導語：如何才能寫好一篇農業(yè)預測方法，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

信息技術在過去數年中的飛速發(fā)展將人類社會帶入了“第三次技術革命”，無論是物聯網的初步形成，還是云計算技術的普及應用，抑或是移動終端的大規(guī)模應用，都給人類收集和利用數據的范圍和形式帶來了顛覆性的變革――“大數據”時代正在向我們走來。

對于“大數據”這一概念，目前還沒有統一的概念與定義。維基百科將大數據定義為“無法在一定時間內用常規(guī)軟件工具對其內容進行抓取、管理和處理的數據集合”。研究機構Gartner給出了這樣的定義：“‘大數據’是需要新處理模式才能具有更強的決策力、洞察發(fā)現力和流程優(yōu)化能力的海量、高增長率和多樣化的信息資產?！彪m然說法不盡相同，但都向我們傳遞了這樣一個信息：“大數據”時代的數據無論是從數據量和數據形式上都與過去有了極大的不同。如何使培養(yǎng)出具備能夠對這樣大量的數字化數據進行準確的分析并對市場未來發(fā)展進行正確預測的能力的優(yōu)秀人才，成為擺在高職院校面前的一個新課題。

在高職院校中《市場調查與預測》課程就是專門培養(yǎng)學生市場調查能力和分析預測能力的一門課程，是市場營銷專業(yè)的核心課程，多在財經管理類學校開設，后由于它的應用性很強，能為企業(yè)在作重大決策時提供強有力的依據，所以很多工科類院校和農業(yè)類院校也開設了這門課程。黑龍江省作為一個農業(yè)大省，農業(yè)類高職院校在“大數據”時代，該門課程人才培養(yǎng)方案的更新與改革就具有非常重要的意義。

一、農業(yè)高職院校財經類專業(yè)市場調查與預測人才培養(yǎng)現狀分析

第一，我省農業(yè)高職院校的財經類專業(yè)屬于比較“年輕”的專業(yè)，并且受我省經濟結構和經濟發(fā)展的影響，使得這些專業(yè)的教學理念和教學思想仍處在學習和借鑒的階段，教學思想陳舊，人才培養(yǎng)方案大多借鑒市場營銷專業(yè)或商務管理專業(yè)而設計。教學思想上仍舊以“教、學”作為主導，這樣的教學理念和教學思想讓學生缺乏學習主動性與學習熱情。沒有熱情的學生無法與老師進行有效的課堂互動，即使采用了新的教學方法，也難以達到預期的教學效果。因此，要想提高課堂教學效果和教學質量，改變陳舊的教學思想就是第一步。

第二，市場調查與預測專業(yè)所學習的是一門應用性很強的課程，注重技能的掌握，在教學中需要側重理論知識的實際應用。學生通過課堂的學習能夠具備目標市場調查能力、調查結果分析能力并對市場或行業(yè)發(fā)展進行有根據的預測能力。但是現在該課程的教學方法相對傳統，長期以來，中國高職院校市場調查與預測相關課程的教學及人才培養(yǎng)形成了一個固定的模式。在授課方法上，教師大多按照教材從市場調查的概念、方法開始講起，僅僅依靠一支粉筆和一張嘴進行講授式的教學，大部分的教師都不會去管學生完成課程學習后究竟能否成功地去組織和進行市場調研。在人才培養(yǎng)上，高職教學并不僅僅是以傳播知識為目的，同時還應注重學習者個人能力的培養(yǎng)，包括學習者個人對知識的再思考、再運用。講授概念、掌握方法的老一套教學方法已經不能培養(yǎng)出具有創(chuàng)新精神和實踐能力的高級專門人才，無法適應現代教育。

第三，“大數據”時代的信息量龐大，傳統的數據收集方法、統計方法已經無法對如此大量的數據進行分析和整理。網絡時代的數據流量極大，傳統的統計方法已經無法滿足企業(yè)處理數據的需求，因此在市場調查與預測相關課程的教學與人才培養(yǎng)過程中，必須引入新的統計方法與統計工具來滿足數據處理需求。

第四，企業(yè)要求市場調查結果更加詳細具體，預測結果更加準確。近年來市場中企業(yè)之間的競爭不斷激化，企業(yè)迫切地希望對自身市場進行深入而又詳盡的了解，因此企業(yè)對于市場調查更加的重視。但是目前的市場調查預測相關課程教學中由于授課教師與學生沒有足夠的條件了解企業(yè)現狀，所以導致課程中所采用的調查課題選擇不科學，超出了教師與學生的駕馭能力，使得課程中的調查僅僅留存于表面，并未對問題核心進行探索。尤其面對大量的數據，教師與學生就更加無所適從，對企業(yè)現狀或企業(yè)存在的問題的分析也是流于表面，沒有能力與時間深入下去。這種教學是無法培養(yǎng)出符合企業(yè)需求的員工的。

二、“大數據”時代市場調查與預測相關課程教學及人才培養(yǎng)方案改革的幾點建議

首先，市場調查與預測各相關課程都是應用性極強的課程，在教學中必須注意學生理論知識與社會實踐活動結合能力的培養(yǎng)，通過課堂教學讓學生對基礎理論知識全面而逐步深入地理解并且熟練掌握預測方法與技巧，通過實訓教學鍛煉學生能夠正確地運用知識、創(chuàng)造性地解決具體實踐問題。也就是說，市場調查與預測相關各門課程的教學模式必須注重開發(fā)學生解決實際問題的能力，提高學生知識應用水平，培養(yǎng)學生邏輯性思維和創(chuàng)造性思維方式。從這一點出發(fā)，在教學過程和教學設計中要注重原理方法的講授必須結合現實案例來進行，多采用案例教學法、模擬實訓法等實踐操作性較強的教學方法，將理論與實踐緊密的整合在一起。在學生了解市場調研的知識體系前提下，注重解決實際市場調研問題方法的培養(yǎng)和鍛煉。

第二，“大數據”時代的數據擁有“數量大、數字化”的特點，在這個前提下，傳統的統計分析方法已經無法對目前的數據進行完全的分析與判斷，必須借助現代化的分析工具。能夠讓學生在課堂教學過程中熟練的掌握這些工具的應用，就成為現在市場調查與預測相關課程的教學重點。在教學過程中可以利用現代化、信息化的教學手段和教學工具――例如使用SPSS軟件代替功能簡單的Excel軟件。當數據如潮水般大量涌來時，傳統的Excel軟件已經無法滿足學生們的需求，而使用功能更加強大的統計軟件能夠有效地提高學生對數據的處理能力。預測工具升級的同時，不僅極大地縮短了數據處理的時間，并且會大大提高預測的準確性。

篇2

關鍵詞：界址點；房角點；解析法；坐標反算；精度要求；限差

一 任務背景

《物權法》第10條規(guī)定，國家對不動產實行統一登記制度。國務院總理在2013年11月20日主持召開國務院常務會議，提出建立不動產登記信息管理基礎平臺。不動產登記中非常重要的一項內容就是農村房屋權籍的調查與登記，而房屋調查必然需要房屋測量工作。

二 主要內容

房屋測量工作的主要內容包括控制測量、界址點測量、房屋要素測量、房屋邊長和層高測量、房屋面積測算、分幅圖、宗地圖、房屋分戶圖的繪制、測量報告的撰寫等。本論文只敘述和討論界址點測量、房屋要素測量、房屋邊長和層高測量、房屋面積計算。

三 界址點測量

1、各級界址點相對于鄰近控制點的點位誤差和間距超過50m的相鄰界址點的間距誤差不超過下表規(guī)定；

2、間距未超過50m的界址點間的間距誤差限差，不應超過下式計算的結果。

3、界址點坐標全部采用解析法測量

（1）解析法是指采用全站儀、GNSS 接收機、鋼尺等測量工具，通過全野外測量技術獲取界址點坐標和界址點間距的方法。主要方法有極坐標法、正交法（直角坐標法）、截距法（內外分點法）、距離交會法、角度交會法、GNSS定位方法等。根據界址點的觀測環(huán)境選用不同的方法。

（2）界址點坐標取位至0.001m。

四 房屋要素測量

房屋要素測量的主要內容為境界測量、房屋及其附屬設施測量、陸地交通和水域測量、其他相關地物測量。房產要素測量方法包括：野外解析法、航空攝影測量法、全野外數據采集法。當需要房角點坐標反算房屋邊長或計算面積時，房角點測量按界址點測量精度要求和測量方法，以房屋外墻勒腳以上（100±20）M處設點測量。

五 房屋邊長和層高測量

1、采用實地量距法丈量房屋邊長

房屋邊長丈量與宗地的界址邊長丈量同時進行，對于已有戶型圖的，可通過核實戶型圖獲取房屋內部邊長，對于沒有戶型圖的，需實地測量房屋邊長。實測房屋邊長時，應符合下列要求：

①應重復測量不少于兩次，其較差應在限差內，并取平均數作為最終結果。

②采用同一鋼卷尺兩次丈量時，邊長不大于10米的較差相對誤差應小于1/1000；邊長大于10米的較差相對誤差應小于1/2000。測距儀測距時兩次讀數較差不應大于5毫米。

2、采用房角點坐標反算房屋邊長

用解析法測量房角點，用房角點坐標反算房屋邊長。

3、實地量距法和解析房角點坐標反算法，求取房屋邊長時的區(qū)別及對比結果。

實地量距法：①操作簡單，數據直觀，滿足精度要求。②房屋外廓的全長與分段丈量之和的較差需在限差內，并需把分段丈量的數據按比例配賦。此過程比較復雜。③經實踐中證實，現實中農村房屋并非完美的矩形或其他規(guī)矩的幾何圖形，所以只有房屋邊長而沒有房屋各內角的準確數據，很難真實的把現實房屋繪制成矢量圖形。

解析房角點坐標反算法：①作業(yè)方便、快捷，滿足精度要求。②既有角度又有距離，能形成滿足要求的房角點坐標，從而繪制出符合實際情況的矢量圖形。對比結果：解析房角點坐標反算法求取房屋邊長，既滿足精度要求，又在現實作業(yè)中存在很大的優(yōu)勢，所以建議主要采取此方法；在測量困難的地方，輔助采用實地量距法。

4、層高測量

①同一樓層分為多個不同層高的建筑空間時，各空間應分別測量與記錄。

②建筑物的設計層高在大于2.10米和小于2.30米范圍內時，應在不同位置測量不少于3個層高值，并應取平均值作為實測層高；設計高值大于2.30米時，可以只測一個層高值，層高值應取位至厘米。

