理
灰色系统理论是针对既无经验、数据又少的不确定性问题，即“少数据不确定性”问题提出的，其核心理念强调信息优化，研究现实规律[5]。灰预测理论是灰色系统理论的一个重要子理论，目前该理论已广泛应用于社会生产的各个领域。实践中，在进行各种类型的预测时，为了获得准确的预测结果，需要用于预测的客观数据具有全信息性。根据灰色系统理论，具有灰因（原因）白果（结果）律的数据满足全信息性。在进行农产品价格预测时，作为预测的基本数据，农产品价格波动是当年各种因子如成本、疫病、流通、信息不对称、规模化程度、宏观经济形势……等共同作用的结果。也就是说农产品价格波动因子满足灰信息覆盖的特点。而每年（月、季）的农产品价格是确定的，满足白信息覆盖的特点，也就是说，从价格影响因素到后续的价格波动之间的关系符合灰因白果的特点，用农产品价格数据建立灰预测模型，符合灰色系统理论要求的全信息性。据此笔者认为，可以利用灰预测方法来有效预测农产品价格的异常波动。
1.2 模型建立
在灰预测理论中，灾变灰预测是被广为采用来进行各种突发事件预警和预测的一种预测方法。灾变灰预测又称异常值灰预测，是对异常值的“时”分布进行建模以预测跳变点未来“时”分布的一种灰预测方法。根据该理论，如果时间序列中含有异常值，可以采用GM（1，1） 模型预测异常值的时间分布。例如，由于受多因素影响，农产品价格在某些年份会出现异常波动，导致价格序列中会出现一些异常值。因此，利用农产品价格的这些异常值来预测下一次价格异常波动的具体年份，可以帮助农户对这种价格异常波动做好充分的准备。具体建模步骤如下。
（1）令x为含异常值的原始序列。
■，为历年价格数据。
假设ζ为正实数，如果
1° ■为异常值，则称ζ为上灾变阀值;
2° ■为异常值，则称ζ为下灾变阀值。
在本模型中，对■和■两种情况不加区分，即将价格异常高和异常低两种情况合并起来研究。
（2）记x中异常值为x（kζ）。
记x（kζ）的序列为kζ
■
则kζ为灾变序列，其数值称为灾变值分布序列。
称灾变序列kζ中分布点kζ的序列tζ为灾变时分布序列。
■
（3）令tζ为异常值时分布。
■，记■
■
序列：■
（4）GM（1，1）建模。
GM（1，1）的含义为1阶（Order），1个变量（Variable）的灰（Grey）模型（Model）。
若序列■满足： σ（0）（k）∈（0.135 3，7.389）。其中：
■，σ（0）（k）称为级比。
则可对序列x（0）作GM（1，1）建模：
■（1）
■（2）
■（3）
■（4）
式（1）为GM（1，1）的定义型，式（2）为GM（1，1）的白化模型，式（3）和式（4）为GM（1，1）的白化响应式，即预测公式。其中：
■（5）
■（6）
■（7）
式（7）中x（1）（k）=■x（0）（m），即x（1）是x（0）的累加生成序列。
■
（5）残差检验。
残差检验的目的在于检验模型的预测精度。令x（0）（k）为实际值，x（0）（k）为预测值，则
1°称e（0）（k）为相对残差。
■
2°称e（0）（avg）为平均残差。
■
3°称p°为精度。
■
2 应用举例
福建省1999―2012年的生猪收购价格如表1所示。笔者利用该数据建立模型来对该省生猪收购价格的异常波动情况进行预测，并根据预测结果来检验模型的有效性。具体方法如下。
（1）原始序列为
x=（x（1），x（2），…，x（14））=（4.32，4.72，…，16.47）。
