農業預測方法精選(九篇)
前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的農業預測方法主題范文，僅供參考，歡迎閱讀并收藏。
第1篇：農業預測方法范文
關鍵詞:財政專項;支農政策;農業;發展方式
中圖分類號:F812.8 文獻標識碼:A 文章編號:1672―3309(2009)11―0060-04
一、引言
2004年以來,中央先后出臺直接補貼、良種補貼、農機具購置補貼以及最低收購價等一系列扶持糧食生產的政策措施。2006年,考慮柴油、化肥、農藥、農膜等農業生產資料價格變動因素,又出臺了對種糧農民的農業生產資料綜合直接補貼政策。2008年,中央預算安排“三農”投入5625億元,比上年增加1307億元,進一步加大對農業和糧食生產的支持力度,2008年對農民的直接補貼總額達到789億元。在增加對農民直接補貼的同時,中央財政設立的良種補貼范圍不斷擴大,補貼品種擴大到高油大豆、優質水稻、小麥、玉米、油菜和棉花等6種,初步形成了綜合性收入補貼和生產性補貼相結合的糧食補貼政策體系f張照新、陳金強。2007)。
然而,現代農業不僅要求糧食生產的穩定發展,更要求農業綜合生產能力的不斷提高,這從根本上說是農業發展方式轉變的任務。現代農業的本質特點是“高投入、高產出”。其中,高產出是目標,高產出的內涵包括產品的數量多、質量好、農民的收入高、農村生態環境保護得好等。建設“優質、高產、高效、生態、安全”的現代農業,是轉變農業發展方式的總體目標(柯炳生,2007;孔祥智、李圣軍,2007)。具體歸結為5個方面:農業發展由主要依靠投入要素增加向主要依靠生產效率提高轉變:農業生產的目標由單純追求數量向數量、質量、安全、生態和效益并重轉變:主要依靠傳統技術向傳統技術與現代技術相結合轉變:以勞動密集型為主向勞動密集、資本密集和知識密集相結合轉變;由對資源的過度利用向可持續發展轉變。
由于生產條件等方面的差異,農業中各行業的增長方式轉變面臨的關鍵問題也存在一定差別,而現行的財政支農專項政策并未充分關注這些關鍵問題。因此,對各行業的關鍵問題和財政支農專項政策進行梳理分類和系統分析,以便有針對性地完善財政支農專項政策,對實現農業發展方式的有效轉變具有重要意義。
二、財政支農專項政策系統分類
財政支農專項政策是農業發展方式轉變的重要保障,但是,當前政策在發揮其積極作用的同時,也反映出一些問題:財政支農專項政策未能完全匹配種植業、畜牧業和水產業所面臨的關鍵問題,某些亟待完善的環節尚未得到政策的充分關注。
轉變農業發展方式旨在提高生產要素的利用率、優化生產結構、提高科技含量、健全生產組織方式以及完善社會化服務體系。因此,財政支農專項政策將按照生產要素、生產結構、科技進步、生產組織方式以及社會化服務五大類進行細分。
(一)種植業財政支農專項政策
種植業財政支農專項政策總體上涉及面較廣,生產要素、生產結構、科技進步、生產組織方式以及社會化服務均有針對性的財政政策。但是,財政支農專項政策的傾斜性明顯,生產要素方面政策相對更全面,而生產結構、生產組織方式等方面有待完善。
1 生產要素方面。種植業生產要素方面的財政支農專項政策比較全面,涉及到種子、農藥、化肥、機械、灌溉等。種子方面有“農作物良種推廣項目(不含水稻)”、“水稻良種推廣補貼”和“種子工程”;農藥方面有“高毒農藥替代試驗示范項目”:化肥方面有“測土配方施肥補貼(試點)”;機械方面有“農業機械購置補貼”;灌溉方面有“膜下滴灌設備補助(試點)”;此外,還有土地方面的“土壤有機質提升試點補貼項目”、病蟲防治方面的“農作物病蟲害防治補助”等。生產要素方面的財政支農專項政策得到了高度的重視,政策涉及到種植業生產要素投入的多個方面,而且支持對象涵蓋了農民、相關企業、農業技術推廣部門以及農業管理部門。
2 生產結構方面。種植業生產結構方面的財政支持政策集中在產品結構上,即通過新品種推廣和應用來優化生產結構。主要政策有“優勢農產品新品種推廣項目”、“優勢農產品重點技術推廣項目”以及“農作物品種區域試驗項目”等。生產結構方面的財政支持政策并未進行有效的細分,一項政策基本上囊括了所有的農作物,如“優勢農產品新品種推廣項目”涉及了水稻、小麥、玉米、大豆、棉花等主要的農作物,這將導致重點不突出、針對性不強,從而限制種植業生產結構的優化效率。另一方面,生產結構方面的財政支持政策未對產品區域結構予以充分重視。僅有“農作物品種區域試驗項目”涉及到區域結構問題,但仍然處于試驗階段。
3 科技進步方面。種植業科技進步方面的財政支持政策既考慮到了整體推進,又突出了重點領域。“農業科技跨越計劃項目”旨在用于水稻、小麥、棉花等生產技術的集成示范。從整體上推進種植業的科技進步。而“超級稻新品種選育與示范項目”和“蘋果套袋關鍵技術示范補貼項目”分別關注了水稻和蘋果兩個重點領域。此外,從農民的角度推進科技進步也得到重視,如“農業科技入戶項目”、“農民科技示范場項目”等,但是,這些財政支持政策并非僅僅針對種植業,而涉及到整個農業。
4 生產組織方式方面。種植業生產組織方式方面的財政支持政策基本以整體農業為出發點,而且支持對象以農業企業為主,對一般農戶的關注不夠。“農業標準化實施示范項目”、“農民專業合作組織示范項目”以及“農業產業化專項資金項目”旨在改善農業生產組織方式,但針對的是整個農業,并非集中關注種植業。完全以種植業生產組織方式轉變為目的的財政支持政策涉及到“保護性耕作項目”和“優勢農產品重大技術推廣旱作節水項目”,分別考慮了耕地和水資源利用問題,涉及面較窄。另一方面,生產組織方式方面的政策支持對象以農業龍頭企業、專業合作組織等為主,對一般的分散農戶考慮較少。
5 社會化服務方面。種植業社會化服務方面的財政支持政策仍然缺乏針對性,基本立足于整個農業。完全考慮種植業社會化服務的政策僅有“農作物種質資源保護項目”,其他的相關政策主要表現在農村勞動力轉移、農業生態環境、農產品質量安全以及農業信息等方面,這些對于種植業的增長方式轉變均具有重要意義,但為了保證較高的政策效率,有必要根據具體行業對其進行細分。
(二)畜牧業財政支農專項政策
畜牧業財政支農專項政策總體上比較零散、缺乏系統性。財政支農專項政策主要集中在生產要素和社會化服務方面,而生產結構、科技進步和生產組織方
式等方面的支持政策相對較少,且針對性不強。
畜牧業生產要素方面的財政支持政策突出表現在良種補貼上,如“奶牛良種補貼試點項目”、“畜禽良種補貼項目”,補貼對象涉及到畜牧業農戶和良種工作站。其他生產要素方面的財政支持政策較少,僅有2003年畜牧病疫防治的“炭疽病快速診斷項目”。
畜牧業生產結構方面的財政支農專項政策幾乎空白。盡管奶牛和畜禽的良種補貼項目能夠一定程度帶動畜牧業產品結構的優化,但是,增長方式的根本轉變必須要求高度優化的生產結構,這需要針對性較強的財政政策支持。
畜牧業科技進步方面的財政支農專項政策同樣缺乏系統性。“新型農民科技培訓補助”和“農業科技入戶項目”并未有針對性地考慮畜牧業農戶,而“農民科技示范場項目”也未將種植業和養殖業農戶系統歸類。畜牧業科技進步方面的財政支農專項政策比較零散,缺乏針對性。
畜牧業生產組織方式方面的財政支農專項政策開始突出重點。2006年開始實施的“標準化畜禽養殖小區試點”對轉變粗放的畜牧業生產方式具有重要意義,當然,該項措施仍處于試點期,財政支農專項政策需要盡快完善。其他方面政策,如“農業產業化專項資金項目”和“農民專業合作組織示范項目”,主要支持對象為畜牧業龍頭企業,一般分散農戶難以得到有力支持。
畜牧業社會化服務方面的財政支農專項政策集中體現在資源保護上。其中,“畜禽種質資源保護項目”和“牧草種質資源保護項目”已經有4年左右的連續實施期。其他方面的支持政策,如勞動力轉移、農業生態環境、農產品質量安全以及農業信息等沒有專門針對畜牧業。
(三)水產業財政支農專項政策
水產業財政支農專項政策總體上比較零散,與增長方式轉變缺乏高度關聯性。現行財政政策的主要支持對象為水產業管理部門,而較少直接關注水產業的農戶。
水產業生產要素方面的財政支持政策僅涉及到疫病防治。2003年和2004年實施了“漁業病疫防治項目”,其他生產要素方面的支持政策比較缺乏;生產結構方面的財政支持政策僅在2003年實施了“海洋捕撈漁民轉產轉業”,通過漁業勞動力的轉移來優化生產結構,其他的類似政策有待完善;科技進步方面的財政支農專項政策同樣比較零散,缺乏針對性;生產組織方式方面實施了“遠洋公海漁業資源探捕項目”,但支持對象主要為漁業管理部門和科研院所,對漁民的生產組織方式轉變效果不大:社會化服務方面的財政支農專項政策涉及到漁政管理、漁用設備以及漁業和種質資源保護等,但是,仍然存在著與水產業增長方式轉變關聯度不強的問題。
三、完善財政支農專項政策的思路和重點探討
(一)財政支農專項政策調整的主要思路和基本原則
通過對各行業農業發展方式轉變的現狀分析,找到存在的關鍵問題,明確影響農業發展方式轉變的主要環節:系統梳理現行的財政支農專項政策,明確各行業財政支農專項政策的薄弱環節和缺陷之處,了解哪些方面的政策依然空白,哪些方面支持力度不夠,哪些方面支持方向存在偏差等。然后,根據關鍵問題和財政支農專項政策狀況,確定各行業財政支農專項政策的調整方向和重點,從而實現增長方式的根本轉變。
財政支農專項政策的調整必須遵循全面性、針對性、系統性和連續性的原則。全面性旨在保證財政支農專項政策覆蓋增長方式轉變的所有方面,包括生產要素、生產結構、科技進步、生產組織方面以及社會化服務:針對性旨在保證財政支農專項政策調整必須重點解決增長方式轉變的關鍵問題:系統性旨在保證各行業之間以及行業內部的財政支農專項政策互不重疊、相互協調:連續性旨在保證各行業的關鍵財政支農專項政策連貫實施,避免隨意中斷。
(二)種植業財政支農專項政策調整的重點
種植業財政支農專項政策調整的重點在于從農戶角度優化生產結構,改變生產組織方式,提高科技進步吸收率,同時,完善生產要素投入和社會化服務體系。
產品結構和區域結構趨同化是種植業存在的關鍵問題,財政支農專項政策調整必須保證生產結構的優化與優質品種和技術推廣等相關政策有效結合,相互協調。支持對象應當充分關注一般農戶,從根本上帶動農戶調整生產結構的積極性。分散化經營是導致當前粗放的生產方式的主要原因,財政支農專項政策調整需要重點解決種植業規模經營水平低下問題,而這同樣需要將政策支持對象指向一般的分散農戶。科技進步方面財政政策調整重點在于新技術的吸收問題,必須保證農戶在獲得新品種的同時,真正實現創新收益,這要求財政支農專項政策覆蓋到整個種植業產業鏈。生產要素投入方面的財政政策相對較全面。尤其是優質品種方面,但在農用薄膜、小型農機具等方面仍需完善。社會化服務方面財政政策調整需要進一步關注農村生態環境、農戶市場信息包括生產資料市場和農產品銷售市場等。
(三)畜牧業財政支農專項政策調整的重點
畜牧業財政支農專項政策調整的重點在于有針對性地優化生產結構,提高科技含量,加強生產要素投入力度,同時進一步推動生產組織方式轉變。健全社會化服務體系。
畜牧業生產結構方面的財政支農專項政策比較缺乏。僅在良種補貼政策上有所涉及。有針對性地優化產品結構和區域結構,提高產業競爭力是財政支農專項政策調整的重點。科技進步方面基本依靠針對整個農業的財政政策,具體針對畜牧業實施的相關政策有待完善,尤其是直接面向畜牧業農戶的技術支撐體系嚴重缺乏。生產要素方面的財政政策基本集中在良種方面,其他重要生產要素如飼料,支持力度不夠,這需要得到政策調整的充分考慮。生產組織方式方面的政策調整應關注支持對象上,當前政策支持的基本是畜牧業龍頭企業和經營規模較大的農戶,而分散的農戶缺乏必要的支持。難以轉變粗放的生產方式。社會化服務方面需要重點考慮對農戶的生產和銷售指導。
(四)水產業財政支農專項政策調整的重點
水產業財政支農專項政策調整的重點在于轉變支持對象,加強生產要素投入,提高科技水平,改變傳統的生產方式。同時進一步調整產業結構。增強社會化服務水平。