六 房屋面積計算

1、一般規(guī)定：房屋面積測算指建筑物外墻（柱）勒腳以上各層的水平投影的建筑面積。測算房屋建筑面積同時應具備以下條件（室外樓梯除外）：應具有上蓋，結構牢固，層高在2.20米以上（含2.20米），有圍護物，屬永久性的建筑物，可作為人民生產或生活的場所。各類面積必須獨立測算兩次，其較差在限差以內，取平均數作為最終結果。面積以O單位，取位0.01O。計算過程取位0.001O，公攤系數取位0.000001。

2、采用坐標解析法計算房屋面積，按下式計算面積：

3、采用實地量距法。規(guī)則圖形時，可根據實地丈量的邊長直接計算面積；不規(guī)則圖形，將其分割成簡單的幾何圖形，然后分別計算面積。

房屋面積的限差和中誤差不能超過下表計算的結果。

4、采用圖解法圖上量算面積，可選用求積儀法、幾何圖形法等方法。圖上面積測算均應獨立進行兩側。

5、各類面積測算方法的區(qū)別及分析結果

實地量距法：①操作簡單、數據直觀，滿足精度要求。②現實中的房屋內角不完全是90°或其它計算簡單的角度，簡單套用矩形或梯形計算，會造成較大的誤差。③實地量距法計算的房屋，無法真實定位房屋圖形的位置。

篇3

關鍵詞：統計預測;企業(yè)經營管理決策;時間序列預測法;回歸預測

中圖分類號：F27 文獻標識碼：A

收錄日期：2015年12月19日

統計工作是企業(yè)管理經營決策的主要內容之一，科學有效的管理是企業(yè)發(fā)展的保證，但是科學有效的企業(yè)管理離不開統計工作的支持。本文梳理國內外相關研究成果，借鑒其他學者對于預測方法的研究進展，結合統計方法以及統計軟件（Excel、SAS和Eviews）對企業(yè)某一指標進行時間序列分析預測，再將其與多因素結合進行回歸分析預測，兩種統計預測方法相結合，使企業(yè)決策者對企業(yè)自身和市場能夠做出準確評估。

（一）時間序列分析法。序列值之間存在著一定的相關關系，并且具有某種統計規(guī)律。企業(yè)在發(fā)展中的經營管理決策往往需要分析企業(yè)的歷史發(fā)展情況，并且與其現狀相結合，找出序列值的統計規(guī)律，預測發(fā)展趨勢，進而避免隨機因素的發(fā)生使得管理者做出錯誤的管理決策。

1、數據的采集。此處選取中國農業(yè)銀行1979～2012年的年末各項存款余額（下文直接用各項存款來指代）數據進行分析預測，數據如1所示。（表1）

2、非平穩(wěn)時間序列――趨勢分析法。使用SAS繪制1979年至2012年各項存款的時序圖，如圖1所示。（圖1，x=各項存款）根據時序圖（圖1）從時序圖中我們可以清楚地看到該序列蘊含著曲線遞增的長期趨勢，屬于非平穩(wěn)序列，可以利用曲線模型來對其進行擬合。對時間序列進行曲線擬合是通過SAS系統中的NLIN過程實現的。對1979～2012年34個觀測值進行非線性趨勢擬合（NLIN）。在NLIN過程中一共允許選擇五種迭代方法，它們分別是：牛頓迭代法（NEWTON）、高斯迭代法（GAUSS）、馬科特迭代法（MARQUARDT）、梯度法（GRANDIENT）、錯位法（DUD），其中前三種迭代法的迭代功能強于后兩種，此處對該序列使用高斯迭代法（GAUSS），擬合的模型結構為“x=abt”，待估參數的迭代初始值為“a=1.2，b=1.1”，通過SAS系統進行NLIN過程，得出本次迭代收斂，得到的擬合模型為：xt=656.4×1.1635t+εt。

為了更直觀地看出擬合效果，將原序列值和擬合值聯合作圖，SAS輸出結果如圖2，圖中紅色曲線為原序列的觀察值，黑點曲線為擬合值。通過該圖可以看出擬合的效果是非常不錯的，再通過擬合的曲線進行下一期的預測（即2013年各項存款），可以從SAS的輸出結果中得出2013年的預測值為131673.2011億元。如果想繼續(xù)預測2014年的各項存款余額，可以直接利用xt=656.4×1.1635t+εt對其進行預測。（圖2）

根據擬合模型和實際觀測值可以計算出估計標準誤差為：

在95%的概率保證程度下，其預測的近似置信區(qū)間為：

2013±t0.05SE=131673.2011±2.0345×280.48

即在131102.5645億元至132243.8377億元之間。

（二）回歸分析預測法?；貧w分析是應用極其廣泛的數據分析方法之一。它基于觀測數據建立變量間適當的依賴關系，以分析數據內在規(guī)律，并可用于預報、控制等問題。

1、數據的采集。此處仍對中國農業(yè)銀行1979～2012年的年末各項存款余額Y數據進行分析預測。再選取4個影響各項存款的因素，即國內生產總值X1，進出口總額X2，財政收入X3，全社會固定資產總額X4對其進行回歸分析。運用EViews來對其進行回歸分析，以預測中國農業(yè)銀行各項存款余額在未來時期的規(guī)模和水平。（表2）其中：（1）1995年4月，農業(yè)發(fā)展銀行部分業(yè)務劃轉農業(yè)銀行，故自1998年4月起，“各項存款余額”、“各項貸款”數據為常規(guī)、專項業(yè)務合并數據;（2）1995年8月，國務院頒布了《關于農村金融體制改革的決定》，決定將農村信用社與中國農業(yè)銀行脫離行政隸屬關系，其業(yè)務管理和金融監(jiān)管分別由農村信用社聯社和中國人民銀行承擔。1995年年底，農村信用社以省為單位正式與農業(yè)銀行脫離行政隸屬關系。故自1996年結轉數起，各項存款不再包括信用社以及信用社存款準備金，1996年各項存款轉數為6939.43億元，此處1996年各項存款數據來源于“中國農業(yè)銀行境內合計人民幣各項存款、各項貸款、各項儲蓄時間序列比較分析表;（3）1981～1983年全社會固定資產總額平均發(fā)展速度為，1979年和1980年全社會固定資產總額是在1981年數據的基礎上按平均速度推算得到的;（4）2012年國內生產總值、進出口總額、財政收入、全社會固定資產總額來自于中商情報網以及SMM網訊。

2、計算相關系數。根據表2的數據，利用Eviews的correlations分析功能，我們可以得到相關系數表。（表3）表3第一列表明，各項存款余額與其四個因素之間，均存在高度線性相關關系。據此，可以建立以各影響為自變量的一元或多元回歸模型。為了更直觀地觀察各項存款余額與其影響因素之間的相關形式，可以利用Eviews來繪制相關散點圖。

3、建立一元回歸組合預測模型。由于相關系數與相關圖一致表明，若進行各項存款余額一元的回歸預測，可選擇國內生產總值、進出口總額、財政收入、全社會固定資產總額指標作自變量，建立直線回歸模型。也可以先分別用各影響因素為自變量進行一元回歸預測，然后構建一元回歸組合預測模型。

根據數據資料，利用Eviews對各項存款余額與各主要對各項存款余額（因變量）與國內生產總值（自變量）進行回歸分析，得到分析結果，如表4所示。（表4）分析結果表明，回歸方程為y1=0.213750x1-1870.225，它表明國內生產總值每增加1億元，將影響銀行各項存款余額增加0.213750億元。

對該回歸方程進行數理檢驗：（1）相關系數顯著性檢驗（t檢驗）：由于tyx=77.58350>t0.025，32=2.0369，所以檢驗表明中國農業(yè)銀行各項存款總額與國內生產總值之間的相關關系是顯著的;（2）回歸方程顯著性檢驗（F檢驗）：由于F=6019.200>F0.05（1，31）=4.152，所以檢驗表明自變量與因變量之間的線性相關是顯著的;（3）模型擬合優(yōu)度檢驗（即r2檢驗）：從以上Eviews分析結果可見，中國農業(yè)銀行各項存款余額和國內生產總值相關系數為r=0.997352391，可決系數r2=0.994712，修改后的可決系數為0.994547，這表明所擬合的回歸方程是優(yōu)良的，可用于回歸預測。

同理，可知各項存款余額與進出口額、財政收入、全社會固定資產總額之間均通過相關系數顯著性、回歸方程顯著性及擬合優(yōu)度等檢驗，并得到如下一元回歸方程和估計標準誤差：各項存款余額與進出口總額回歸方程為y2=0.402196x2+146.3625，估計標準誤差為5354.005;各項存款余額與財政收入回歸方程為y3=0.980909x3+1914.656，估計標準誤差為3941.889;各項存款余額與全社會固定資產總額回歸方程為y4=0.317748x4+3464.002，估計標準誤差為4824.353。

根據上述分析，已知分別以國內生產總值、進出口總額、財政收入、全社會固定資產總額為自變量建立一元線性回歸預測模型進行預測，其預測標準誤差依次（按模型y1、y2、y3、y4排列）為：2261.308、5354.005、3941.889、4824.353，將標準誤差與因變量平均數23100.374（785412.71/34=23100.374）比較計算相對誤差指標（誤差比率）可知，一元回歸方程中y2誤差率最小，y1誤差率最大。將預測方程按誤差率從小到大排列依次為y1、y3、y4、y2。

根據統計學5和預測學6理論，預測模型的誤差越小，其預測精度則越高，可靠性越強。這里可根據誤差比率系數來確定各模型在組合預測中的權數。3

一元回歸方程之間誤差指標的比例是：9.79%∶23.18%∶17.06%∶20.88%=1∶2.3677∶1.7426∶2.1328。

設總權數為1，誤差最小的y1的權數為x，按誤差率比例分配權數則有：，即：519322×1.1506=597531.8932（億元）。

按照同樣的方法可以得到進出口總額2013年預測值為285043.4106億元、財政收入2013年預測值為140112.2447億元、全社會固定資產總額2013年預測值為428863.5425億元。

將各自變量2013年的預測值代入相應的一元回歸預測模型，我們可以得到以下4個一元回歸預測值：y1=0.213750x1-1870.225=125852.2172（億元）;y2=114789.6821（億元）;y3=139352.0178（億元）;y4=139734.5349（億元）。

將y1、y2、y3、y4代入上述的組合預測數學模型，我們可以對2013年中國農業(yè)銀行年末各項存款余額作出如下預測：

y=0.4056y1+0.1902y2+0.1713y3+0.2328y4=129279.8572（億元）

本文的時間序列分析和回歸分析對2013年中國農業(yè)銀行年末各項存款余額預測分別為131673.2011億元和129279.9095億元。據調查，由中國農業(yè)銀行2013年前三季度報告可知10月31日中國農業(yè)銀行年末各項存款為118025.44億元。根據比較，回歸分析的預測數據更加接近實際情況。

時間序列分析法主要優(yōu)點是考慮時間序列發(fā)展趨勢，使預測結果能更好地符合實際，但是忽略了其他因素對觀測指標的影響。使用該方法的關鍵是根據企業(yè)發(fā)展情況，選擇適當的時間序列模型預測該企業(yè)的發(fā)展過程和規(guī)律性，從而為企業(yè)管理者提供決策依據。而回歸分析預測則可以將與企業(yè)有關的經濟指標或有影響的指標放在一起進行相關的分析比較，為企業(yè)管理決策者尋找促進和阻礙企業(yè)經濟發(fā)展的主要因素提供了依據，及時地為企業(yè)未來制定有效的、明確的發(fā)展計劃。

主要參考文獻：

[1]杜家龍.國內生產總值回歸預測新探[J].統計與決策，2013.9.