（2）确定灾变序列。
由于价格具有随时间而上升的趋势，因此价格的灾变（即异常）不能以价格的绝对值来衡量，而应当以相邻两年的变化幅度来界定。假设相邻两年的价格变动超过10%为价格异常波动，则有灾变阀值ζ=10%，即若：
■，则第k年为灾变年份。由此可得灾变序列为：
■=
（5.44，8.04，9.44，9.36，14.68，18.32，16.47）
（3）灾变时分布序列为
■。
即在第3，4，5，9，10，11，14年，也就是2001、2002、2003、2007、2008、2009、2012年生猪收购价格出现了7次异常波动现象。利用其前6次价格异常波动数据建模，然后利用该模型预测第7次出现价格异常波动的年份，并将预测结果与实际年份相对照，以检验该模型的有效性。
（4）级比平滑性检验。
■
■
■
σ（k）∈（0.135 3，7.389）
表明序列x（0）是平滑的，可作GM（1，1）建模。
（5）建立模型。
由式（5），（6），（7）可得：
■
代入式（3）、（4）得
■（8）
■（9）
（6）预测。
将k=6代入式（9）得：
■（对于预警而言通常宜早不宜晚）
这表明在第14年（即2012年）将会再次出现价格异常波动现象，预测结果与实际情况是一致的，表明本模型有很高的应用价值。
（7）模型预测精度检验。
为了检验模型的预测效果，作以下残差检验：
■
残差检验结果表明，本模型的预测精度达到89.9%，这对于受多因素影响而变化极不规则的农产品价格波动而言已经达到了比较理想的预测效果。
3 结 论
笔者以灰预测理论为基本的理论框架构建了一个农产品价格异常波动预警模型，并以福建省生猪价格的异常波动预测为实例介绍了利用该模型对农产品价格异常波动进行预警的做法[6-10]。结果表明：（1）灾变灰预测方法是对农产品价格异常波动进行预警的一种有效方法，解决了传统预测方法无法解决的问题;（2）可以利用残差检验对模型的预测精度进行检查，从而可以对预测的精确性有一个基本的判断。本方法也不可避免地存在一些局限性：当农产品价格异常波动年份数据序列的级比平滑性不能满足时，也就是说，当级比小于0.135 3时，将无法利用GM（1，1）模型来对价格异常波动进行预测，就本研究的生猪价格而言，就是某相邻的两次价格异常波动年份距离较远，不过就现实情况而言，这种特殊情况出现的概率通常很小[6-10]。
参考文献：
[1] 王吉恒，王新利. 农产品市场风险与市场预测研究[J].农业技术经济， 2003（3）：1-5.
[2] 姜长云，刘志荣. 高度警惕主要农产品价格出现大起大落的风险[J]. 中国发展观察，2008（2）：8-11.
[3] 董少杰.政府部门对农产品市场风险预警的管制和调控――基于猪肉和大蒜价格暴涨经济学分析[J].天津农业科学，2012（4）：95-99.
[4] 刘武，娄成武. 定量分析方法[M]. 北京： 科学出版社，2003.
[5] 邓聚龙. 灰理论基础[M]. 武汉： 华中科技大学出版社， 2002.
[6] 侯杰泰，温忠麟，成子娟.结构方程模型及其应用[M].北京：教育科学出版社，2004.
[7] 钟昱，张鹏.农产品价格研究方法综述[J].市场经济与价格，2012（9）：11-13.
[8] 李干琼.SV因子框架分析下农产品市场短期预测[D]. 北京：中国农业科学院，2012.