水產業財政支農專項政策的首要問題在于支持對象上,現行政策主要考慮漁業管理部門,僅有“海洋捕撈漁民轉產轉業”涉及到漁民,政策調整首先需要轉變支持對象,充分考慮水產業生產者的利益和積極性。生產要素投入的支持力度有限,優質品種、飼料、養殖設備等均是財政支持政策可考慮的方向。科技進步方面的支持政策應關注農戶對養殖技術的有效應用,保證政策具有較強的針對性。生產組織方式方面的支持政策應強調改變傳統落后的養殖方式,“標準化養殖小區”政策需要惠及到一般的農戶。產業結構優化重點從品種多樣化和產業轉移方面給予政策支持。社會化服務應進一步完善資源保護和生態環境相關政策。
參考文獻:
[1]白雪瑞,轉變農業增長方式的對策研究[J],學術交流,2007,(02):110-113
[2]戴德成,農作物品種混雜退化的原因及其預防措施[J],中國種業,2007,(06):27―28
[3]高健、劉亞娜,海洋漁業經濟組織制度演進路徑的研究[J],農業經濟問題,2007,(11):74-78
[4]甘露、馬君、李世柱,規模化畜禽養殖業環境污染問題與防治對策[J],農機化研究,2006,(06):22―24
[5]柯炳生,對發展現代農業中若干問題的認識[J],教學與研究,2007,(10):5-9
[6]孔祥智、李圣軍,試論我國現代農業的發展模式[J],教學與研究,2007,(10):9-13
[7]李瑾、秦富、丁平,從畜牧生產視角剖析我國畝產品質量安全問題[J],調研世界,2007,(04)
[8]農業部漁業局養殖課題組,我國主要水產養殖方式研究[J],中國水產,2006,(02):11―13
[9]孫震、錢和、陳峰,水產品質量安全管理問題及對策[J],食品科技,2007,(02):5―7
[10]孫振鈞、孫永明,我國農業廢棄物資源化與農特生物質能源利用的現狀與發展[J],中國農業科技導報,2006,(08):6-13
[11]楊理,草原治理――如何進一步完善草原家庭承包制[J],中國農村經濟,2007,(12):62―67
第2篇：農業預測方法范文
關鍵詞：電力負荷 負荷預測預測方法
電力系統負荷預測是電力系統發電計劃的重要組成部分，也是電力系統經濟運行的基礎。在當前電力發展迅速和供應緊張的情況下，合理地進行電力系統規劃和運行極其重要。
1 電力負荷的構成與特點
電力系統負荷一般可以分為城市民用負荷、商業負荷、農村負荷、工業負荷以及其它負荷等，不同類型的負荷具有不同的特點和規律。
城市民用負荷主要是城市居民的家用電器，它具有逐年增長的趨勢，以及明顯的季節性波動特點，而且民用負荷的特點還與居民的日常生活和工作的規律緊密相關。
商業負荷，主要是指商業部門的照明、空調、動力等用電負荷，覆蓋面積大，且用電增長平穩，商業負荷同樣具有季節性波動的特性。雖然商業負荷在電力負荷中所占比重不及工業負荷和民用負荷，但商業負荷中高峰時段內照明類負荷占用較大部分。此外，商業部門在節假日會增加營業時間，從而成為節假日中影響電力負荷的重要因素之一。
工業負荷是指用于工業生產的用電，一般工業負荷的比重在用電構成中居于首位，它不僅取決于工業用戶的工作方式(包括設備利用情況、企業的工作班制等)，而且與各行業的特點、季節因素等都有緊密的聯系，一般情況下負荷是比較恒定的。
農村負荷則是指農村居民用電和農業生產用電。此類負荷與工業負荷相比，受氣候、季節等自然條件的影響很大。這是由農業生產的特點所決定的。農業用電負荷也受農作物種類、耕作習慣的影響，但就電網而言，由于農業用電負荷集中的時間與城市工業負荷高峰時間有差別，所以對提高電網負荷率有好處。
從以上分析可知，電力負荷的特點是經常變化的，不但按時刻變化、按日變、而且按周變、按年變，同時負荷又是以天為單位不斷起伏的，具有較大的周期性，負荷變化是連續的過程，通常不會出現大的躍變。但電力負荷對季節、溫度、天氣等是敏感的，不同的季節，不同地區的氣候，以及溫度的變化都會對負荷造成明顯的影響。電力負荷的特點決定了電力總負荷由以下四部分組成：基本正常負荷分量、天氣敏感負荷分量、特別事件負荷分量和隨機負荷分量。
2 負荷預測的內容與分類
電力系統負荷預測包括最大負荷功率、負荷電量及負荷曲線的預測。最大負荷功率預測對于確定電力系統發電設備及輸變電設備的容量是非常重要的。為了選擇適當的機組類型和合理的電源結構以及確定燃料計劃等，還必須預測負荷及電量。負荷曲線的預測可為研究電力系統的峰值、抽水蓄能電站的容量以及發輸電設備的協調運行提供數據支持。
負荷預測根據目的的不同可以分為超短期、短期、中期和長期：超短期負荷預測是指未來1h以內的負荷預測，在安全監視狀態下，需要5－10s或1－5min的預測值，預防性控制和緊急狀態處理需要10min至1h的預測值。短期負荷預測是指日負荷預測和周負荷預測，分別用于安排日調度計劃和周調度計劃，包括確定機組起停、水火電協調、聯絡線交換功率、負荷經濟分配、水庫調度和設備檢修等，對短期預測，需充分研究電網負荷變化規律，分析負荷變化相關因子，特別是天氣因素、日類型等和短期負荷變化的關系。中期負荷預測是指月至年的負荷預測，主要是確定機組運行方式和設備大修計劃等。長期負荷預測是指未來3－5年甚至更長時間段內的負荷預測，主要是電網規劃部門根據國民經濟的發展和對電力負荷的需求，所作的電網改造和擴建工作的遠景規劃。對中、長期負荷預測，要特別研究國民經濟發展、國家政策等的影響。
3 負荷預測的基本過程
負荷預測工作的關鍵在于收集大量的歷史數據，建立科學有效的預測模型，采用有效的算法，以歷史數據為基礎，進行大量試驗性研究，總結經驗，不斷修正模型和算法，以真正反映負荷變化規律。其基本過程如下。
3．1 調查和選擇歷史負荷資料
調查和選擇歷史負荷數據資料多方面調查收集資料，包括電力企業內部資料和外部資料，從眾多的資料中挑選出有用的一小部分，即把資料濃縮到最小量。挑選資料時的標準要直接、可靠并且是最新的資料。如果資料的收集和選擇得不好，會直接影響負荷預測的質量。
3．2 歷史負荷資料的整理
歷史資料的整理一般來說，由于預測的質量不會超過所用資料的質量，所以要對所收集的與負荷有關的統計資料進行審核和必要的加工整理，來保證資料的質量，從而為保證預測質量打下基礎，即要注意資料的完整無缺，數字準確無誤。反映的都是正常狀態下的水平，資料中沒有異常的“分離項”，還要注意資料的補缺。并對不可靠的資料加以核實調整。
3．3 對負荷數據的預處理
對負荷數據的預處理在經過初步整理之后，還要對所用資料進行數據分析預處理，即對歷史資料中的異常值的平穩化以及缺失數據的補遺，針對異常數據，主要采用水平處理、垂直處理方法。數據的水平處理即在進行分析數據時，將前后兩個時間的負荷數據作為基準，設定待處理數據的最大變動范圍，當待處理數據超過這個范圍。就視為不良數據，采用平均值的方法平穩其變化；數據的垂直處理即在負荷數據預處理時考慮其24h的小周期，即認為不同日期的同一時刻的負荷應該具有相似性，同時刻的負荷值應維持在一定的范圍內，對于超出范圍的不良數據修正，為待處理數據的最近幾天該時刻的負荷平均值。
3．4 建立負荷預測模型
負荷預測模型是統計資料軌跡的概括，預測模型是多種多樣的，因此，對于具體資料要選擇恰當的預測模型，這是負荷預測過程中至關重要的一步。當由于模型選擇不當而造成預測誤差過大時，就需要改換模型，必要時，還可同時采用幾種數學模型進行運算，以便對比、選擇。
在選擇適當的預測技術后，建立負荷預測數學模型，進行預測工作。由于從已掌握的發展變化規律，并不能代表將來的變化規律，所以要對影響預測對象的新因素進行分析，對預測模型進行恰當的修正后確定預測值。
4 電力負荷預測方法簡介
電力負荷預測分為經典預測方法和現代預測方法。
4．1 經典預測方法
4．1．1 指數平滑法
第3篇：農業預測方法范文
關鍵詞：LM-BP網絡；糧食產量；預測
中圖分類號：S11+4；TP183 文獻標識碼：A 文章編號：0439-8114（2012）23-5479-03
Forecasting Corn Production Based on LM-BP Neural Network
GUO Qing-chun1，3，4，HE Zhen-fang2，4，LI Li3
（1. Teaching Affairs Office， Shaanxi Radio & TV University， Xi’an 710068， China； 2. Cold and Arid Regions Environmental and Engineering Research Institute， Chinese Academy of Sciences， Lanzhou 730000， China； 3. Institute of Earth Environment Research， Chinese Academy of Sciences， Xi’an 710075， China； 4. Graduate University， Chinese Academy of Sciences， Beijing 100049， China）
Abstract： A corn production porecasting method based on improved LM-BP was proposed. According to measurement and agricultural significance principle， 9 factors of grain-sown area， fertilizer input， effective grain irrigated area， stricken area， rural electricity consumption， total agriculture mechanism power， the population engaged in agriculture， rural residents family productive assets， the average net income of rural households were extracted as the network input； corn production was extracted as the network output. The LM algorithm could minimize the error， and the modeling results were evaluated with the correlation coefficients， relative error， etc. For training sample set， the correlation coefficient between the simulated value and the actual value was 0.996， the average relative error was 0.47%； for testing sample set， the correlation coefficient between the forecasted value and the actual value was 0.994， the average relative error was 0.56%. The results showed that the improved LM-BP model could improve simulation precision and stability of the model. This method is effective and feasible for corn production prediction.