[2]王春峰，萬海暉，張維.組合預測在商業(yè)銀行信用風險評估中的應用[J].管理工程學報，1991.1.

[3]徐國祥.統計預測方法的特點研究[J].Statistical Research，1999.2.

[4]龐皓.多元線性回歸模型[M].計量經濟學（第二版），2012.

篇4

關鍵詞：漁貨卸港量；灰色模型GM（1，1）；預測方法

簡介

漁港是漁業(yè)生產的重要依托，是漁區(qū)經濟社會發(fā)展的重要基礎設施，如何選取優(yōu)勢漁港進行合理資金投入是我國漁港建設中面臨的一個重要問題，漁貨卸港量是衡量漁港規(guī)模大小以及發(fā)展能力的一項重要決策指標，科學準確地對漁貨卸港量水平進行預測，對于合理進行漁港規(guī)劃布局建設以及發(fā)掘優(yōu)勢漁港滿足當地漁業(yè)需求具有更貼合實際的意義[1]。

目前在各地漁港的工程可行性研究報告中普遍采用時間序列法對漁貨卸港量進行預測，將年份或者序號與卸港量分別作為回歸方程的自變量和因變量，建立一元線性回歸方程[2]，該方法需要較多年份資料令計算結果容易出現偏差?；疑到y理論主要研究小樣本不確定問題[3]，預測樣本不需要有規(guī)律性分布，灰色模型GM（1，1）是灰色預測模型中得到最普遍應用的核心模型[4]，通過灰色生成或序列算子的作用弱化隨機性，挖掘潛在的規(guī)律，該模型在建模時不需要大量的數據就能取得較好的預測效果，已被廣泛應用于經濟管理、自然科學、農業(yè)科學、工程技術等各個領域[5]。

1 基本思路

本文采用灰色系統理論中的GM（1.1）預測模型對漁港漁貨卸港量進行預測，并與時間序列法的預測結果進行比較，結果表明采用灰色模型GM（1.1）的預測精度更高，預測結果更加接近實際值。

2 算例

2.1 灰色模型GM（1，1）

利用灰色模型GM（1，1），使用前陽一級漁港1996-2005年的漁貨卸港量資料對2006年的漁貨卸港量進行預測。（見表1）

2.1.1 卸港量累加序列的計算結果如下。（見表2）

2.1.2 分別建立矩陣B，y

2.1.3 求逆矩陣

2.1.4 根據 計算估計值■和■：

將■和■的值帶入時間響應方程，得時間響應方程為：

2.1.5 求出擬合值■（1）（i），根據■（1）（1）=■（0）（1），■（1）（2）=■（0）（2）+■（0）（1）…，進行后減運算還原，可依次得到■（0）（i）值，相關計算結果如表3所示。

表3 計算值統計表

2.1.6 精度驗算與預測

使用殘差檢驗對結果進行檢驗，由表3可知，相對殘差的數值均小于10%，可知預測方程可用。進行外推預測，依次令k=9、10代入預測方程，可得前陽一級漁港2006年的漁貨卸港量預測值為：■（0）（11）=92105.4噸。如果采用時間序列法預測，預測值為93418.83噸。而2006年石城漁港卸港量的實際值為90132噸（見表1）

建立各預測方法對比表格如表4：

表4 漁貨卸港量預測結果比較

從表中可以看出采用灰色模型GM（1，1）預測的漁貨卸港量數值比時間序列法要精確。

表5 各漁港漁貨卸港量預測結果比較

2.2 數據對比

采用灰色模型GM（1.1）分別對海星漁港，將軍石漁港，杏樹漁港，四塊石漁港的漁貨卸港量進行預測，并與采用時間序列法的預測結果進行比較，比較結果如表5：

通過以上五個漁港卸港量預測結果的對比可以發(fā)現，在漁貨卸港量的預測中，灰色模型GM（1.1）比時間序列法的預測結果更加精確，誤差更小。

3 結束語

通過與傳統的時間序列預測法進行比較，發(fā)現灰色模型GM（1.1）在漁貨卸港量預測中的預測結果更加接近實際值?；疑Ｐ虶M（1.1）如果借助MATLAB進行編程計算，計算繁瑣程度甚至會低于時間序列法，可以考慮在漁港的工程可行性研究報告中應用，該模型的低誤差預測更加利于漁港的前期建設布局，同時有助于選取優(yōu)勢漁港進行擴建改造，更加精準的漁貨卸港量預測值對當地漁業(yè)產業(yè)的發(fā)展也有著更深遠的實際意義。

參考文獻

[1]桂勁松.我國漁港卸魚量發(fā)展水平預測方法探討[J].大連水產學院學報，1995，10（3）：75-78.

[2]郭子堅.港口規(guī)劃與布置[M].北京：人民交通出版社，2011（6）.

[3]劉思峰，史本廣.灰色系統理論在科學發(fā)展中的作用和地位[J].農業(yè)系統科學與綜合研究，2000，16（3）：168-170.

篇5

【關鍵詞】 現金流預測; 差分自回歸移動平均模型; BP神經網絡模型

中圖分類號：F275 文獻標識碼：A 文章編號：1004-5937（2014）34-0025-04

一、前言

如果說利潤相當于企業(yè)的“營養(yǎng)”，那么現金流則相當于企業(yè)的“血液”，因現金流管理出現問題而使企業(yè)處于困境的例子不勝枚舉。因此，強化對現金流的預測和管控是任何一家企業(yè)的必修課。而現金流中蘊含的豐富信息又成為大數據時代企業(yè)必須挖掘的寶貴資源和實現數據驅動智慧經營的重要基礎。對資金密集型的供電企業(yè)而言，在當前售電量及相應的銷售收入進入平穩(wěn)增長期，而投資需求依舊旺盛的環(huán)境下，對現金流進行精益管控就顯得尤為重要，而其中的關鍵要點便是現金流預測。

現金流入的預測一直是所有企業(yè)在現金流管理領域面對的難題，國內外各大企業(yè)和學術界對此作了大量的研究，但是并沒有取得很好的效果，其主要原因在于現金流入的隨機性較強、波動性大、影響因素多，不同行業(yè)不同企業(yè)的現金流各具特征、差異很大，難以找到一個統一的預測方法。但進一步就電網企業(yè)來說，電費現金流入有著其特定的規(guī)律，如圖1，各年間電費現金流呈現明顯的季節(jié)性變化趨勢。因此，若能揭示并利用其中規(guī)律，便可在一定程度上進行較為準確的預測。

本文以占供電企業(yè)現金流入90%以上的電費現金流入為對象，嘗試并比對不同的預測方法，為電網企業(yè)提高現金流管理水平提供有效手段。

二、方法介紹和已有研究成果綜述

按照目前的技術手段和常用方法，一般采用： （1）解釋性預測方法，典型的如線性模型和非線性模型，通過找出預測的影響因素建立回歸方程;（2）時間序列模型，僅依賴被預測變量本身，通過揭示其規(guī)律進行預測。在社會經濟領域，由于某一個待預測事項的影響因素眾多，包括社會、經濟、天氣、地理、人類行為和心理因素等，而這些因素彼此又存在相關關系，因此要求窮舉主要的影響因素進而建立模型也較為困難，而且其間的影響關系往往是非線性的，因此非線性的復雜模型便成為備選方法。進一步，由于“事物是發(fā)展變化的”，待預測事項及其影響因素往往是非平穩(wěn)時間序列，存在前后的延續(xù)關系，因此，時間序列模型便較為合理。鑒于現金流數據的以上特征，本文選擇時間序列的ARIMA模型方法和BP神經網絡模型方法進行嘗試和比對。

（一）ARIMA模型

ARIMA模型全稱為差分自回歸移動平均模型（Autoregressive Integrated Moving Average Model），其基本思想是將預測對象隨時間推移而形成的數據序列視為一個隨機序列，用一定的數學模型來近似描述這個序列。這個模型一旦被識別后就可以用時間序列的過去值及現在值來預測未來值。

ARIMA是多個模型的混合，即自回歸AR、求和I及移動平均MA，它分為非季節(jié)性ARIMA（p，d，q）模型和季節(jié)性ARIMA（p，d，q）（P，D，Q）模型，兩者的區(qū)別在于后者在進行預測時考慮了季節(jié)周期的因素，更加適用于有季節(jié)性或周期性變動的數據。由于電費現金流入數據具有明顯的季節(jié)性和周期性波動，故采用后者。

對于ARIMA（p，d，q）模型，AR是自回歸，p為自回歸項，MA為移動平均，q為移動平均項數，d為時間序列成為平穩(wěn)時所做的差分次數。在使用ARIMA模型進行預測時，最關鍵是的確定p、q和d等參數，其主要步驟包括平穩(wěn)性檢驗（確定d）、模型識別（確定p和q）、參數估計與診斷檢驗，最后利用模型進行預測。

（二）BP神經網絡模型

BP神經網絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W絡，是目前應用最廣泛的神經網絡模型之一。它能學習和貯存大量的輸入――輸出模式映射關系，而無需事前揭示描述這種映射的數學方程式。它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調整網絡的權值跟閥值，使得網絡的誤差平方和最小。BP神經網絡拓撲結構包括輸入層、隱含層和輸出層。