农业预测方法范文5
关键词：组合预测；负荷预测；电力负荷
中图分类号：TM714文献标识码： A
引言：
在电力系统中，如果想要提高电网运行的安全性和经济性，并且能够改善电能的质量，预测方法的使用在其中起着不可缺少的作用。电力负荷预测有很多种方法，每种方法都有自己的适用范围，组合预测可以将较大限度地利用各种样本信息，从而得到更加全面和可靠的电力负荷预测结果，所以吸引越来越多的研究人员对组合预测方法进行详细的分析和总结，本研究介绍了多种组合预测方法以及在电力负荷预测的实际应用，为电力负荷预测提供了有益的参考价值。
1.了解组合预测的基础理论
在各种单一预测方法研发的热潮中，一个预测更加准确的组合预测方法也悄然进入人们的视野。想要了解组合预测方法就要知道它的来源，组合预测方法是由Bates 和 Granger首次提出的，并且广泛的得到了各界人士的认可。
那么什么是组合预测，它是针对出现的同一个问题，采用两种或两种以上不同的单一预测方法，之后进行多种重新组合，最后在其中选取最佳的权重进行加权平均的一种组合方法。
组合预测的基本原理：对某一问题进行分析，首先，先用多种单一的预测方法进行反复预测，之后，从中选取任意一种单预测方法进行对此问题在一定时间段的预测。在控制时间变量一定时，再利用不同的预测方法对同一问题进行反复多次预测，最后将所有的预测值进行权重的比较，选取一个最适合的预测组合，这就是组合预测的基本原理。
组合预测方法的优点：与使用单一方法预测相比，组合预测方法可以大大降低了单一预测结果的不准确性，避免了预测结果的偶然性。在大多数情况下，利用组合预测方法可以大幅度提高预测结果的目的，所以说，组合预测模型的预测精度和拟合精度高于任何一种单一预测模型所预测的结果。又由于它是将单一模型的预测结果进行的最优组合的方法，所以它还拥有充足的信息量。
2.几种预测方法的介绍及实际应用
进入21世纪 ,伴随着各种科学技术的迅速发展,预测理论技术也取得了不断地的进展,产生了许多新的预测方法,这些方法的产生为电力负荷预测问题的研究提供了有力工具。一个准确的预测方法可以给一个企业带来很多益处，所以，发展组合预测是一个必然趋势。单一预测是组合预测的一部分，所以单一预测模型的选择对组合预测模型的预测的精度也会产生一定的影响, 例如：如果选择的单一预测模型的预测精度较高, 则最后得到组合预测模型的预测结果的精度通常也会相对较高。同时也要避免认为选择单一组合的数目越多，组合预测的最终结果会越高的思想误区。目前组合预测方法的模型也有很多种，本研究针对几种典型的单一模型方法进行以下的详细介绍。
2.1分析电力弹性系数法
电力弹性系数法是一种反映了在某一地区，在特定时期内国民经济增长与电力生产和消费数量增长之间的关系的一种方法。
首先，预先测电力生产的弹性系数值，根据弹性系数的计算法，可以计算到在一定时间内估算国内的经济生产的增长率，然后依据近几年来年均耗电量，取一个相近的平均值与增长率进行计算，最终得到一个我们预算的发电量，这就是电力弹性系数法的原理。
弹性系数法的预测是做好预测电力负荷预测的前提准备条件，它是由国家的经济发展方向所决定的的，首先必须要预先知道在一定时间内，国民经济的发展目标以及国民经济年平均增长速率，这个环节在电力负荷预测中起关键性作用，它避免许多外界因素对弹性系数值产生的影响和相应时间段内的惯性的干扰的问题。因此，既可以通过历史数据中查询和参考，同时又必须要考虑它在未来可能发生的转变问题，从在影响弹性系数的诸多因素的变化中去估算出所要预测某一时间段的弹性系数的取值。最后在一切准备就绪后，得到想要预测的电力生产或消费值的准确弹性系数值。
2.2分析时间序列回归预测方法
时间序列回归预测方法是从针对所组成的一组时间序列由过去的规律变化来预测今后的变化的趋势。根据时间序列随它所反映经济变量的实际变化规律，将其分为三种类型：趋势变化型、周期性变化型和任意随机性变化型。根据时间序列中明显的趋势部分，对时间回归线所建立的模型进行详细的预测分析。而且这种方法适合于电量使用比较稳定的地区，起到更加有效的预测作用。