Key words： LM-BP network； corn production； forecast
糧食產量預測是復雜的農學和統計學問題，受自然環境、政策、資源投入等多因素的影響。國內外的相關研究中，不少學者構建了許多很有價值的理論假說和預測模型，主要有4類：投入產出模型、遙感技術預測模型、氣候生產力模型及多元回歸和因子分析模型，這些模型從不同角度對糧食產量預測進行了研究[1，2]。但這些模型多數采用傳統的統計預測技術，如時間序列統計模型、定性與推斷技術、因果關系方法。而糧食產量是受不確定性因素影響的，是一個復雜的非線性系統。
人工神經網絡具有很強的處理大規模復雜非線性系統的能力。近年來，許多學者已將人工神經網絡成功地應用于實際問題的預測中，取得了令人滿意的結果[3-12]。為此，采用改進算法的神經網絡建立了糧食產量預測系統，結果表明，基于改進算法的BP神經網絡預測模型具有良好的預測精度、訓練時間短、收斂速度快等特點。
1 仿真試驗數據
1.1 預測因子的選擇
根據能夠計量及具有農學意義的原則，結合農業專家的意見，通過前期大量的影響因子分析[13-15]，選取1994-2009年的糧食總產量為輸出因子，初步選取糧食作物播種面積、化肥施用量、糧食作物有效灌溉面積、受災面積、農村用電量、農業機械總動力、從事農業的人口、農村居民家庭生產性固定資產原值、農村居民家庭平均純收入9個因子作為輸入因子構筑模型，原始數據來源于2010年《中國統計年鑒》。
1.2 網絡輸入的初始化
為了消除不同因子之間由于量綱和數值大小的差異而造成的誤差，以及由于輸入數值過大造成溢出，首先需要對數據進行標準化處理，即把輸入數據轉化為[0，1]或[-1，1]的數。通過公式y=（x-min（x））/（max（x）-min（x））對糧食產量進行處理，得到了符合網絡要求的數據。減少了識別數據的動態范圍，使預測成功的可能性得以提高。然后將數據分成兩部分：網絡的訓練樣本集（前11年的數據）和檢測樣本集（后5年的數據）。
2 預測仿真模型的建立
BP網絡是誤差反向傳播（Back Propagation）人工神經網絡的簡稱，是目前計算方法比較成熟、應用比較廣泛、效果比較好、模擬生態經濟系統的神經網絡模型，但傳統BP網絡存在學習過程收斂慢，局部極小、魯棒性不好、網絡性能差等缺點。為了改進算法，引入Levenberg-Marquardt優化算法，其基本思路是使其每次迭代不再沿著單一的負梯度方向，而是允許誤差沿著惡化的方向進行搜索，同時通過在最速梯度下降法和高斯-牛頓法之間自適應調整來優化網絡權值，使網絡能夠有效收斂，大大提高網絡的收斂速度和泛化能力，它能夠降低網絡對誤差曲面局部細節的敏感性，有效抑制網絡陷入局部極小。
Levenberg-Marquardt算法實際上是梯度下降法和擬牛頓法的結合，該算法期望在不計算Hessian矩陣的情況下獲得高階的訓練速度，其公式表達為XK+1=XK-[JTJ+μI]-1JTe，其中，JT為雅克比矩陣，e是網絡誤差向量。如果μ=0的話，就變成采用近似Hessian矩陣的擬牛頓法；如果μ很大，即成為小步長的梯度下降法，由于牛頓法在誤差極小點附近通常能夠收斂得更快更準確，因此算法的目的就是盡快轉換為牛頓法。如果某次迭代成功，誤差性能函數減小，那么就減小μ值，而如果迭代失敗，就增加μ值。如此可以使得誤差性能函數隨著迭代的進行而下降到極小值。Matlab工具箱提供了Trainlm 函數Levenberg-Marquardt算法的計算。
網絡結構的選擇是應用BP網絡成功與否的關鍵因素之一，一個規模過大的神經網絡容易造成網絡容錯性能下降、網絡結構復雜、泛化能力較差等缺陷；而規模過小的神經網絡往往對訓練樣本的學習較為困難，學習過程可能不收斂，影響網絡的表現能力，降低網絡應用的精度。理論研究表明，只要具有足夠的隱層神經元，3層人工神經網絡可以無限地逼近任何時間序列和函數，因此這里采用含有一個隱含層的3層神經網絡結構。隱含層神經元數的選擇較為復雜，它關系到整個BP網絡的精確度和學習效率，但目前，它的選取尚無一般的指導原則，只能根據一些經驗法則或通過試驗來確定，如Hecht-Nielsen提出的“2N+1”法，由輸入矩陣可以確定輸入層節點數為9，根據“2N+1”這一經驗，可確定隱含層節點數為19；輸出層節點數為1，這樣就構成了一個9-19-1的BP神經網絡模型，其中，訓練函數為Trainlm，輸入層到隱含層以及隱含層到輸出層的傳遞函數分別為Logsig和Purelm，最大訓練次數Epochs為50 000次；訓練誤差精度Goal為0.001；訓練時間間隔Show為5，學習步長Lc為0.5，動量因子Me為0.95，其他參數均選用缺省值。
3 仿真結果
取1994-2004年的11個實際產量作為訓練樣本集，將2005-2009年的5個實際產量作為預測效果檢測樣本集。將1994-2004年9個指標的原始數據作為BP神經網絡的輸入樣本，糧食產量實際值作為輸出樣本，然后對網絡進行訓練，可得相應結點的權值與閾值，將2005-2009年9個指標的原始數據（檢測樣本）作為網絡的仿真輸入，得到最終預測結果，表1是1994-2009年中國糧食實際產量和神經網絡方法模擬值對比分析結果。
從表1可以看出，訓練樣本集中擬合精度平均相對誤差為0.47%，最大值為2004年的1.13%，模擬值和實際值的相關系數為0.996；檢測樣本集中，BP神經網絡預測模型得到的預測值和實際值具有較好的擬合效果，平均相對誤差為0.56%，最大相對誤差為1.11%，最小相對誤差僅為0.04%，模擬值和實際值的相關系數為0.994；2005-2009年的糧食產量預測值的相對誤差均較小。這種改進后的方法比較有效，利用該算法獲得的預測數據結果較好。
總之，由以上分析結果可以看出，無論是擬合精度還是預測5個獨立樣本，BP神經網絡模型的精度都比較高。但從預測結果也可以看出，BP網絡模型方法預測的平均相對誤差為0.56%，平均預測精度仍有待提高。
4 小結與討論
針對中國糧食產量預測問題，將BP神經網絡應用于國家糧食安全預警系統中，采用1994-2004年的中國糧食產量和影響因子的歷史數據建立模型，利用2005-2009年的數據檢驗模型，研究得出以下結論。
1）由于常規統計模型難以滿足糧食產量的預測要求，提出的改進BP算法較好地解決了神經網絡收斂慢和易陷入局部極小值的問題，通過建立預測模型，運用該改進方法對中國糧食產量進行了預測，實例證明，運用基于Levenberg-Marquardt算法的改進BP神經網絡，無論從訓練結果精度上還是在收斂性能上都表現出較好的效果，說明運用該方法來預測糧食產量是完全可行的，彌補了傳統BP算法的不足，提高了預測精度，加快了收斂速度，而且具有很好的外延性。
2）BP神經網絡模型的預測精度高，預測值和實際產量的擬合性好。BP神經網絡法允許原始的隨機數據或數據中含有較多的噪聲，這是它區別于其他模型的最大優勢，因而任何能用傳統的模型分析或統計方法解決的問題，BP神經網絡能處理得更好。在進行糧食產量預測時，BP神經網絡法是一種非常理想的預測方法，但是在構造神經網絡的預測模型時，要注意正確選擇影響因素，不要漏掉對預測對象有重大影響的因素。
由于糧食產量受各種因素的影響，波動性較大，除了受到上述9種因素的影響外，在很大程度上還受國家宏觀政策、作物品種、耕作技術等因素的影響，如何更全面地將難以量化的因素也納入模型中進行考慮分析，從而不斷地改進預測模型、提高預測精度，是需要進一步研究的工作。
參考文獻：
[1] 和文超，師學義，鄧青云，等.土地利用規劃修編中糧食產量預測方法比較[J].農業工程學報，2011，27（12）：348-352.