利用BP神經網絡進行預測的主要步驟包括原始數據的歸一化、數據分類、神經網絡的建立、模型訓練、實際預測、反歸一化和預測結果的誤差分析等。

（三）應用此兩種方法進行預測的已有研究成果

對未來的預測是人們在各個領域都孜孜以求的目標，學術界和實務界進行了大量探索和嘗試，其中應用較多的便是上述兩種方法。

在ARIMA模型的應用方面：（1）最直接的應用是在與經濟利益直接相關的金融市場，如徐珍和李星野（2012）比較了小波ARMA模型和ARIMA模型在預測上證指數中的差異，發(fā)現前者預測效果更好，說明在傳統ARIMA的基礎上加入小波分析是一種優(yōu)化。（2）另一個較多的應用方向是對人口數量的預測，涂雄苓和徐海云（2009）比較了ARIMA與指數平滑法在我國人口數量預測中的使用，發(fā)現前者優(yōu)于后者，最優(yōu)模型為ARIMA（2，2，1）模型并采用其進行了預測。（3）其他領域的預測包括疾病和降水的預測，如胡建利等（2013）利用季節(jié)指數法和ARIMA模型預測感染性腹瀉周發(fā)病數。

在BP神經網絡模型的應用方面：（1）崔德光等（2005）在綜合回歸預測方法和人工神經網絡預測方法優(yōu)點的基礎上采用組合預測方法的思想，并基于多元線性回歸模型確定組合方法的權重系數，進行空中交通流量與預測，是一種比單一方法更優(yōu)的模型。（2）在電力相關領域，孟凡青和解大（2009）基于盲數和神經網絡進行了電價預測，吳斌等（1999）基于人工神經元網絡及模糊算法進行了空間負荷預測。（3）此外，還包括在股票市場預測（胡靜，2007）、稅收預測（林國璽和宣慧玉，2005）和資本市場預測（曾勇，唐小我，1999）等方面。

從經濟含義來看，供電企業(yè)的電費現金流入是全社會范圍內大量個體自發(fā)性的綜合結果，與前人研究過程中涉及的對象，如股指、電力負荷、交通流量等具有內在的一致性，很難進行人為調節(jié)和事先管控，是在全社會層面上的綜合反映，因此，探尋數據本身蘊含的信息和規(guī)律并據其進行預測便是可行的方法。在這些研究結論中，比較統一的結論是ARIMA要優(yōu)于指數平滑法，BP神經網絡要優(yōu)于多元回歸方法，但是ARIMA和BP神經網絡這兩種方法的比較，卻鮮有涉及。因此，本文便主要以供電企業(yè)電費現金流入為預測對象，對這兩種方法進行比較。

三、基于電費現金流入的實證分析

（一）模型設計

歷史預測結果表明僅基于電費現金流入數據本身進行預測，平均誤差在5%～10%之間，個別月份更大，無法滿足公司現金流入管控的要求。借鑒多元回歸及組合預測的思想和方法（崔德光等，2005），在全面分析了影響電網企業(yè)電費現金流的各個因素后，最終篩選確定了供電量、增容、減容和預收差額等對電費現金流入影響較大的因素作為自變量。由于春節(jié)假期對用電量有顯著影響，若預測時包括1或2月份（傳統的春節(jié)均在這兩個月中），則加入春節(jié)調整系數作為自變量。

在此基礎上，選擇A供電公司2011年1月到2014年4月的月度數據，包括各個自變量和電費現金流入數據，分別建立電費現金流入的ARIMA和BP神經網絡預測模型，對比兩者的預測效果。以往的研究中，通常都是基于一個單一期間的歷史數據，預測特定期間的未來值，雖然神經網絡算法實現過程中也進行了訓練，但均缺少基于不同期間長度的歷史數據的預測值比較。本文為了更好地對兩種預測方法進行比較，考慮到春節(jié)假期的較大影響，基于不同長度的歷史區(qū)間，分別進行四次預測，全面比較，分別是：

預測1：利用2011年1月到2012年12月共24期歷史數據，預測2013年1―2月（春節(jié)期間）;

預測2：利用2011年1月到2013年12月共36期歷史數據，預測2014年1―2月（春節(jié)期間）;

預測3：利用2011年1月到2013年4月共28期歷史數據，預測2013年5―6月（非春節(jié)期間）;

預測4：利用2011年1月到2014年4月共40期歷史數據，預測2014年5―6月（非春節(jié)期間）。

由于供電企業(yè)在實務處理中主要進行下月的短期預測，因此本文主要進行未來兩個月的短期預測分析。

（二）ARIMA模型的預測結果

對于本小節(jié)，本文借助SPSS構建ARIMA模型進行計算。

首先對除了春節(jié)波動系數①之外的自變量進行預測，再根據對應的月份填入春節(jié)波動系數預測電費現金流入，最優(yōu)的預測模型均為ARIMA（0，0，0）（0，1，0），具體結果如表1所示。

隨著歷史數據的不斷增加，預測誤差并沒有明顯縮小。四次預測的擬合如圖2。

（三）BP神經網絡模型的預測結果

依舊界定四個預測模型，利用Matlab來預測下兩期的電費現金流量，將自變量歸一化后導入Matlab中，構建一個具有14個隱含層的BP神經網絡，見表2。

隨著歷史數據的不斷增加，預測誤差明顯縮小。四次預測的圖示如圖3。

（四）結果比對

從短期的預測精度比較來看，隨著歷史數據的增加，BP神經網絡的誤差明顯較ARIMA模型收斂得更快，但在預測精度的絕對值上并沒有明顯的優(yōu)勢，其差異率的波動性較大。本文進一步進行了長期預測（6～12個月），發(fā)現兩種方法的預測精度都會明顯下降，誤差越來越大，且BP神經網絡的預測精度下降得更快（詳細結果不再羅列）。但僅從預測精度與實際的差異率來看，基于前述事實無法明確區(qū)分兩種方法的優(yōu)劣。

四、兩種預測方法的比較及實施效果

由于該預測方法需要在公司日常業(yè)務中進行廣泛應用，操作的便利性和易用性便成為重要考慮因素。將ARIMA模型和BP神經網絡模型進行對比，兩種方法各有千秋。ARIMA模型操作起來比較方便，而BP神經網絡則相對比較復雜，但BP神經網絡模型具有能以任意精度逼近任意曲線的能力，這是ARIMA模型所不具備的。此外，BP神經網絡模型由于在初始化網絡的權值和閥值的時候是隨機賦值的，這就造成了訓練結果的不唯一性。可能單次訓練會造成比較大的誤差，但是采取多次訓練取均值的方法則能很好地降低誤差，提高預測精度。而基于SPSS的ARIMA模型只要給定數據，可以很快計算出唯一確定的結果，無需重復操作使結果收斂。

通過一段時間的實踐，筆者同時對兩種預測方法的預測結果進行了比較，發(fā)現在電費現金流入趨勢相對穩(wěn)定的月份，如4―6月使用ARIMA模型效果較好，但是在1―2月和7―8月電費現金流入突增突減的月份，使用BP神經網絡效果較好，因此確定以前者為主要方法，特殊月份以后者作為補充方法。該項措施實施前后，A供電公司電費現金流入預測的情況如圖4所示，改善十分明顯。

今后A公司可持續(xù)在其他預測模型的嘗試、自變量選擇、調整系數計算方法和賦值的優(yōu)化、預測模型中關鍵參數的設定等方面進行改進，以期不斷提高預測精度。

【主要參考文獻】

[1] 范恒瑞，任黎秀.ARIMA與指數平滑法在江蘇省GDP預測中的應用[J].江西農業(yè)學報，2011，23（2）：187-189.

[2] 韓萍，王鵬新，王彥集，等.多尺度標準化降水指數的ARIMA模型干旱預測研究[J].干旱地區(qū)農業(yè)研究，2008（2）：212-218.

[3] 胡靜，吳強.神經網絡在股票市場預測中的應用[J].科技信息（科學教研），2007（13）：261-262.

篇6

關鍵詞：近紅外光譜技術；水果；品質檢測；成熟期檢測

中圖分類號：TV219文獻標識碼：A文章編號：16749944（2013）10021504

1引言

我國雖然是水果生產大國， 但自1993年以來水果儲藏能力只有10 % ，爛果率高達25 %，出口總量不到總產量的3%，遠低于9%～10%的世界平均水平[1～3]。以上原因造成果農賣果難，增收難。要解決這些問題，必須發(fā)展水果深加工，擴大鮮果出口。阻礙我國鮮果出口的一個重要因素是果品分選、檢測能力弱，檢測速度慢，檢測人員的素質低，果品篩選達不到國際上水果進出口市場的要求。國內早期的水果內部品質檢測方法主要是化學分析法，該方法不僅可靠性和穩(wěn)定性較差，而且在測試時還必須破壞水果，測試過程繁瑣，只能通過少量樣本的測定，來評價整批次水果的品質。鑒于以上原因，無損檢測技術應運而生。無損檢測技術具有無損、快速、準確性高和實時性強等特征。目前的無損檢測技術主要有針對水果光學特性、電學特性、聲學特性、力學振動特性等眾多性質進行的各種檢測，且大多還處于試驗研究階段[2]。

近紅外光譜技術（Near Infrared Spectroscopy Technology， NIST）是一種利用物質對光的吸收、散射、反射和透射等特性來確定其成分含量的一種無損檢測技術，具有快速、非破壞性、無試劑分析、安全、高效、低成本及同時測定多種組分等特點[4]。隨著現代光譜技術的發(fā)展，且憑借其快速、方便、準確和無損傷等特點，應用近紅外光譜分析技術對水果品質進行無損檢測已成為近年來的研究熱點。本文主要介紹2000年后，近紅外光譜分析在果實成熟期檢測和品質檢測兩方面的研究進展。

2近紅外光譜技術在水果成熟期監(jiān)測中

的應用研究近紅外與可見光結合的無損檢測技術具有適應性強、靈敏度高、對人體無害、成本低和容易實現等優(yōu)點，被廣泛用于水果成熟度的無損檢測。2002年，McGlone等利用VIS/NIR技術，依據果實成熟過程中葉綠素減少的趨勢，深入探測了“Royal Gala”蘋果在采摘前和儲藏后各品質指標，光譜圖如圖1所示，在蘋果早采收、適中采收、晚采收的典型吸光度光譜對比中，發(fā)現在680nm波長處，葉綠素吸光度有明顯的變化，早采收果實的吸光度明顯高于適中采收和晚采收果實，因此認為該波長可用于區(qū)別蘋果的成熟度[5]。Lur等人用近紅外光譜檢測蘋果的硬度和含糖量，通過有損與無損相結合的方式建立了預測蘋果內部品質的數學模型[6]。