2.3分析灰色模型预测方法
在传统的预测方法中，常常会以当地所统计的历史数据和调查资料为依据来进行电量的预测，可想而知这种方法存在许多弊端，例如，这种预测方法没有考虑到当地气象变化、经济环境等随机因素对预测结果的影响。所以，想要准确的预测电力系统的负荷是有一定难度的，面对如何提高预测结果，许多学者也已开始着手研究，之后出现各种智能化的计算方法，如遗传学算法，最小绝对值滤波的计算等进行实际的预测应用。
根据灰色系统理念，它是集合电力系统负荷受众多不确定因素的影响的这一特点，称为典型的灰色系统。用灰色系统理论对某一地区的月均用电量和年均用电量进行虚拟动态预测，通过这种方法可以有效地降低气候，经济发展等随机干扰因素对负荷变化的影响率，使预测目的达到要求地准确性。
3.组合预测对电力负荷预测的意义
在市场激烈的中，电力的生产和发展离不开准确的电力负荷预测，预测方法的选择占据了电力市场发展的主导位置，而拥有最佳的预测方法可以为电网的安全，电力企业的发展打下坚实的基础。由于现今的科技发展技术的局限性，还不能够完全得到一种精准的预测方法，但是在各种研究中发现，组合预测方法是对研究对象的预测结果与实际数值最接近的一种合理的方法。
组合预测对电力负荷预测是将负荷预测单一模型的有用信息尽可能地充分利用，从而以提高负荷预测的精确度，它将几种不同的预测方法组合起来而的一种较优方法。组合预测在一定条件下能够有效的改善模型的拟合能力和提高预测准确度。同时了解到电力负荷预测是电力系统领域一直沿用至今的关键步骤,依靠预测的结果可以为今后的电力发展提供方向，并且在必要时可进行调整。
所以说，一个最优的组合预测可以小到企业带来经济效益的增加，大到为国家创造更多的国民生长总值的创收，起着不可或缺的积极作用和价值。
4.结束语
在经济的不断发展的今天，电力系统带来的经济已占我国的主要部分，所以一个准确的预测结果将影响到电力系统最终带来的经济效益。本研究通过对组合预测的处理方面进行了详细的分析和研究知道，并不是单一组合越多越好，要选择适当合理的最优组合，才能得到更加精确的预测结果。对未来的电力负荷预测技术提供了相应的改进方案， 可以为电力企业制定重大决策提供准确可靠的依据和保证,进而对于推进电力工业的持续健康发展,乃至对国民经济的持续快速增长和社会稳定的发展提供了重要的现实意义。
参考文献：
[1] 王吉权,赵玉林,马力. 组合预测方法研究及其在电力负荷预测中的应用 [J]. 东北农业大学学报. 2008(04)
农业预测方法范文6
【关键词】电力负荷；深度信念网络；限制玻尔兹曼机；预测
随着社会的发展进步，电力系统已成为人类生活生产必不可少的一部分，当今电力供需矛盾的突出，使得电力负荷预测显得尤为重要。随着电力市场的发展以及社会的进步，短期电力负荷预测的精度将直接影响相关产业的经济效益，对社会发展有十分重要的作用。
2006年，在人工神经网络研究的基础上，Hinton等人提出了深度信念网络（Deep Belief Networks，DBN）[1]的概念，由于其优于一般的神经网络，得到了广泛的应用。本文提出了用深度信念网络的方法对短期电力负荷进行预测。
1.电力负荷预测
电力负荷预测作为电力系统规划的重要组成部分，是指以电力负荷为对象进行的一系列预测工作。从预测对象来看，电力负荷预测包括对未来电力需求量的预测和对未来用电量的预测以及对负荷曲线的预测。其主要工作是对未来电力负荷的时间和空间分布进行预测，为电力系统的规划及运行提供合理的决策依据[2]。
对电力负荷的预测，可按确定负荷类型、收集处理样本数据、建立数学模型、对预测结果进行分析的步骤进行。预测的过程中，要注意考虑其他因素的影响，主要因素有经济因素、政策因素和气象因素，由于这些因素的干扰，电力负荷的预测变得困难，这对负荷预测的方法提出了更为严格的要求。