[2] 周永生，肖玉歡，黃潤生. 基于多元線性回歸的廣西糧食產量預測[J]. 南方農業學報，2011，42（9）：1165-1167.
[3] 王巧華，文友先.基于BP神經網絡的雞蛋大小分級方法研究[J].湖北農業科學，2005（1）：97-99.
[4] 于平福，陸宇明，韋莉萍，等.基于小波廣義回歸神經網絡的糧食產量預測模型[J].湖北農業科學，2011，50（10）：2135-2137.
[5] 李紅平，魏振方，郭衛霞.小麥白粉病的數學模型預測[J].湖北農業科學，2011，50（17）：3611-3613.
[6] 李 艷，劉 軍.農產品價格預測系統設計與實現[J].湖北農業科學，2011，50（14）：2976-2978.
[7] 黃 華，黎未然.人工神經網絡在柚皮總黃酮提取中的應用[J].湖北農業科學，2011，50（10）：2088-2091.
[8] 汪東升，李小昱，李 鵬，等.基于小波和神經網絡的柴油機失火故障檢測[J].湖北農業科學，2011，50（15）：3181-3183.
[9] 梁 丹，李小昱，李培武，等.近紅外光譜法對食用植物油品種的快速鑒別[J].湖北農業科學，2011，50（16）：3383-3385.
[10] 吳澤鑫，李小昱，王 為，等. 基于近紅外光譜的番茄農藥殘留無損檢測方法研究[J].湖北農業科學，2010，49（4）：961-963.
[11] 章 英.基于收購質量的烤煙煙葉無損檢測技術研究綜述[J].湖北農業科學，2011，50（7）：1297-1300.
[12] 李 哲，李干瓊，董曉霞，等.農產品市場價格短期預測研究進展[J]. 湖北農業科學，2011，50（17）：3666-3675.
[13] 宰松梅，溫 季，仵 峰，等.基于灰色關聯分析的遼寧省糧食產量預測模型[J].節水灌溉，2011（5）：64-66.
第4篇：農業預測方法范文
[關鍵詞]城市電網規劃；原理；負荷預測；特點；靜態；動態
中圖分類號：TM715 文獻標識碼：A 文章編號：1009-914X（2014）18-0310-01
空間負荷預測概念最早是由美國的Willis提出并完善的。其定義為在未來電力部門的供電范圍內，根據規劃的城市電網電壓水平不同，將城市用地按照一定的原則劃分成相應大小的規則（網格）或不規則（變電站、饋線供電區域）的小區（小到0.1 km2），通過分析、預測規劃年城市小區土地利用的特征和發展規律，來進一步預測相應小區中電力用戶和負荷分布的地理位置、數量和產生的時間。
空間負荷預測具有①涉及范圍廣②不定性強③預測方法和思路沒有統一標準④影響因素等特點，導致空間負荷預測的準確性具有很大的難度。本文對負荷預測的原理、方法和特點方面進行全面剖析，特別是方法和特點進行論述。
一、負荷預測的原理
1.1 連續性原理
連續性原理也可以稱之為持續性原理，電力負荷的發展是一個不停歇的連續過程，在未來電力負荷發展中的規律就是延續這個的整個過程，這是進行符合預測的關鍵性因素。
1.2 可知性原理
在配電網符合發展中電力負荷可以被看做是可以預測的對象，有史以來，電力負荷預測的發現規律和發展現狀都可以被人們掌握，我們可以根據電力負荷最近的發展規律和現狀進行對未來的預測。
1.3 可知性原理
電力負荷不是一成不變的，電力負荷可以隨著多種因素進行不同的變換，所以，電力負荷預測的依據就是根據不同的因素制定不同的預測方案。
1.4 反饋性原理
所謂的反饋定原理指的是電力負荷輸出后的信號又一次被輸送到輸入端，從而調節輸出結果。針對電力負荷預測而言，進行預測的結果和實際運行的數據是不同的，也是存在差距的，我們可以運用差距對負荷預測模型進行有效的調整，通過實際檢驗提升負荷預測的準確度。
1.5 相似性原理
所謂的相似性原理是在一般情況下，電力負荷發展現狀和過程很有可能和另一種事物的過程一樣，我們可以根據另外事物的發展過程預測電力負荷未來的發展狀況。
二、負荷預測的方法及特點
隨著科技生產力的快速發展，負荷預測的技術水平也逐步提高，預測方法日益完善。根據負荷預測的技術，將負荷預測方法分為兩類：空間靜態類和時間動態類，下面對預測方法進行具體介紹。
2.1 空間靜態類
空間靜態類預測，是指根據某個被測量的基本特點，列出待測方程，同時通過計算未來某特定時刻的數值得到預測值。空間靜態類的預測方法主要包括以下幾種。
2.1.1 用電單耗法
用電單耗法，是指按照用電單耗和產品數量計算耗電量，是工業用電和農業用電的行之有效的預測方法重要方法，比較適應于近、中期規劃。在具體的計算預測過程中，可根據之前每年的產業產值及用電量得到產值單耗，同時根據產值的發展趨勢得到單耗遞變率，通常情況下，由于國家經濟的發展和產業機構的調整，產值單耗量有下降的趨勢。例如：若某產業值按照遞減率C下降，則計劃預測未來m年后的耗電量Am如下所示：
Am=GmQo（1+C）n （1）
上式中，Am是指第m年的需電量，Gm是指第m年的產值；Qo是指基準年的產值單耗；C是指產業值的遞減率。用電單耗法的特點：全面考慮了各種因素對電力負荷的影響，如果數據準確，則負荷預測會有較高的精度；由于涉及因素多，因此需要進行大量的前期調查和數據統計，工作量巨大。比較適合近、中期的負荷預測。
2.1.2 人均電量指標換算法
人均電量指標換算法，是指選取與配網區域類似的國外地區為比較對象，將兩地區的過去及目前的人均電量指標進行比較分析，推算出本地區的人均電量預測值，在根據本區域的人口預測分析得到總需電量的預測值。計算公式如下式：
Am=gmKm （2）
上式中，Am是指該區域第m年的預測需電量；gm是指該區域第m年的人居用電值；Km是指該區域第m年的人口數量。人均電量指標換算法的特點：此種預測方法快捷方便，計算簡單。但是對于人口數量的預測精確度依賴性較高，因而負荷預測精度不高，比較適合于中、長期的預測。
2.1.3 最大負荷利用小時法
最大負荷利用小時法，是指預測出某年的需電量后，根據負荷發展的規律，依據慣性趨勢變化預測年最大負荷。具體預測公式如下式所示。
（3）
上式中，Pn.max是指某年的最大負荷；An是指某年的需用電量；Tmax是指某年的最大負荷利用小時數，其值可以根據歷年的資料及未來用電結構的變化來確定。通常情況下，隨著產業結構的調整，Tmax的值逐漸減小。最大負荷利用小時法的特點：此種預測方法快捷方便，計算簡單。但是對于指標值的把握相對困難，對于電量的預測精度有較高的要求。
2.2 時間動態類
時間動態類預測，是指不考慮負荷預測的決定因素和變量結構，僅根據負荷的歷史數據及發展規律預測未來負荷的狀態。時間動態類的預測方法主要包括以下兩種。
2.2.1 趨勢外推法
電力負荷的變化具有以下兩個特點：第一，當滿足某種條件時，有明顯的變化趨勢；第二，存在著較大的不確定性，例如：四季的變化、意外事故的出現等都會對電力負荷帶來一定的隨機性干擾。例如：對于農業用電來說，在冬季，用電量比較穩定，變化趨勢比較平穩；但是在別的時段，變化趨勢又會呈現線性和非線性。通常情況下，為了找到發展變化的規律，采用描散點圖的方法確定變化趨勢的類型，根據確定的變化趨勢就預測未來負荷的情況，這就是趨勢外推預測法。這種方法主要有下述幾種特征趨勢：水平趨勢預測技術、線性趨勢預測技術、多項式預測技術、季節性預測技術及增長趨勢預測技術等。趨勢外推法的特點：此種預測方法只需要以歷史數據為基礎，需要數據量少；但是如果電力負荷出現變動，就會出現較大的誤差。僅適合用于對短、中期負荷的預測。
2.2.2 回歸分析法
回歸分析法，是通過分析探究自變量和因變量兩者的關系，推導出回歸方程式，通常包括線性和非線性兩種。對于方程中未知量的確定，常用最小二乘法；對于部分非線性方程函數，可以采用三段和值法、模型參數法等確定參數。通常常用的回歸分析模型有以下幾種：
拋物線模型：y=a+bx+cx2
雙曲線模型：
非線性指數模型：y=a+becx
時間序列1模型：y=a0+a1xa2x
線性模型：y=a+bx
對數模型：y=a+b1nx
冪函數模型：y=axb
回歸分析法特點：此種預測方法測過程簡單方便，參數估計技術相對成熟，但是預測精度比較低，開銷較大。尤其是非線性回歸預測，過程相當復雜。僅適合中期負荷預測。
三、結束語
綜上所述，負荷預測方法種類多，但是由于各種方法都存在著自身特點和不確定性。為了保證負荷預測的精確性，可以將多種不同預測方法的結果進行相互驗證和補充，以最大限度的降低負荷預測的不準確性。
參考文獻
[1]孫旭，任震. 空間負荷預測在城市電網規劃中的應用[J]. 繼電器，2005，14：79-81.
[2]王穎，彭澎. 考慮不確定性的城市電網空間負荷預測方法[J]. 電力科學與工程，2009，02：24-26.