2005年，Ann Peirs等人在前人研究的基礎上研究了蘋果自然特性對可見近紅外模型預測采摘期成熟度精確性的影響。研究表明，近紅外光譜與成熟度有一定相關關系，其Rr>0.94，RMSEP

2007年，Yongni Shao等人用可見光與近紅外檢測技術結合硬度、糖度和酸度等指標檢測番茄的成熟度，得到了各自的相關系數，分別為0.83、0.81和0.83，表明可見光與近紅外技術無損檢測水果成熟度的方法是可行而且實用的[8]。

3近紅外光譜技術在水果品質檢測中的

應用研究利用近紅外光譜（NIR）檢測水果品質早已成為國際研究熱點之一。2003年，Clark等利用700～900nm的透射光檢測了褐心貝賓（Braeburn）蘋果，探討了投射測量時蘋果的最佳位置[9]。國內的相關研究也如雨后春筍般涌現出來，研究的水果有柑橘、蘋果、梨、桃、枇杷等，檢測的品質涉及糖度、酸度、可溶性固形物、維生素、堅實度、色澤及單果重量、褐變、模式識別等。

3.1糖度檢測

2006年，應義斌等利用小波變換結合近紅外光譜技術檢測水果糖度，小波變換濾波技術能有效地消除蘋果近紅外光譜中的噪聲，在采用小波變換尺度為3時WT-SMLR法建立的校正模型精度明顯優(yōu)于采用SMLR法建立的模型 [10]。周文超等建立贛南臍橙內部糖度的近紅外投射PLS模型，r=0.9032，RMSEP=0.2421[11]。劉春生等利用可見/近紅外漫反射光譜結合PLS建立南豐蜜桔糖度校正模型，預測集r=0.9133，RMSEP=0.5577，平均預測偏差為-0.0656[12]。

3.2酸度檢測

應義斌等建立蘋果有效酸度的近紅外漫反射PLS模型，最佳PC=3，r=0.959，SEC=0.076，SEP=0.525，Bias=0.073[13]。劉燕德等應用近紅外漫反射光譜結合光線傳感技術建立蘋果有效酸度模型，預測值和真實值r=0.906，SEC=0.0562、SEP=0.0562，Bias=0.0115[14]。董一威等采用CCD近紅外光譜系統結合偏最小二乘回歸（PLSR）建立蘋果酸度預測模型，r=0.8151，SEC=0.0120，SEP=0.0204[15]。

3.3可溶性固形物檢測

2006年，李建平等應用近紅外漫反射光譜定量分析技術對2個產地3個品種枇杷的可溶性固形物進行無損檢測研究，發(fā)現在波長1400～1500nm和1900～2000nm兩段范圍，樣品的可溶性固形物與光譜吸光度之間的相關系數較高，最終建立的可溶性固形物含量預測模型的校正集和預測集相關系數分別為0.96和0.95[16]。

2008年，劉燕德等應用近紅外光譜（350～1800nm）及偏最小二乘法回歸、主成分回歸和多元線性回歸對梨的可溶性固形物及逆行定量分析；在采用偏最小二乘法回歸算法之前先用一階微分對光譜數據進行預處理，研究表明果實中間部位的預測結果較為理想；近紅外漫反射光譜可以作為一種準確、可靠和無損的檢測方法用于評價梨果實內部指標可溶性固形物[17]。

2009年，周麗萍等采用可見光與近紅外光結合技術對蘋果的可溶性固形物含量的檢測進行了研究，他們結合主成分分析（PCA）和BP神經網絡技術，建立蘋果SSC預測模型；采用DPS數據處理系統對蘋果樣本的漫反射光譜（345～1039nm波段），進行主成分分析，獲得累計可信度大于95%的5個新主成分；建立一個3層BP神經網絡模型，并將這5個新的主成分作為BP神經網絡模型的輸入量，其結果是98%以上預測樣本的預測相對誤差在5%以下[18]。

3.4堅實度檢測

2006年，傅霞萍等采用傅里葉漫反射近紅外光譜技術研究了水果堅實度的無損檢測方法，他們對不同預處理方法和不同波段建模對模型的預測性能進行分析對比，建立了利用偏最小二乘法進行水果堅實度與漫反射光譜的無損檢測數學模型，同時結果表明應用近紅外漫反射光譜檢測水果堅實度是可行的，為今后快速無損評價水果成熟度提供了理論依據[19]。

2009年，史波林等采用近紅外光譜技術結合遺傳算法分別對去皮前后蘋果堅實度無損檢測進行研究，他們采用光譜附加散射校正（MSC）、微分處理（Derivative）、直接正交信號校正（DOSC）等預處理方法和基于遺傳算法（GA）的有效波段選擇方法來消除果皮對模型精度的影響，結果表明，蘋果果皮對近紅外光譜分析模型的預測能力有很大影響，但僅通過常規(guī)的光譜預處理方法（MSC 、Derivative）很難有效消除。他們提出的遺傳算法結合直接正交信號校正（GA-DOSC）方法能有效消除果皮的影響，不但使所建模型的波長點和最佳主因子數分別由1480和5降到36和1，相關系數r由0.753提高到0.805，更重要的是模型的預測相對誤差RSDp從16.71%顯著下降到12 .89%，并接近采用蘋果果肉建模的預測性能（12.36%），達到對蘋果硬度的近紅外無損檢測要求[20]。

3.5色澤及單果重量檢測

3.8品種鑒別

趙杰文等采用支持向量機（SVM）建立蘋果不同品種、不同產地的分類模型，預測識別率精度比傳統的判別分析法提高5%左右，均達到100%；回判識別率分別為100%和87%[27]。何勇等提出了一種用近紅外光譜技術快速鑒別蘋果品種的新方法，該方法應用主成分分析結合人工神經網絡建立了蘋果品種鑒別的模型，該模型的預測效果很好，識別率達到100%[28]。

4存在的問題

近紅外光譜技術具有檢測速度快速、檢測方法簡便、檢測準確性高及同時可測定多種成分的優(yōu)點，使它在果品在線分選檢測中有較好的應用前景。雖然近紅外光譜技術在水果成熟期預測和內部品質檢測方面的研究已有10年的時光，有些檢測技術已趨于成熟，但目前來看該技術仍存在一些問題，比如怎樣找出不同水果光譜的特性波段，怎樣實現果品快速在線檢測和分選，怎樣實現對水果的成熟度、硬度、糖度和內部缺陷等同時檢測，具體來說近紅外光譜技術在水果品質或成熟期檢測研究中主要存在以下幾方面問題。

4.1水果成熟期預測中存在的問題

（1）近紅外光譜技術在水果成熟期預測中，光譜波段的選擇尤為重要；建立預測模型時有必要對光譜波段進行優(yōu)選和組合[29]。

（2）利用近紅外光譜預測果實成熟期時，既要保證預測模型的精確度，還需考慮模型的通用性，即還需進一步研究水果果實的不同光學特性與果實成熟期的相關性，提高預測的效率和準確性。

4.2水果品質檢測中存在的問題

（1）在水果品質的光譜檢測中，光譜儀自身的信噪比等性能會極大地影響預測模型的精確度?？梢姡诠庾V預處理方面，選擇合適的消噪方法將成為今后近紅外光譜技術在水果內部品質及成熟期預測中的另一個研究重點[30]。

（2）在利用NIST對水果品質進行檢測的過程中，建立數學模型是最困難的，因為近紅外光譜很容易受到果品樣本個體因素如溫度、檢測部位不同等因素的影響；同時由于檢測環(huán)境條件、儀器的精度和穩(wěn)定性等復雜因素的影響，使得數學模型適應性差。在線檢測過程中，樣品是運動的，近紅外光譜受到很大的影響，如何在果品運動的狀態(tài)下獲得較穩(wěn)定的近紅外光譜仍是一個很大的難題。

（3）建立用于水果品質光譜分析的校正模型與開發(fā)用于水果品質檢測的軟件系統是近紅外光譜技術能否用于水果品質檢測的最關鍵問題，但當前大部分研究只是進行可行性探索，沒有進行深入研究；在實際生產生活中使用的便攜式水果品質無損檢測儀器非常罕見。

5發(fā)展趨勢

目前水果市場，或者水果生產者在田間分析水果品質都需要一種小型便捷的、可移動式的近紅外光譜分析儀器。同時這些儀器還需要操作簡單，對普通常見的水果都具有適用性。因此，便攜式的、能夠和電腦隨時連接的類USB或PDA的近紅外水果分析儀將會成為市場新寵。

當今水果加工過程中非常需要一種能夠根據水果品質指標（如可溶性固形物、酸度、硬度等）進行快速在線分級.光纖技術與近紅外技術結合必然使近紅外在線檢測技術廣泛應用于水果以及其他各個領域，并在今后的發(fā)展中逐步形成成熟的在線檢測裝備投放于市場。隨著近紅外光譜分析技術的不斷推廣和深入應用，未來它將與網絡技術結合，更方便快捷地實現分析模型的在線更新與升級。

目前，水果的近紅外光譜無損檢測中還存在檢測指標單一、實時性差、檢測效率低等問題。為了解決上述問題，開展高效并行圖像處理算法和多指標綜合檢測技術的研究非常必要，并將成為研究熱點。為了更快速、更準確地得到測量結果，結合近紅外光譜分析技術、高光譜成像技術，及紫外、紅外光技術，從多信息融合技術的不同層次：數據層、特征層和決策層選擇最優(yōu)的融合方法，在水果成熟期和品質檢測領域將有廣闊的研究前景。近紅外光譜技術將會在更多領域更廣泛范圍為人類帶來便利。

參考文獻：

[1]林，近紅外光譜分析技術在我國大宗水果品質無損檢測中的應用研究[J].食品工業(yè)科技，2012，6（33）：460～464.

[2]賀艷楠，水果成熟度無損檢測技術研究進展[J].北方園藝，2010（3）：208～212.

[3]莫潤陽，無損檢測技術在水果品質評價中的應用[J].物理學和高新技術，2004，33（11）：848～851.

[4]毛莎莎，曾明，何紹蘭，等，近紅外光譜技術在水果成熟期預測中的應用（綜述）[J].亞熱帶植物科學，2010，39（1）：82～89.