目前，电力负荷预测方法主要有：经典预测方法，传统预测方法和现代预测技术，经典预测方法有单耗法、弹性系数法等，传统预测方法主要包括趋势分析法、回归分析法和时间序列法，现代预测技术主要有：人工神经网络法、灰色预测法、专家系统预测法和小波分析法[3]等。目前应用最为广泛的是人工神经网络的方法，本文提出了用深度信念网络（DBN）预测短期电力负荷。
2.深度信念网络
深度信念网络（DBN）是一种概率生成模型，对P（Observation|Label）和P（Label|Observation）都做了评估。它是由多个限制玻尔兹曼机（Restricted Boltzmann Machines，RBM）层组成，由于多层RBM的叠加，最终解决了多层神经网络的训练问题[4]，整个DBN的训练包括预训练和微调整训练两个阶段。
2.1 预训练
4.2 DBN预测误差分析
将DBN的预测值与实际值进行作差，并求其绝对值，即求DBN预测值的误差绝对值，为清楚地显示DBN预测的误差效果，作出相应的误差绝对值曲线图如图4所示。
由图4可得出：（1）DBN预测的误差绝对值最大为0.0796，最小为0.0057；（2）DBN预测的误差绝对值范围较小，均小于0.08，即0～0.08，而文献[8]中介绍的BP神经网络预测的误差绝对值范围为0～0.3，明显大于DBN的预测误差绝对值范围。验证出DBN预测短期电力负荷具有更高的精度。
经过多次实验，DBN预测的最大误差绝对值保持在0.1左右，且多数保持在0.08以下，误差范围波动较小。证明深度信念网络对短期电力负荷的预测具有很高的稳定性。
5.结论
电力负荷预测作为当今电力系统的重要研究课题之一，关系到整个国计民生的发展，文章简单阐释了电力负荷预测的方法，详细描述了深度信念网络（DBN）的原理。然后，用DBN建立短期电力负荷预测的模型，经实验表明：DBN可以精准的预测短期电力负荷，具有较高的预测精度和预测稳定性。
随着深度信念网络的不断发展，基于深度信念网络的短期电力负荷预测的精度会得到很大程度的提高。今后，将继续研究改善预测短期电力负荷的方法，以期取得更佳的效果，使电力负荷预测得到更好的发展。
参考文献
[1]Hinton G E，Salakhutdinov R R.Reducing the dimensionality of data with neural networks[J].Science，2006，313：504-507.
[2]D.C.Park，M.A.E1-Sharkawi，R.J.Marks，eta1.Electric Load Forecasting Using an Artificial Neural Network[J].IEEE Trans On Power System，199l，6（2）：442-449.
[3]吴熳红，杨继旺.几种电力负荷预测方法及其比较[J].广东电力，2004，17（1）：17-21.
[4]陆俊，张琼，杨俊安，王一，刘辉.嵌入深度信念网络的点过程模型用于关键词检出[J].信号处理，2013，29（7）：865-872.
[5]周长建，司震宇，邢金阁，刘海波.基于Deep Learning网络态势感知建模方法研究[J].东北农业大学学报，2013，5，44（5）：144-149.
[6]Hinton G E.A Practical Guid to Training Restricted Boltzman Machines[R].UMTL Tech Report 2010-003.Toronto，Canada： Univ of Toronto，2010.
[7]马勇，鲍长春，夏丙寅.基于辨别性深度信念网络的说话人分割[J].清华大学学报（自然科学版），2013，53（6）：804-807.
[8]张超，吕玉琴，侯宾，陈小军，俎云霄.基于BP神经网络短期电力负荷预测研究[J/OL].（2013-4-22）[2014-4-12].http：//.
作者简介：