第5篇：農業預測方法范文
之所以要提出災害損失的需求問題，是因為災害的損失預測在實際的預測中存在著很多的困難。
2農業保險災害損失常用的預估方法
以往對于災害的損失沒有一個很好的科學預測方法，農險部對于承保都是根據經驗進行核保，往往會造成投保的風險增大。常用的災害預測方法一般可概括為五個步驟，分別是：災害統計、建立災害序列、建立預測模型、災害變動預測、模型精度檢驗等。其中建立災害預測模型是災害預測的核心。由于自然災害受多種因素影響，傳統的自然災害預測模型幾乎都是基于最小二乘法的單一預測模型。
3ε-SVR的介紹
SVM回歸問題是給定的數據樣本集合為{)(,,....,(,)iillxyxy}。其中,niix∈Ry∈R，i=1,2,3....l。這里的iy并不限定取-1或1，而是可取任意實數。回歸問題就是要給定一個新的輸入樣本x，根據給定的數據樣本推斷它所對應的輸出y是多少，這個輸出y是一個實數，用數學語言可以把回歸問題描述如下：給定的數據樣本集合為{)(,,....,(,)iillxyxy}。其中,niix∈Ry∈R，i=1,2,3....l。尋找nR上的一個函數f(x)，一邊用y=f(x)來推斷任一輸入x所對應的y值。下面介紹線性支持向量機回歸的求解過程。首先考慮線性回歸。設數據樣本為n維向量，某區域的l個數據樣本及其值的表示為：(,),(,)niillxyxy∈R×R（4-1）線性函數設為f(x)=w•x+b（4-2）優化問題即最小化：**11)()2liiiRwwwC=(,ε,ε=•+∑ε+ε（4-3）約束條件為*(),1,2,,iiifx−y≤ε+iε=l（4-4）(),1,2,,iiifx−y≤ε+iε=l（4-5）*,0,1,2,,iiεε≥i=l（4-6）式（4-3）中第一項使函數更為平坦，從而提高了泛化能力，第二項為減小誤差，常數C對兩者做出折中。ε為一正數。f(xi)與yi的差別小于ε時不計入誤差，大于ε時誤差計為|f(xi)−yi|−ε。這也是一個凸二次優化問題，引入拉格朗函數：****11***11(,,,,,)1()[()]2[()]()lliiiiiiiilliiiiiiiiiiLwbwwCyfxyfx====εεα,αγ,γ=•+ε+ε−αε+ε−+−αε+ε+−−εγ−εγ∑∑∑∑其中，**0;0;1,2,,iiiiα,α≥γ,γ≥i=l。函數L應對*,,,iiwbεε最小化，對**iiiiα,α,γ,γ最大化。函數L的極值應滿足條件：*0,0,0,0iiLLLLb∂∂∂∂====∂ω∂∂ε∂ε（4-8）從而得到：*1)0liii=∑(α−α=*1)liiiiwx==∑(α−α（4-10）0,1,2,,iiC−α−γ=i=l（4-11）**0,1,2,,iiC−α−γ=i=l（4-12）將式（4-9）~式（4-12）代入式（4-7）中，可以得到優化問題的對偶形式，最大化函數：****,11*11(,)()()()()2()lliijjijiiiijiliiiWaxxy===α=−α−αα−α•+α−α−α+αε∑∑∑其約束為：*1()liiiiwx==∑α−α（4-14）*0,,1,2,,ii≤αα≤Ci=l（4-15）這也是一個二次優化問題，w可由式（4-8）得到，b可由約束條件[()1]0iiiαyw•x+b−=求解得到。
4農業保險災害損失的實例分析
在本課題中，通過調查安慶分支公司承保在在2004-2009年的歷史受災概率數據如表1所示。為了便于計算及減少誤差,我們對實際的概率數做了人工干預處理，即實際概率應為表中的實際數除以40%，例如實際數為6，則實際受災概率應為0.15。并對處理后的概率數采用極值變換法對進行歸一化處理。即可以表示為：minmaxminttXXYXX−=−，其中tX代表實際的賠付率，maxX，minX分別代表歷史數據中賠付率的最大值和最小值，tY代表歸一化處理后的量。當然本文所用的算法還有很多值得去深入研究的地方，例如，在災害損失的影響因素方面要更加緊密的結合實際，所選的因素都要是對發生災害有著一定的影響，這樣就能得出更加精確的量化值，另外，在參數值的量化方面也可以用一些優化算法進行優化，歷史數據收集更多，也可以使預測的結果更為準確。作者簡介：駱國剛，1976年生，男，碩士，實驗師，研究方向：信息化、管理科學與工程。
作者:駱國剛 單位:安徽工業大學
參考文獻
[1]白鵬,張喜斌等.支持向量機理論及工程應用實例[M].西安:西安電子科技大學出版社,2008.
第6篇：農業預測方法范文
關鍵詞：多元線性回歸；糧食產量；預測
糧食的生產和安全是全球最關注的問題之一，俗話說“民以食為天”，我國從古至今都非常重視糧食問題，一直將糧食的生產放在國民經濟的首位。但是中國糧食的生產也面臨很多不利因素，如環境的污染以及房地產行業的迅速崛起，使得耕地面積逐漸減少，加上我國人口的不斷增長以及自然災害的等因素的影響，糧食問題值得我們積極關注。本文主要從《中國統計年鑒》，選取2000-2015年間糧食總產量、糧食播種面積、有效灌溉面積、農業機械總動力、農業化肥施用量、受災面積相關數據，建立糧食產量與各因素之間的多元線性回歸模型，然后應用該方程對糧食產量做預測。
1 建立模型
建立全國糧食總產量與各影響因素之間的多元回歸模型如下：
其中，Y為糧食產量，x1、x2、x3、x4、x5分別為糧食播種面積、有效灌溉面積、農業機械總動力、農業化肥施用量、受災面積。？茁0、？茁1、？茁2、？茁3、？茁4、？茁5為回歸系數，？滋為隨機誤差。
2 模型的求解與檢驗
從《中國統計年鑒》中收集糧食產量（Y）、糧食播種面積（x1）、有效灌溉面積（x2）、農業機械總動力（x3）、農業化肥施用量（x4）、受災面積（x5）的數據見表1：
將糧食產量（Y）作為因變量、糧食播種面積（x1）、有效灌溉面積（x2）、農業機械總動力（x3）、農業化肥施用量（x4）、受災面積（x5）作為自變量，借助Eviews7.2軟件計算，結果如圖1。
（1）R2檢驗
由以上的Y果知，判定系數R2=0.993488，修訂的判定系數R2=0.990232接近于1，說明全國的糧食產量與糧食播種面積（x1）、有效灌溉面積（x2）、農業機械總動力（x3）、農業化肥施用量（x4）、受災面積（x5）之間有較強的線性相關性，擬合程度較高。
（2）統計檢驗
統計量F=305.1364，取顯著性水平？琢=0.05時，查F分布表知，F的臨界值為F0.05（4，10）=3.48
（3）t檢驗
從回歸系數分析的結果可得t（■1）=2.830213，t（■2）=2.621197，t（■3）=-1.348612，t（■4）=1.862353，t（■5）=-2.604057。取顯著性水平？琢=0.05時，由t分布表可知，t0.025（5）=2.228 顯然：|t（■1）|>t0.025（5），|t（■2）|>t0.025（5），|t（■3）|>t0.025（5），|t（■4）|>t0.025（5），|t（■5）|>t0.025（5）。因此x1、x2、x5通過了顯著性檢驗，x3、x4沒有通過t檢驗。說明糧食播種面積（x1）、有效灌溉面積（x2）、受災面積（x5）有顯著性影響。
上述的回歸模型中，農業機械總動力（x3）的回歸系數■3=-0.323815，說明在其他條件不變的情況下，農業機械總動力每增加1萬千瓦，糧食產量下降0.323815萬噸，這顯然不合理。而農業化肥施用量（x4）在上述的回歸模型中的系數又沒通過t檢驗。為確定最優的線性回歸預測方程，考慮剔除自變量x3、x4，再做Y關于x1、x2、x5的修正線性回歸分析，用Eviews7.2軟件運行計算，所得結果圖2。
（1）R2檢驗
由以上的結果知，判定系數R2=0.988503，說明說明全國的糧食產量與糧食播種面積（x1）、有效灌溉面積（x2）、受災面積（x5）之間有較強的線性相關性，擬合程度較高。
（2）F統計檢驗
統計量F=343.9049，取顯著性水平？琢=0.05時，查F分布表知，F的臨界值為F0.05（2，12）=3.89
（3）t檢驗
從回歸系數分析的結果可得
t（■1）=2.685860，t（■2）=10.30333，t（■5）=-3.602551
取顯著性水平？琢=0.05時，查t分布表知，t的臨界值為t0.025（12）=2.179
x1、x2、x5通過了顯著性檢驗，說明糧食播種面積（x1）、有效灌溉面積（x2）、受災面積（x5）有顯著性影響。綜上，剔除自變量x3、x4修正后的對糧食產量的回歸預測方程為：
Y=0.271549x1+1.112721x2-0.65722x5-29578.90
為了驗證上述模型的有效性，對2000-2015年糧食產量的實際值與預測值進行比較，得到的數據如表2所示。
通過比較，得出2000-2015年糧食產量實際值與預測值的相對誤差不超過0.021，因此，該多元線性回歸模型對糧食產量的預測具有較好的一致性。
本文運用多元線性回歸的方法，建立了糧食產量與各因素之間的多元線性回歸模型，并對對糧食產量進行了預測分析，該回歸方程對糧食產量的預測具有較高的準確度。從多元回歸方程中我們可以得出，糧食播種面積以及灌溉面積是影響糧食產量的主要因素，所以，為使糧食產量的穩步增長，一定要保障糧食的播種播種面積同時要加大灌溉設施的修建，提高農作物的灌溉面積。
參考文獻
[1]孫萍，陳悅.影響糧食產量的因素分析及對策建議[J].天津理工大學學報，2008，24（5）：51-53.
[2]丁晨芳.組合模型分析方法在我國糧食產量預測中的應用[J].農業現代化研
究，2007，28（1）：101-103.