[5]McGlone V A， et al. VIS/NIR estimation at harvest of pre- and post-storage quality indices for ‘Royal Gala’ apple [J]. Postharvest Biology and Technology，2002，25：135～144.

[6]Lu R， et al. A Near-infeared sensing technique for measuring internal quality of apple fruit[J]. Trans of the ASAE，2002，18（5）：585～590.

[7]Ann Peirs， et al. Effect of natural variability among apples on the accuracy of VIS-NIR calibration model for optimal harvest date prediction[J]. Postharvest Biology and technology，2005，35：1～13.

[8]Yongni Shao，et al. Visible/near infrared spectrometric technique for nondestructive assessment of tomato quality characteristics[J]. Journal of Food Engineering，2007，81：672～678.

[9]Clark C J， McGlone V A， Jordan R B， et al. Detection of brown-heart in ‘braeburn’ apple by transmission NIR spectroscopy[J]. Post-harvest Biology and Technology， 2003（28）：87～96.

[10]應義斌，基于小波變換的水果糖度近紅外光譜檢測研究[J].光譜學與光譜分析，2006， 26（1）：63～66.

[11]周文超.近紅外投射光譜無損檢測贛南臍橙糖度的研究[J].農業(yè)化研究，2009（5）：161～163.

[12]劉春生.偏最小二乘法——可見/近紅外光譜測定南豐蜜桔糖度的研究[J].河北師范大學學報：自然科學版，2008，32（6）：788～790，797.

[13]應義斌.蘋果有效酸度的近紅外漫反射無損檢測[J].農業(yè)機械學報，2004，35（6）：124～126，141.

[14]劉燕德.近紅外漫反射用于檢測蘋果糖度及有效酸度的研究[J].光譜學與光譜分析，2005，25（11）：1793～1796.

[15]董一威.蘋果中糖酸度的CCD近紅外光譜分析[J].食品科學，2007，28（8）：376～380.

[16]李建平，傅霞萍，周瑩.近紅外光譜定量分析技術在枇杷可溶性固形物無損檢測中的應用[J].光譜學與光譜分析，2006，26（9）：1606～1609.

[17]劉燕德.近紅外漫反射光譜檢測梨內部指標可溶性固形物的研究[J].光譜學與光譜分析，2008，28（4）：797～800.

[18]周麗萍.蘋果可溶性固形物含量的檢測方法[J].農業(yè)化研究，2009，4（4）：104～106.

[19]傅霞萍.水果堅實度的近紅外光譜檢測分析實驗研究[J].光譜學與光譜分析，2006，26（6）：1038～1041.

[20]史波林.應用GA-DOSC算法消除果皮影響近紅外漫反射光譜分析蘋果硬度的研究[J].光譜學與光譜分析，2009，29（3）：665～675.

[21] 劉燕德.梨子表面色澤的可見/近紅外漫反射光譜無損檢測研究[J].紅外與毫米波學報，2008，27（4）：266～268.

[22]李鑫.蘋果梨單果重的近紅外無損檢測研究[J].安徽農業(yè)科學，2008，36（4）：1297～1298.

[23]韓東海.蘋果內部褐變的光學無損傷檢測研究[J].農業(yè)機械學報，2006，37（6）：86～88，93.

[24]王加華.基于可見/近紅外能量光譜的蘋果褐腐病和水心鑒別[J].光譜學與光譜分析，2008，28（9）：2098～2102.

[25] 夏俊芳.基于小波變換的柑橘維生素C含量近紅外光譜無損檢測方法[J].農業(yè)工程學報，2007，23（6）：170～174.

[26]劉燕德.可見/近紅外漫反射光譜無損檢測南豐蜜桔維生素C的研究[J].光譜學與光譜分析，2008，28（10）：2310～2320.

[27] 趙杰文.支持向量機在蘋果分類的近紅外光譜模型中的應用[J].農業(yè)工程學報，2007，23（4）：149～152.

[28]何勇.基于主成分分析和神經網絡的近紅外光譜蘋果品種鑒別方法研究[J].光譜學與光譜分析，2006，26（5）：850～853.

篇7

目前,對農作物單產預測的主要方法可歸納為以下4種:農業(yè)生物學模型[2]、統計預報模型[34]、作物生長動力模型[56]及經濟計量模型[78]。農業(yè)生物學模型通過建立作物生長狀況與作物產量之間的關系進行農作物產量預測。該類農學方法需要有一定樣本數量的抽樣調查,適用于較小區(qū)域范圍內的直接調查式估產。統計預報模型則是通過建立統計因子和作物產量之間的關系實現預測,統計因子可以是氣象因素(如作物生長期的積溫、降水及日照等),基于氣象因子進行預測的方法也稱為農業(yè)氣象模型;除此之外,有的研究把農業(yè)生產要素(如有效灌溉面積、機耕面積、農機總動力、化肥施用量等)考慮進來,使得預測結果更為合理。作物生長動力模型根據物理學和生物學規(guī)律,以動力學方法模擬作物的能量和物質轉化過程,建立作物生長的動力學模型。經濟計量模型是應用農業(yè)經濟學原理,以社會政策、農業(yè)投入、農業(yè)技術等各種經濟計量因子為主要預測因子的產量預測方法。該方法認為社會政策、經濟和農業(yè)生產技術因素不僅決定作物產量的長期趨勢,而且是造成年際間作物產量波動的重要因素,特別是農業(yè)政策、價格等對中國農作物產量有重大影響[56]。以上這些預測模型的共同點在于尋找作物產量與各種影響因子(氣象因子、經濟計量因子、生物學因子等)之間的關系,而對這些關系的獲取和描述技術主要有統計學方法,如時間序列分析、馬爾柯夫鏈、逐步回歸、混沌理論、遺傳算法等[812],除此之外還有系統模擬[5,13]、遙感技術[1418]等,而遙感技術成為目前單產預測領域的研究熱點。

農作物單產預測方法逐漸向多學科、多技術綜合方向發(fā)展,但本文認為現存的單產預測方法技術還需考慮以下問題。首先,現有的模型技術側重于相對確定的、精確的農作物產量值預測。然而,農作物產量預測系統是復雜的,具有很強的不確定性,一般很難用一個確定的、合適的數學公式進行描述并預測。因此,精確預測值往往有一定的誤差,使得預測的可信度大打折扣。而且產量的等級水平預測不會因為數值的微小波動影響等級預測結果,因此具有相對的穩(wěn)定性,有利于把握作物總體生長情況,對于宏觀政策制訂、日常生產管理具有較強的指導性。其次,對農作物單產量進行預測的目的在于,為有關人員或部門提供一定程度的預警和決策分析等,以降低各種已知自然風險和生產風險所帶來的損失。而上述大部分模型、技術側重于預測,而對問題的分析、解釋和診斷能力有所欠缺,對于即將發(fā)生的后果和已經發(fā)生的后果,無法得到引起事件的主要因素,因此只能被動地接受,而無法通過采取改進或規(guī)避措施來降低損失。另外,現有的預測技術必須事先知道預測年份預測因子的完備信息,不能根據農業(yè)生產決策人員提供的、僅有的不完全信息進行預測。事實上,獲取完全信息是需要代價的,甚至在特定情況下不可能獲得完備信息。因此實現不完備信息下的作物產量預測是現實的客觀需要。影響農作物單產的各因素對單產作用關系是無從跟蹤的,屬于某種程度上的“黑箱子”關系,帶有極大的不確定性和非線性。Credal網絡把圖模型和概率推理技術有效地結合起來,能很好地表示變量的隨機不確定性和相關性,并能進行不確定性推理。目前,該技術已成功應用于農牧環(huán)境[19]、泥石流預測[20]、安全評價[21]和科技競爭力評價[22]等領域,將Credal網絡應用于農作物單產系統的預測分析中,可以清晰地表示該系統中固有的不確定性,能夠客觀地反映該系統的全貌。

本文把Credal網絡這種不確定性推理方法引入到農作物單產預測系統,利用其把各種影響因子與作物單產事件聯系起來,通過對相關領域專家的知識獲取及其表達,建立起農作物單產預測和評估的不確定系統模型,并通過模型的概率推理達到人類專家級的決策效果。通過模型的建立,把先驗知識融入預測模型并進行推理,可以用來預測未來年份作物單產事件的概率狀況;同時,在已觀察到某些因素變量取值的情況下,把證據事件加入模型并進行推理,得出影響農作物單產變動的重要因素,從而為生產提供決策分析,并根據推理結果有目的地改善影響單產高低的重要因素。Credal網絡方法的引入可以有效解決現行作物單產預測方法中存在的不足,實現單產等級預測、不完備性預測及問題診斷。因此,構建基于Credal網絡的農作物單產預測和診斷模型,對于有關農作物生產的專家系統和決策支持系統的建立,提高農業(yè)生產決策的水平具有重大的理論意義和現實意義。

1Credal網絡相關理論

Credal網絡[23]是在2000年由Cozman正式提出的,它是一個有向無環(huán)圖,其上的每個節(jié)點聯系著一個變量Xi,以及一個條件Credal集合K(Xi|Pa(Xi)),式中,Pa(Xi)表示Xi的父節(jié)點集,[注意對應于Pa(Xi)的每一個值有一個條件Credal集]。一個根節(jié)點聯系著一個單一的邊緣Credal集。Credal網絡是在貝葉斯網絡模型基礎上發(fā)展起來。但與貝葉斯網絡模型不同的是,在Credal網絡中各節(jié)點的概率分布不再是精確值,而是用概率區(qū)間、不等式等不同的概率測度表達專家的不確定性[22,24]。這樣,在一定程度上放寬了貝葉斯網絡的建模要求,更貼近應用實際。原因是:(1)專家可能沒有足夠的信息、時間和信心給出精確的概率估計;(2)多個專家共同指定一個概率時,可能無法就某個精確概率達成共識。因此精確的點概率無法處理這些問題。Credal網絡中用概率測度的閉環(huán)凸集稱為Credal集合[22]來表達不完整和不確定信息情況下的信念和決策。用概率密度P(X)定義的Credal集合記做K(X)。Credal網絡中的“推理”是在給定證據變量狀態(tài)的情況下,計算在一定擴展下的查詢變量可能的概率區(qū)間。設Xq是查詢變量,XE是證據變量的集合,那么“推理”就是要計算Xq上一個或者某幾個值的條件概率p(Xq|Xe))的緊邊界[25]。已證明在網絡強擴展上推理時,p(Xq|Xe)分布的概率區(qū)間均屬于該擴展的各凸集頂點構成的集合[26]。因此,Credal網絡推理是求解頂點組合約束下后驗概率的最優(yōu)化問題,與貝葉斯網絡推理不同。而Credal集頂點的組合爆炸問題是Credal網絡推理要解決的瓶頸問題。建立在貝葉斯網絡推理基礎之上的Credal網絡推理,分為精確推理和近似推理。精確推理包括:枚舉方法、2U算法、Signomial規(guī)劃方法和分支定界法等[27],并且所處理的網絡也限于中小型網絡。因此,從理論上講,本身表示不確定性的網絡結構也沒有必要花費較高的代價實現確定的概率表示形式?；谥悄芩惴?如蒙特卡洛方法、模擬退火法、粒子群算法、蟻群算法或者遺傳算法)的近似推理算法陸續(xù)被提出,從一定程度上解決了Credal網絡推理中的組合爆炸問題。

2基于Credal網絡的農作物單產預測模型

2.1建立農作物單產預測的結構模型

結構模型是對農作物單產預測系統組成元素及其相互關系的直觀描述。本研究把影響農作物單產的因素如日光、水分等稱之為影響因子。一般來說,影響農作物單產的眾多影響因子可以從某一角度進行分類,形成若干類要素,如天氣、土壤、災害等可歸結為自然要素,而灌溉、施肥、除草等因素可歸結人為要素等。把影響因子、類要素及其相互關系以圖的形式表示出來就形成了農作物單產預測的通用結構模型(圖1)。該結構中包含若干個類要素C1、C2、…,這些要素可以是獨立的,也可以是相關的,從而充分再現系統原貌。影響因子Xnl直接與類要素連接,表明類要素與影響因子之間的關系,每個類要素可以與多個影響因子連接,而每個影響因子又可以與多個類要素相連,這樣分屬于不同類要素的影響因子之間不再是獨立的,可以還原系統的本來面目。若某一類所轄因子過多,可進一步細分小類。不同農作物,甚至同一農作物的不同生長期影響因子有可能不同,需要由相關領域的專家來識別及確定。

2.2建立農作物單產預測Credal網絡的參數模型

參數模型反映了網絡中各節(jié)點狀態(tài)事件發(fā)生的概率。首先需要對網絡節(jié)點事件進行刻畫。為簡化系統事件的處理,對各節(jié)點的狀態(tài)進行分級處理,即對其取值進行離散化處理,在數據豐富的情況下這一過程可以通過數據訓練利用有效的離散化方法實現。在數據無積累或不充分的情況下往往需要通過專家根據預測目標指定或憑經驗來確定。針對農作物單產狀況,可以劃分為高產、中高產、中產、中低產、低產等多種狀態(tài),再比如土壤類型節(jié)點可采取好、中、差3種狀態(tài)來表示,因此每一個影響因子及類要素的各狀態(tài)都有具體的劃分描述。本研究采用專家指定的方法對節(jié)點狀態(tài)進行區(qū)分。由于Credal網絡模型囊括了系統中事件的諸多不確定性,農作物產量不再是一個具體的數值,而是一個概率事件,概率值的大小反映了專家對產量狀態(tài)的信念。節(jié)點概率參數的確定是Credal網絡建模的難點,專家對參數的取值有時很難達成一致。于是,邀請相關領域的專家為每個節(jié)點Xi指定在其父節(jié)點可能的取值配置下的條件Credal集,允許采用概率區(qū)間、概率分布集合、不等式等諸多形式表達其不確定性。當然如果概率分布指定為不等式或區(qū)間,則需要進行Credal集頂點的轉換。對于局部Credal集的獲取,邊緣節(jié)點的局部Credal集可根據相關數據并借助IDM方法進行學習獲得,其他節(jié)點的條件Credal集可根據專家進行指定。

2.3農作物單產預測與診斷

由于把農作物單產作為一個概率事件,而且對其取值進行了離散化,因此對其進行預測就是確定其在給定條件(證據)下,各種狀態(tài)發(fā)生的概率。如在已知氣候條件下農作物低產的概率有多大。該預測模型返回的不是一個狀態(tài)標記,而是每個狀態(tài)出現的概率。這里是把后驗概率最高的狀態(tài),作為該變量的狀態(tài)預測,因為這個狀態(tài)最可能產生這個數據。當然也可以在給出影響因子數據的前提下,推理其所處各種類要素等級的概率,判斷影響因子對類要素的影響。另一方面,若已知產量的某一狀態(tài),可以根據網絡的拓撲結構進行反向推理,從而可以解釋該狀態(tài)發(fā)生的主要原因,形成相應的診斷結果,從而為決策提供指導。

3算例分析及模型驗證

本研究著重討論方法的應用,為縮小推理規(guī)模,對上述通用模型進行了簡化(圖2),選用了氣象因子進行模型應用,其中部分節(jié)點命名參考文獻[1]。節(jié)點狀態(tài)依據預測目標而設定,其中,網絡中農作物單產節(jié)點是3狀態(tài)的,分別為低產、中產和高產,用1、2和3表示,其余節(jié)點為兩狀態(tài)的,分別為差、好或不適合作物生長、適合作物生長,分別用1、2來代表,其中C1、C2、X21、X22、X23節(jié)點參數為區(qū)間概率,其余節(jié)點參數均為精確概率。概率分布表由相關專家指定得到,表1中列出了D節(jié)點的概率分布表?，F假設X12=2、X22=2為證據變量,D、C1、C2為查詢變量。由變量的區(qū)間參數,可計算出其對應的Credal集頂點,如表2所示。從推理結果可知,在給定證據X12=1、X22=2下,可得到D=1、C1=2、C2=1的結論,即作物單產可預測為低產水平,而C1處于適合作物生長狀態(tài),C2處于不適合作物生長狀態(tài)。在施肥狀況不好的情況下,人為因素類要素處于不利于作物生長狀態(tài),而土壤狀況良好的前提下,自然因素類要素處于利于作物生長狀態(tài)。參照專家給定的先驗概率可知,在上述人為類要素和自然類要素的該種組合狀態(tài)下,單產的狀態(tài)為低產的概率高于其他狀態(tài)發(fā)生的概率,可見,該預測結果是合理的。結果表明,若改變某一影響因子的值,會引起整個網絡概率的傳播。也就是說,若改變某一影響因子值,可能會引起各影響因子及類要素的狀態(tài)概率變化,最終影響農作物產量的狀態(tài)概率,因此可以利用該網絡進行預測。在已知作物單產狀態(tài)和部分影響因子數據的情況下,可據此判斷作物產量處于該狀態(tài)的癥結所在。假設單產處于低產狀態(tài)D=1,并已知X11=2、X21=2,利用相同推理方法可得到表4的診斷結果。由表4可知,在已知無災害、灌溉良好的不完備信息下,農作物單產低的癥結在于X22(土壤)和X23(氣候)處于不適合作物生長狀態(tài),因此應采取適當措施改良土壤狀況或因地適宜,并針對相應的氣候狀況把握農作物耕作時機,達到因時適宜,從而可以提高農作物的產量。

篇8

在經濟學領域，做預測是困難的，對未來的

>> 大數據預測未來 《爆發(fā)》：大數據預測未來思維 大數據預測處理模式研究 大數據預測未來農業(yè) 大數據預測的倫理困境與出路 大數據預測傳染病，神嗎？ “臟數據”難以排除影業(yè)談大數據預測言之尚早 旅游大數據預測需建立三種模型 大數據預測在思想政治教育中的應用探新 大數據預測與決策在高校就業(yè)工作中的應用 用數據預測時尚流行 運用大數據，從疾病預測開始 金融時間序列數據預測方法探析 電氣設備在線數據預測的研究 基于matlab曲線擬合的數據預測分析 用于數據預測的人工神經網絡 電力負荷數據預測方法模型的設計 成思危：未來要運用大數據技術改進預測科學 基于稀疏表示的數據流異常數據預測方法 企業(yè)資源計劃仿真模擬軟件中數據預測模型的建立 常見問題解答 當前所在位置：中國 > 管理 > 運用大數據預測當下 運用大數據預測當下 雜志之家、寫作服務和雜志訂閱支持對公帳戶付款！安全又可靠！ document.write("作者： 哈爾·瓦里安 馬丁·弗萊明")

申明:本網站內容僅用于學術交流，如有侵犯您的權益，請及時告知我們，本站將立即刪除有關內容。 結合政府數據和私企數據，我們可能會得到兩全其美的結果

在經濟學領域，做預測是困難的，對未來的預測尤甚。那么讓我們降低目標，試試預測現在吧。

這樣說來貌似簡單，實則不然，原因是比如失業(yè)率、通脹率以及GDP這樣的數據通報，往往都會滯后數周，或者數月。因此，我們并不清楚目前所處的階段。

在能夠預測未來之前，我們有必要預測一下當下。

以GDP為例。在美國，這種經濟活動數據是按季度公布的，通常會滯后一個月。但是，在第一次GDP數據公布數月后，還會再進行兩次修訂。自1975年以來的平均增長率是2.8%，但是首次修訂值的變化平均為0.54%。

而經濟學家常常只能采用既失準又過時的數據。

現在來觀察商業(yè)領域的狀況。比如沃爾瑪和塔吉特這樣的大型零售連鎖商店，它們擁有實時數據系統，能夠每日甚至每小時進行一次數據匯報。聯邦快遞和UPS快遞公司實時掌握貨物發(fā)運量。

當然金融市場的數據更是以每毫秒一次的頻率進行傳輸?，F在計算機已經成為大多數經濟交易的中間環(huán)節(jié)。

這其中的很多系統被用于內部結算，但是總的來說，它們所記錄的數據對經濟活動節(jié)奏的全面理解是有益的，而且，目前某些公司和研究人員就能夠提供這類數據。

例如，財捷集團（INTUIT）提供小型企業(yè)就業(yè)指數、Zillow網站房地產數據、IBM電子商務跟蹤每日零售趨勢，麻省理工學院的“十億價格項目”則是基于網絡數據以此來提供物價指數。從谷歌提取關于“工作”、“招聘”和類似詞語的搜索數據，可以對當前失業(yè)率進行有效的估計。

從廣度和詳盡程度上來說，這些數據系列都比不上來自政府機構的數據。但是它們更具有時效性。

篇9

電力負荷的概念為電力需求量、用電量，電網、發(fā)電廠或供電地區(qū)某一段時間內的工作負荷。電力負荷預測是，在充分考慮部分重要條件的前提下，利用一套完全能夠系統性地處理過去及未來負荷的數學方法，在滿足相應的精度要求下，確定出將來某一特定時刻的負荷數值。