第7篇：農業預測方法范文
關鍵詞：貴州省；農業總產值；ARIMA模型；短期預測
一、引言
農業總產值反映的是一個國家或地區農業生產的總規模和總水平。隨著改革開放的深入，農業問題一直都是我國政府工作的重中之重。時間序列分析是用一段時間的一組屬性數值發現模式從而來預測未來值，ARIMA 模型是較為常用的用來擬合平穩序列的預測模型。
二、ARIMA模型簡介
ARIMA模型全稱為差分自回歸移動平均模型，又被稱為Box-Jenkins模型或博克思-詹金斯法。模型的基本思想是：預測對象會隨著時間推移而形成的數據序列被視為一個隨機序列，用數學模型來近似描述這個序列，并認為該序列會按蘊含的規律遵循下去。這個模型被識別后就可以從時間序列的過去值及現在值進行外推，以此來預測未來值。而ARIMA模型在實證研究中被研究人員廣泛運用于時間序列分析和模型預測領域。ARIMA模型研究的對象是平穩時間序列，因此對一個離散的時間序列進行建模時，應當首先考察其平穩性，再分析和判斷時間序列的生成過程。根據生成機制的不同，ARIMA模型實包含3種類型的模型：
（一）AR模型
AR模型也稱為自回歸模型。它是通過過去的觀測值和現在的干擾值的線性組合預測， 它是僅用時間序列{Yt}的不同滯后項作為解釋變量的模型，其數學形式為：
Yt=？覬1Yt-1+？覬2Yt-2+？覬3Yt-1+......+？覬pYt-p+et
式中：p為自回歸模型的階數；？覬i（i=1，2，......p）為模型的自回歸系數，et為誤差，Yt為一個時間序列。
（二）MA模型
MA模型也稱為移動平均模型。它是通過過去的干擾值和現在的干擾值的線性組合預測，它是僅用誤差的不同滯后項作為解釋變量的模型，其數學形式為：
Yt=et-θ1et-1-θ2et-2-θ3et-3-......-θqet-q
式中：p為模型平均移動階數；θj（j=1，2，......q）為模型的移動平均系數；et為誤差； Yt為觀測值。
（三）ARMA模型
ARMA模型是自回歸模型（AR）和移動平均模型（MA）的組合，構成了用于描述平穩隨機過程的自回歸滑動平均模型ARMA，數學形式為：
Yt=？覬1Yt-1+？覬2Yt-2+？覬3Yt-1+......+？覬pYt-p+et-θ1et-1-θ2et-2-θ3et-3-......-θqet-q
三、ARIMA模型的建立
（一）數據的選取
本研究選用貴州省1978年至2010 年農業總產值的統計數據，數據來源于《貴州省統計年鑒》，經整理后見表1。
令進出口總額為Xt，根據貴州省1978年至2010年農業總產值數據，在Eviews軟件中建立時序圖（見圖1）可以看出，該折線圖是向右上方傾斜的，表明此時間序列存在增長的趨勢。所以貴州省1978年至2010年農業總產值的時間序列數據是不穩定的。
進一步對該時間序列進行單位根檢驗，從輸出結果可知ADF檢驗p的值為0.9996，沒有通過檢驗，因此{Xt}序列是非平穩的，因此先對數據做平穩化處理。
（二）數據平穩化處理
對貴州省1978年至2010年農業總產值時間數據取對數得，并進行二階差分。并對二階差分的數據作單位根檢驗。
對貴州省1978年至2010年進農業總產值時間序列數據取對數并進行二階差分后，得到的ADF檢驗p的值為接近零，因此能通過檢驗，拒絕原假設。對處理后的數據作時序圖（見圖2），可知此圖圍繞某條水平線上下波動，數據無明顯的上升或下降趨勢，說明處理后的數據已經是平穩的，且d=2。
（三）參數的估計與模型的定階
對處理后的數據作滯后16期的自相關（autocorrelation function，ACF）圖和偏相關（partial autocorrelation function，PACF）圖，如圖3。
從該圖可以看到，自相關函數在12步后截尾，所以q=12；偏自相關函數在12步后截尾，所以p=12。
對模型進行檢驗，由于常數項C沒有通過顯著性檢驗，即C對模型沒有顯著性影響故舍掉。AR（12）的p值為0.008，MA（12）的p值接近于零，均能通過單個系數的顯著性檢驗；且擬合優度R2=0.827，擬合情況還算是可以的。因此，p=12，q=12，d=2處理后數據的模型為。由此得到的估計方程為：
D[D（logXt）]=-0.4353D[D（logXt-12）] -0.9408εt-12+εt①
（四）模型的檢驗
如果殘差序列是白噪聲序列即純隨機序列，則表明所建立的模型包含原序列的所有趨勢，模型用于預測是合適的。反之，殘差序列不是白噪聲，說明殘差序列中還有某種信息即還有規律，所建模型不合適，應重新建模。可以利用殘差的自相關分析圖直觀判斷，其準則是：殘差序列的自相關與零無顯著不同，或者說基本落入隨機區間，殘差序列為白噪聲；反之殘差序列不是白噪聲。
由圖4可以看出，所有Q值都小于檢驗水平為0.05的卡方分布臨界值，最后得出結論：模型的隨機誤差序列是一個白噪聲序列。
建立模型的目的之一是對未來值進行預測。對未來貴州省農業總產值進行預測前， 先檢驗模型的預測能力。模型的預測能力一般用平均絕對百分比誤差（mean absolute percentage error，）度量， 它的計算公式如下：
MAPE=■·■■×100%
通過計算MAPE=1.106
（五）對貴州省農業總產值的預測
通過估計方程①對2011年貴州省農業總產值的預測值為：D[D（logX2011）]=09，925234，經計算得出X2011=670.63億元（2011年的實際值為655.30億元），誤差為2.33%。同時預測貴州省2012年農業總產值為773.85億元。
四、總結
本文構建的貴州省農業總產值自回歸預測模型，經統計檢驗估計方程整體顯著性很好，由此證實了ARIMA模型是一種很好的短期時間序列農業總產值的預測方法，適用于貴州農業總產值的預測研究，可以為貴州農業經濟發展規劃提供決策依據。
值得注意的是，ARIMA模型的短期預測效果好，長期預測效果不好，盡管如此，與其他的預測方法相比，其預測的準確度還是比較高的。
參考文獻：
[1]徐國祥，統計預測與決策（第二版）[M].上海：上海財經大學出版社，2005.
[2]張曉峒.計量經濟學（第三版）[M].天津：南開大學出版社，2007.
[3]易丹輝.時間序列分析方法與應用[M].北京：中國人民大學出版社，2011.
第8篇：農業預測方法范文
關鍵詞：低等級；公路建設；交通量預測
中圖分類號：X734文獻標識碼： A
引言
交通量預測是指通過切實可靠的交通調查，采集到較為準確可靠的交通量數據，對其進行整理分析，通過專業的計算，發現交通量變化的規律，并結合其他各種理論性的交通量，如自然增長的趨勢交通量，適路行車條件改善引起的誘增交通量，轉移交通量等，推算出研究區域內公路網中各路線和路段上現時和未來的交通量，為區域內公路網規劃和單項公路的建設提供最基本的依據的研究工作。
1、交通量預測思路與方法
交通運輸與經濟社會有著密不可分的聯系，經濟社會的發展決定著交通運輸的發展，反過來交通運輸也影響著經濟社會的發展速度與水平，交通運輸的發展可以引導和促進社會經濟的發展。因此在進行交通量預測時，應分析經濟社會與交通運輸發展兩者之間的相關關系，在對項目影響區域經濟社會發展調查的基礎上，對項目影響區域未來經濟社會發展趨勢與水平進行了分析預測，進而對項目設計交通量進行預測。
常用的交通量預測方法有多種，本文將通過工程實例介紹回歸分析法和彈性系數法在交通量預測中的應用。
1.1、回歸預測法
回歸預測法是以相關原理揭示因果關系的一種常用技術，其原理是根據已知的n組數據(Xi，Yi)來尋求它們之間函數關系的最佳表達式或最佳擬合曲線。交通量預測常采用的回歸方法為一元線性回歸法和多元線性回歸法。如果2個變量的關系是線性的，就可以建立如下一元回歸方程:y＝a+bx，式中:a為回歸常數；b為回歸系數。運用最小二乘法原理就可方便求出a，b的值，交通量分析中的一些經濟指標預測常使用一元回歸法。由于交通量增長與影響區人口、經濟、車輛保有量等因素之間有著密切關系，因此可使用多元線性回歸方法進行預測，其方程形式如下:式中:Yt為t年交通量；xit為第i個指標第t年值，xit由項目影響區的經濟、人口、車輛保有量等指標構成；a，b為回歸系數。
1.2、彈性系數法
應用細節公路規劃設計，屬于一項綜合性的社會經濟活動，期間所派生的各種需求，體現出設計工作的復雜性和多樣性，就交通量預測工作來說，有必要借助一套行之有效的預測方法，以便在錯綜復雜的影響因素當中，理順工可預測的思路，其中彈性系數法就是一種有效的預測方法。這種方法的應用，要求將公路交通、公路所在區域產業布局、人口規模等，作為統一的整體，推斷出公路交通需求量的大小，尤其是兩市或者兩省交接位置的公路，準確掌握其交通需求的變化規律。也就是說，彈性系數法需要把握公路工程所在區域的整體經濟發展狀況，將公路的交通運輸作為該區域經濟發展的組成部分，從經濟性的視角確定公路交通增長率與國民經濟發展增長率之間的關系。在應用該方法時，要盡量收集公路交通量，采用回歸分析等方法，最終得出客車運輸量、貨車運輸量、通道交通量等彈性系數。
2、交通量預測經驗總結
2.1、嚴格遵循規劃指導要求
任何公路工可交通量預測，均建立在當地城市規劃指導的基礎上，并且不能夠脫離周圍其他交通路線交通流的轉移關系，需要通過對公路工程交通量的逐年預測，明確各個工程項目之間的相互關系，進而論證公路工程的交通地位，給出多種可能性的推薦方案，作為工程科學設計的重要依據。如果違背規劃指導要求，公路工可交通量的預測結果，可能會出現過于夸大或者依據不足等問題，而公路工可交通預測工作本身的復雜性因素很多，因此只有在完全遵循規劃指導要求的基礎上，才能夠有效確保工可交通量預測不會有悖于實際，提高預測結果的適用性。
2.2、應用完善的預測轉移、誘增交通量的方法
轉移交通量是指擬建交通項目建成后，從其它交通工程設施及由于競爭關系而從其它交通方式轉移過來的交通量。誘增交通量是由于道路新建或改建，特別是高等級公路的建設而誘發的新生交通量，由于轉移和誘增交通量是在該項目全線建成兩三年后才逐漸體現出來，當今要想對這兩種交通量進行準確的預測還存在一定的難度，應找出更加全面與合理的預測方法。
2.3、取消規范中對交通量的嚴格限制條件
將道路在路網整體功能發揮上所起的作用以及不同地區道路需求方面的差異納入規范要求。同時，在評判擬建項目的可行性時，不僅要考慮到交通流量而且應加入相關路網的因素，并針對不同區域對交通量的不同要求進行適當劃分，因地制宜，制定出更加合理的評價標準。
2.4、從綜合運輸的角度分析預測未來通道內公路
運輸量應較為客觀地反應各種運輸方式在未來綜合運輸網中的作用和地位，以減少目前按各種運輸方式預測運輸量普遍存在的夸大現象，避免引發以后各種運輸方式之間的惡性循環。
公路交通量預測嚴重失準問題，會大大削弱公路工程項目可行性分析以及后評價結論的有效性，進而影響管理者的科學決策。應從各方面找出產生這一問題的原因和解決這一問題的方法，系統而根本性地提高公路交通量預測的準確性。
2.5、轉移交通量預測法
轉移交通量是指擬建交通項目建成后，從其它交通工程設施及由于競爭關系而從其它交通方式轉移過來的交通量。應采用定性與定量相結合的方法進行預測。對通道未來客運量進行預測，計算鐵路、軌道的運輸效益，確定鐵路、軌道交通的分擔比例，從而可確定未來通道公路交通所承擔的客運量。
2.6、誘增交通量預測法
在實際工程中，項目對沿途交通的誘增量，我們可以看作為是對地區經濟的誘增影響，通常用模型處理，這種模型是以地區間的接近性為變量建立的。項目使地區間的接近性發生大幅度變化，因此也改變了地區間的相互依賴性。據此，考慮依照修正的重力模型法的潛在模型，在趨勢型經濟結構的基礎上，來反映項目的誘增經濟效果。
模型由“經濟的接近性”和“工農業總產值潛力”構成，前者是以時間距離為變量來定義各區的接近性，后者可由這種接近性和工農業總產值的關系來確定工農業生產的潛力。
3、交通量預測的發展
公路交通系統是隸屬于運輸系統的一個子系統，交通預測中不確定的因素多。這種不確定因素一方面來自環境的不確定性，包括政策和人的心理要求等等；另一方便來自預測技術本身的不確定性，包括模型的選用，參數的標定等。要使交通量預測這門研究更加成熟可靠，就不能僅僅是熟悉預測技術或者僅僅了解交通發展，這樣是難以做好預測工作的，必須將定性定量定時預測有機結合起來，以把握交通系統未來總體發展趨勢，交通分布的各種可能性及其影響，并在充分分析的基礎上得出交通量的大小及其在時間上的變化，以使我國公路交通能專注實際，繼續發展。
4、結語
公路交通系統是隸屬于運輸系統的一個子系統，交通預測中不確定的因素多。這種不確定因素一方面來自環境的不確定性，包括政策和人的心理要求等等；另一方便來自預測技術本身的不確定性，包括模型的選用，參數的標定等。要使交通量預測這門研究更加成熟可靠，就不能僅僅是熟悉預測技術或者僅僅了解交通發展，這樣是難以做好預測工作的，必須將定性定量定時預測有機結合起來，以把握交通系統未來總體發展趨勢，交通分布的各種可能性及其影響，并在充分分析的基礎上得出交通量的大小及其在時間上的變化，以使我國公路交通能專注實際，繼續發展。
參考文獻
[1]劉世鐸.基于多元主體視角的公路暢通合理性評價理論與方法[D].長安大學,2011.
[2]宣江平.基于公路主體的公路規模決策機理研究[D].長安大學,2012.
[3]李永航.城際高速公路通道交通量預測方法研究[D].廣西大學,2012.
第9篇：農業預測方法范文
網絡出
>> 馬爾可夫鏈模型在人力資源預測中的應用 馬爾可夫及隱馬爾可夫模型在數據挖掘中的應用 馬爾可夫鏈在股市投資中的應用 馬爾可夫鏈在移動通信中的應用 基于加權馬爾可夫鏈和GM(1,1)模型的公共危機事件預測研究 馬爾可夫鏈在股票中的運用 帶輸入的吸收馬爾可夫鏈在經濟預測中的應用 時間序列馬爾可夫鏈在藥品消耗預測中的應用 馬爾可夫鏈在吉林省高粱單產年景預測中的應用 馬爾可夫鏈在軍隊行政干部調整中的應用 馬爾可夫鏈在股價預測中的應用分析 隱馬爾可夫模型在經濟預測中的應用 隱馬爾可夫模型在客戶關系動態研究中的應用 馬爾可夫模型在輪胎市場預測中的應用 灰色馬爾可夫模型在廣東旅游人數預測中的應用 馬爾可夫模型在客戶規劃中的應用研究 隱馬爾可夫后處理模型在視頻人臉識別中的應用 馬爾可夫模型在VoIP通話質量實時評估中的應用 隱馬爾可夫模型在維吾爾語詞性標注中的應用 吸收馬爾可夫鏈模型在山西省農業轉移人口就業趨勢預測中的應用研究 常見問題解答 當前所在位置：l
基金項目：北京市科技計劃課題 （Z141100006014049）;國家科技重大專項課題（2012ZX07205-005）
作者簡介：賀 娟（1988-），女，陜西延安人，主要從事城市暴雨及洪水模擬方面研究。E-mail：
通訊作者：王曉松（1962-），男，河北人，教授級高級工程師，博士，主要從事高壩泄洪消能、河流生態修復與治理方面研究。E-mail：
摘要：根據1960年-2011年的實測入庫流量資料，以河川徑流量為相依隨機變量，介紹加權馬爾可夫鏈模型的相關概念及預測未來一年入庫流量的步驟，采用均值-標準差分級法把入庫流量序列劃分成枯、偏枯、偏豐、豐4種狀態。以各階自相關系數為權重，預測2010年-2011年的入庫流量，將其所在狀態區間與實測值進行對比。結果表明，加權馬爾可夫鏈模型對密云水庫入庫流量預測精度較高，以此又對2012年-2013年的入庫流量進行了預測。最后對其遍歷性和平穩分布進行分析，計算入流豐、枯狀態在實測序列中的重現期，其中出現偏枯狀態的概率最大，由此預測密云水庫未來的入庫流量處于偏枯狀態。
關鍵詞：加權馬爾可夫鏈模型;密云水庫;入庫流量;轉移概率矩陣;馬氏性檢驗;自相關系數;偏枯
中圖分類號：TV213.4 文獻標志碼：A 文章編號：
1672-1683（2015）04-0618-04
Application of the weighted Markov chain model in the inflow prediction of the Miyun Reservoir
HE Juan，WANG Xiao-song，WANG Cai-yun
（Department of Hydraulics， China Institute of Water Resources and Hydropower Research，Beijing 100038，China）
Abstract：
According to the actual inflow data of the Miyun Reservoir from 1960 to 2011，river runoff was selected as the random variable，and the related concept of the weighted Markov chain model and the steps for the inflow prediction in the incoming one year were introduced.The classification method of average-standard was used to divide the inflow sequence into four conditions，including drought，lean drought，lean wet，and wet.The autocorrelation was regarded as weight coefficient to predict inflow between 2010 and 2011，which were compared with the measured data.The results showed that the weighted Markov chain model can predict inflow of the Miyun Reservoir with high precision.Therefore，the model was used to predict inflow between 2012 and 2013.Finally，the ergodicity and stationary distribution of Markov chain were analyzed，and the return periods of observed sequence under the wet and dry conditions were calculated，which suggested that the occurrence probability of lean drought is the largest.The inflow of the Miyun Reservoir was predicted to be lean drought in the future.
Key words：weighted Markov chain model;Miyun Reservoir;reservoir inflow;transition probability matrix;Markov property testing;autocorrelation coefficient;lean drought
密云水庫是京津唐地區第一大水庫，為北京最重要的地表飲用水源。但是，近年來，在“自然-人工”二元因素共同作用的影響下，其入庫流量呈減少態勢，1999年以后減少的趨勢尤為明顯[1]。因此，對水庫未來的來水量和變化趨勢做出準確的預測關系到水庫的調度應用及北京市的用水安全。夏樂天[2-3]等人研究了加權馬爾可夫鏈在降水狀況預測中的應用和馬爾可夫鏈預測方法的統計試驗研究;王永兵[4]等人利用馬爾可夫鏈對水庫入庫徑流狀態進行了預測;馮利華，陳雄[5]利用馬爾可夫鏈研究了區域干旱的變化趨勢;馮耀龍[6]等利用馬爾可夫鏈對河流豐枯狀況進行了預測;楊國范，劉冰等[7]利用加權馬爾可夫鏈對河流水質進行了預測;馮小明，劉桂清等[8]對灌溉用水量進行了預測;Zekai Sen等[9]對洪水來流量的預測也采用了馬爾可夫鏈。目前的預測結果表明，加權馬爾可夫鏈的預測精度較高，且在物理成因上也較為合理[10]。本文采用加權馬爾可夫鏈模型對密云水庫的來水趨勢進行預測，預測趨勢跟實測資料吻合較好。
1 馬爾可夫鏈的介紹
1.1 馬爾可夫鏈的定義及分類
設有隨機過程{Xn，n∈T}若對于任意整數n∈T和任意i0，i1，i2，…，in+1∈I條件概率滿足
P{Xn+1=in+1|X0=i0，X1=i1，…，Xn=n}=
P{Xn+1=in+1|Xn=in}（1）
則稱{Xn，n∈T}為馬爾可夫鏈，簡稱馬氏鏈[11-12]。式中：in表示隨機過程Xn在n時刻的狀態，P表示事件發生的概率。
馬爾可夫鏈預測方法可分為3種[2]：基于絕對分布的馬爾可夫鏈預測方法、疊加馬爾可夫鏈預測方法和加權馬爾可夫鏈預測方法。其中預測精度最高的是加權馬爾可夫鏈預測方法，最低的是基于絕對分布的馬爾可夫鏈預測方法。
1.2 轉移概率矩陣[11]
一步轉移概率為
Pi，j（n，n+1）=P（Xn+1=j|Xn=i）（2）
K步轉移概率表示為
Pi，j（n，n+k）=P（Xn+k=j|Xn=i）（3）
所有轉移概率構成的轉移概率矩陣具有的性質如下：0≤Pi，j≤1;∑mj=1Pi，j=1。
若轉移概率與時刻n無關，則稱為齊次馬爾可夫鏈。用P（1）表示一步轉移概率矩陣，P（k）表示k步轉移概率矩陣，則有：
Pk=P（1）k（4）
應用上遇到的馬氏鏈一般不滿足“時齊”條件，因此僅討論一步轉移概率[10]。
1.3 加權馬爾可夫鏈的預測步驟[3-8，10]
（1）計算均值 。
=1n∑nt=1x（t）（5）
（2）計算標準差s。
s=1n-1∑nt=1x（t）-2 （6）
（3）指標值的樣本均值-標準差分級。
根據均值及標準差，一般將實測序列分為5個狀態，分級標準見表1。
（4）轉移概率矩陣的估算。
（5）馬氏性檢驗。
可用χ2統計量來檢驗離散序列的馬氏鏈，設研究序列包含m個可能的狀態，用fij（i，j∈E）記為轉移頻數概率矩陣，邊際概率P.j的計算公式如下。
P.j=∑mi=1fij/∑mi=1∑mj=1fij（7）
用Pi，j（i，j∈E）表示轉移概率矩陣元素。當m較大時，χ2統計量如下：
χ2=2∑mi=1∑mj=1fij|ln（Pi，j/Pj）|（8）
服從自由度為（m-1）2的χ2分布。給定置信度α，查表可χ2α（m-1）2的值，χ2>χ2α（m-1）2，則零假設被拒絕，即認為該序列具有“馬氏性”。
（6）各階自相關系數rk，（k∈E）計算。
rk=∑n-kt=1（xt-）（xt+k-）/∑nt=1（xt-）2 （9）
式中：xt為第t時段的指標值;為指標值均值;n為指標值序列長度;rk為第k階（滯時為k年）自相關系數。對各階相關系數規范化如下：
wk=|rk|/∑mk=1|rk|（10）
式中：wk為各種滯時的馬爾可夫鏈的權重。
（7）預測。
將同一狀態的各預測概率加權和作為處于該狀態的預測概率，即
Pi=∑mk=1wkPki （11）
Max{Pi，i∈E}對應的狀態為該時段的預測狀態，確定該時段的指標值，并將其加入到原序列之中，再重復上述步驟，就可預測下時段的指標值狀態。
2 工程實例
密云水庫1960年-2009年入庫流量資料[13]見表2，利用加權馬爾可夫鏈模型對2010年的入庫流量進行預測。
2.1 均值、標準差狀態分級計算
依據表2，得到該序列的均值x=9.259億m3，標準差s=5.443，由于樣本序列不多，所以將其劃分為枯、偏枯、偏豐、豐4個狀態[8，14]，徑流狀態分級標準見表3，序列狀態見表2。
2.2 建立轉移概率矩陣
對步驟1得到的結果進行統計，可得不同滯時的轉移概率矩陣如下：
步長為1的一步轉移概率矩陣
2.3 馬氏性檢驗
對步長為1的一步轉移頻數矩陣及轉移概率矩陣進行馬氏性檢驗，計算結果見表4及表5。
χ2的值為49.588，選取顯著性水平α=0.05，查表可得χ2α（4-1）2=16.919，χ2>χ2α（m-1）2，可以驗證該序列具有馬氏性。
2.4 自相關系數及權重計算
由式（9）、式（10）可得各階自相關系數及各種滯時的權重，見表6。
2.5 預測
依據2006年-2009年的入庫流量及所對應的狀態轉移矩陣對2010年徑流量狀態進行預測，結果見表7。
由表7可知，Max{Pi，i∈E}=0.736，所對應的i=1，處于區間[0，6.538]，即2010年入庫流量狀態為枯水年狀態。2010年的實測資料是3.196億m3∈[0，6.538]，與實測結果相吻合。同理，用1960年-2010 年的資料預測出2011年的水庫入流狀態處于區間[0，6.538]，實測值為4.123億m3，預測結果較為合理。最后預測出2012年和2013年的入庫流量分別為5.102億m3、4.380億m3，處于枯水年狀態。
2.6 馬爾可夫鏈的特征[10，14-15]分析
具有遍歷性的馬爾可夫鏈，當轉移的步數n足夠大時，從系統的任何一個狀態i轉移到狀態j的概率都近似等于π（j）。通過分析得出此鏈是遍歷的（不可約、非周期、正常反鏈），因此，此鏈存在唯一的平穩分布即為它的極限分布。設此鏈的平穩分布為{πj，j∈E}，平穩分布、極限分布與各狀態的重現期的計算公式如下：
∑j∈Eπj=1;πj=∑i∈EπjPij （12）
利用密云水庫1960年-2009年的資料，以相依性較強的步長為4的馬氏的特征分析為例。計算所得的值見表8。
uj（πj=1/uj）表示系統從狀態j出發，首次返回狀態j的平均時間，同時也是各狀態的極限分布。由表8可知，各狀態的重現期為T1=1.991年;T2=5.105年;T3=8.264年;T4=5.531年。根據現有的實測資料，由本文確定的分級標準，枯水年出現的次數最多，偏枯年出現的次數次之，這兩種狀態出現的概率為0.698 1，從而可以說明密云水庫來水長期處于枯水和偏枯狀態的可能性比較大。
3 結語
根據馬爾可夫鏈的預測理論，馬爾可夫鏈針對的是一組離散的數據序列，其最基本的特征是：“馬氏性”，也稱“無后效性”。預測結果為入庫流量的某一個狀態，是一個區間，而不是一個具體的數值，在滿足工程要求的前提下，可以較準確的預測出入庫流量的變化趨勢。通過對2010年-2013年入庫流量的預測，可以看出馬爾可夫鏈模型能較好的預測來水狀況。根據馬爾可夫鏈的遍歷性和平穩分布，由實測入庫流量序列中出現枯、偏枯狀態的年份比較多和來水呈逐漸下降的趨勢預測出密云水庫未來來水處于比較短缺的狀態。這對水庫管理者和流域規劃者具有一定的參考價值。
參考文獻（References）：
[1] 高迎春，姚治君，劉寶勤，等.密云水庫入庫徑流變化趨勢及動因分析[J].地理科學進展，2002，21（6）：546-553.（GAO Ying-chun，YAO Zhi-jun，LIU Bao-qin，et al.Evolution trend of miyun reservoir inflow and its motivating factors analysis[J].Progress in Geography，2002，21（6）：546-553.（in Chinese））
[2] 夏樂天，朱元`，沈永梅.加權馬爾可夫鏈在降水狀況預測中的應用[J].水利水電科技進展，2006，26（6）：20-24.（XIA Le-tian，ZHU Yuan-sheng，SHEN Yong-mei.Application of weighted Markov Chain to prediction of precipitation[J].Advances in Science And Technology of Water Resources，2006，26（6）：20-24.（in Chinese））
[3] 夏樂天，朱元`.馬爾可夫鏈預測方法的統計試驗研究[J].水利學報，2007（增刊）：372-378.（XIA Le-tian，ZHU Yuan-sheng.Study on statistical experiments of Markov Chain prediction methods[J].Journal of Hydraulic Engineering，2007（supplement）：372-378.（in Chinese））
[4] 王永兵，胡小梅，彭丹芬，等.馬爾可夫鏈在水庫入庫徑流狀態預測中的應用[J].水電與新能源，2011（4）：18-21.（WANG Yong-bing，HU Xiao-mei，PENG Dan-fen，et al.The application of Markov Chain to forecasting reservoir inflow state[J].Hydropower and Energy，2011（4）：18-21.（in Chinese））
[5] 馮利華，陳雄.浙江干旱的變化趨勢[J].農業系統科學與綜合研究，2001（3）：177-179.（FENG Li-hua，CHEN Xiong.Change tendency of drought in zhejiang province[J].System Sciences and Comprehensive studies in Agriculture，2001（3）：177-179.（in Chinese））
[6] 馮耀龍，韓文秀.加權馬爾可夫鏈在河流豐枯狀況預測中的應用[J].系統工程理論與實踐，1999（10）：89-93.（FENG Yao-long，HAN Wen-xiu.The application of weighted Markov-Chain to the prediction of river runoff state[J].Systems Engineering-theory and Practice，1999（10）：89-93.（in Chinese））
[7] 楊國范，劉冰，金鑫，等.加權馬爾可夫鏈在河流水質預測中的應用[J].節水灌溉，2008，（6）：16-18.（YANG Guo-fan，LIU Bing，JIN Xin et al.Application of Weighted Markov Chain method in water quality forecast[J].Water Saving Irrigation，2008，（6）：16-18.（in Chinese））
[8] 馮小明，劉桂清，周莉，等.馬爾可夫鏈在灌溉用水量預測中的應用[J].水利與建筑工程學報，2011，9（2）：98-101.（FENG Xiao-ming，LIU Gui-qing，ZHOU Li，et al.Application of Markov Chain in prediction for irrigation water consumption[J].Journal of Water Resources and Architectural Engineering，2011，9（2）：98-101.（in Chinese））
[9] Zekai Sen.Critical Drought Analysis by Second Order Markov Chain[J].Journal of Hydrology，1990，120（1-4）：183-202.
[10] 夏樂天.馬爾可夫鏈預測方法及其在水文序列中的應用[D].南京：河海大學，2005.（XIA Le-tian.Research of Markov Chain prediction method and its application on hydrology series[D].Nanjing：Hohai University，2005.（in Chinese））
[11] 魯帆，嚴登華，王勇，等.中長期徑流預報技術與方法[M].北京：中國水利水電出版社，2012.（LU Fan，YAN Deng-hua，WANG Yong，et al.Medium and long term runoff forecasting techniques and approaches[M].Beijing：China Water Power Press，2012.（in Chinese））
[12] Daniel P，Loucks and Eelco van Bee.Water Resources Systems Planning and Management[M].The United Nations Educational，Scientific and Cultural Organization，2005.
[13] 段新光，郝麗娟，欒芳芳.密云水庫流域降水量與徑流量特征分析[J].北京水務，2013（1）：38-41.（DUAN Xin-guang，HAO Li-juan，LUAN Fang-fang.Analysis of the characteristics of the rainfall and runoff in the basin of the Miyun reservoir[J].Beijing Water，2013（1）：38-41.（in Chinese））