一、電力負荷預測的特點

電力負荷預測主要特點如下：

1）不準確性

電力負荷受到各種因素的影響，并且這些影響因素時刻不斷發(fā)生變化，很多時候很難對負荷的發(fā)展變化進行準確的預見，再加上臨時情況的發(fā)生也會影響預測的結果，因此預測的結果常常具有不準確性。

2）條件性

負荷預測要在一定條件下進行，必然條件和假設條件。必然條件是根據本質規(guī)律的預測條件，所得預測結果比較可靠。在實際情況下，需要設置一些假設條件。是根據研究分析，綜合各種實際情況得來，并非毫無根據的憑空假設。

3）時間性

由于電力負荷預測是屬于科學預測的范疇的，因此各種負荷預測都需要確卻得指明預測的時間范圍。

4）多方案性

負荷預測的不準確性和條件性這兩個特點，導致有時需要在各種情況下，對負荷的各種可能的發(fā)展狀況進行預測，這樣就會根據各種條件得出各種不同的負荷預測方案。

二、電力負荷預測的基本原理

負荷預測是根據過去和現在的具體情況，對負荷發(fā)展變化規(guī)律進行討論研究，并此推斷電力負荷發(fā)展趨勢。

1）可知性原理。它是指預測對象的發(fā)展規(guī)律包括未來的發(fā)展趨勢和狀況，是可以被人們所知道的。

2）可能性原理。事物的發(fā)展變化規(guī)律，是由內因和外因兩個因素共同決定的，內因或外因的變化，都會使事物向著多種可能的方向發(fā)展變化。

3）連續(xù)性原理。在電力系統的發(fā)展變化中，負荷預測會將某些原有的特征保持下來，然后再以原有的趨勢和變化率發(fā)展下去，這是一種連續(xù)性原理，也稱慣性原理，負荷預測的這種慣性特征是我們進行負荷預測的主要依據。

4）相似性原理。相似性原理是指，如果一個事物現在的發(fā)展過程及發(fā)展狀況正好與另一事物的過去某一階段的發(fā)展過程及發(fā)展狀況是類似的，則人們就可以根據后一事物已知的發(fā)展過程和發(fā)展狀況，來對預測對象的未來的發(fā)展過程和發(fā)展狀況進行預測。

5）反饋性原理。人們在預測的實際過程中，預測的結果總是會與經過一段時間后得到的負荷實際值之間存在著一定的差距，這時就需要利用這個差距值來對遠期的預測值進行反饋調節(jié)，來達到不斷提高預測準確性的目的。

6）系統性原理，預測對象的未來的發(fā)展關系到系統整體的動態(tài)發(fā)展，且系統的動態(tài)發(fā)展與系統的各組成部分以及影響因素之間的相互影響和作用是密切相關的。

三、電力負荷預測的基本程序

根據電力負荷預測的實踐活動，其基本程序如下。

1）確定負荷預測的目的，制定負荷預測的計劃；2）調查收集資料和選擇資料； 3）資料整理；4）對資料進行初步分析；5）預測模型的建立；6）綜合分析，以確定預測結果；7）編寫預測報告，以交付使用；8）負荷預測管理。

四、電力負荷預測的誤差分析

預測結果的準確性與預測誤差密切相關，預測誤差越大，預測結果的準確性就越低，反之，預測誤差越小，預測結果的準確性就越高。因此研究誤差產生的原因和分析誤差的大小，是具有很大的意義的。這樣不但可以認識到預測結果的準確程度，同時對于改進電力負荷的預測工作，檢驗和選用合適的預測方法等方面也具有很大的幫助。

4.1產生誤差的原因

產生預測誤差的原因有很多，主要有以下幾種原因：

1）進行負荷預測時通常要使用數學模型，而數學模型通常只包含研究對象的一些主要因素，而很多次要的影響因素都被忽略了。電力負荷的變化是錯綜復雜的，這樣的模型只是反映出了經過簡單化了的負荷狀況，而與實際的負荷之間總是存在著差距，因此用它來進行預測時，會無可避免地與實際負荷之間存在誤差。

2）負荷預測的影響因素是千變萬化的，進行負荷預測的要求和目的也是多N多樣的，因而需要從許多的預測方法中，選擇出一個合適的預測方法。如果選用的預測方法不合適，就會隨之產生誤差。

3）進行負荷預測時要使用大量的資料，而這些資料并不一定都是準確可靠的，這就必然會給負荷預測帶來誤差。

4）當有意外事件發(fā)生，或者情況發(fā)生突然變化時，也會產生預測誤差。此外，計算或者判斷上出現錯誤時，也會產生不同程度的預測誤差。

4.2預測誤差分析

電力負荷預測誤差的分析方法和指標有很多，主要包括如下幾種：

1）絕對誤差與相對誤差；2）平均絕對誤差；3）均方誤差；4）均方根誤差；5）標準誤差；6）平均絕對百分比誤差。

參 考 文 獻

篇10

關鍵詞：地區(qū)電網；負荷預測；研究方法；負荷特性；用電負荷

中圖分類號：TM715 文獻標識碼：A 文章編號：1009-2374（2012）27-0113-03

1 地區(qū)電網負荷特性及影響負荷的主要因素

1.1 廣西地區(qū)電網負荷特性

就廣西地區(qū)而言，電網負荷特性具有以下特點：受季節(jié)性氣候影響，冬夏兩季由于生產性用電以及居民用電達到全年高峰。受年降雨量的氣候影響較為明顯，由于廣西水力發(fā)電占據比重較大，年降雨量是否充沛對于水電發(fā)電有著重要影響，也直接影響電網負荷。易受多種氣象因素影響，氣溫與電力負荷呈顯著的正相關關系，氣溫是影響電力負荷的主要因子；夏季以氣溫和風速、氣溫和相對濕度組合的變化對負荷的影響較大。隨著產能結構的調整以及冶煉業(yè)的產業(yè)轉移，地區(qū)電網負荷受產業(yè)結構與政策的影響越發(fā)顯著。

1.2 廣西地區(qū)電網負荷特性的主要影響因素及對策

廣西地區(qū)電網負荷特性的主要影響因素有各產業(yè)結構性影響、水電機組發(fā)電效力、氣候條件、高耗能產業(yè)結構與政策、電網規(guī)劃與建設等。在廣西境內，水電占電網電力供應的比重較大，而水力發(fā)電受氣象因素的影響又很大，尤其是持續(xù)性的干旱少雨和夏季高溫，水力發(fā)電減少，加劇用電緊張的狀態(tài)。因此在針對廣西地區(qū)電網短期負荷預測時，除了對相應的供電基礎資料以及地區(qū)經濟發(fā)展規(guī)劃、土地資源規(guī)劃以及相應的環(huán)境、壓礦、水資源等相關規(guī)劃因素進行資料收集之外，還必須收集氣象因素以及氣候因素的相關影響分析，并且根據收集的資料進行負荷預測的模型創(chuàng)建，并針對實際負荷情況進行返回驗證，才能得出較為準確的負荷預測結果。

2 地區(qū)電網負荷預測的方法

在供電基礎資料收集完成之后，應根據本地電網的特點及用電特點，預測未來一定期限內的負荷增長情況。如果預測的需求后于實際需求，將會導致供電負荷緊張，容易造成拉閘限電，但如果預測的需求過度超前于實際需求，則系統利用率太低，將造成電力資源的嚴重浪費。要改善這種情況，必須依照一套科學完整的電網負荷預測方法對未來的負荷增長情況進行預測。而傳統負荷預測通常采用單耗法、彈性系數法、平均增長率法、綜合用電水平法、負荷密度法、回歸分析法、時間序列法7種方法。

在廣西電網區(qū)域內，應用成果較為顯著的是以廣西電網調度中心的實時負荷系統，提前24h的短期負荷預測系統以及廣西電網省地一體化短期負荷預測分析管理系統。針對其短期負荷預測可以直接指導廣西電網日調度計劃管理系統進行運作，大量的電力工作者及研究人員應用數學方法對短期負荷預測進行研究，提出了改進時間序列、支持向量機、決策樹、粗糙集和神經網絡等多種預測方法結合的加權平均預測模式。

由于影響地區(qū)電網負荷預測的因素太多，依靠單一的預測方法難以取得良好的效果，因此需要針對項目實際應用情況正確地結合多種單項預測方法，降低預測結果對某個較差預測方法的敏感程度，

進而可以提高地區(qū)電網負荷預測的精度和準

確度。

3 存在問題及解決措施

要做好地區(qū)電網短期負荷預測，主要是要優(yōu)選預測方法，基于有序加權平均算子的最優(yōu)組合預測方法對電力負荷進行預測，要充分考慮各單一預測方法在不同時間范圍內的預測精度，綜合各類預測方法的優(yōu)缺點，彌補傳統組合方法單一性和不足性，使得監(jiān)理的預測模型更貼近實際情況。

要做好針對項目的地區(qū)電網負荷預測，則需著重做好資料收集工作，避免資料的遺漏和缺失，爭取使用長期數據來對區(qū)域內的發(fā)展及負荷預測進行模型求解。要做好資料收集工作必須從以下幾個方面進行著手：

3.1 聯系政府相關部門收集地區(qū)總體規(guī)劃及近年的經濟預測數據，注意數據的及時性

隨著政府相關部門的信息公開化以及資料獲取渠道的便利性，大部分的經濟運行數據都可以在互聯網上查閱或者去相關統計部門獲取。而涉及到經濟規(guī)劃以及前瞻性數據預測時，則需要向相關的政府部門獲取。

在進行地區(qū)綜合資料收集時，應包含區(qū)域經濟、城市人口、土地面積、國內生產總值，產業(yè)結構大型工業(yè)企業(yè)的產值產量的近5年或10年的歷史規(guī)劃綜合資料。由于大部分的地區(qū)都是采用“十二五”等5年規(guī)劃，因此數據一般會有相應的前瞻性，可以為電網負荷預測提供相應的工業(yè)及經濟發(fā)展參考值。但是在實際應用中，應對相應的工業(yè)規(guī)劃留有足夠的裕度，比如目前廣西處于高耗能企業(yè)轉移重點區(qū)域，欽州港、防城港等地的工業(yè)園區(qū)規(guī)劃及電網負荷就遠超原來的預測水平。

3.2 聯系供電局收集近階段的供電基礎資料及相應的五年規(guī)劃數據，注意數據的準確性

收集相應的電源電網資料時，應包括地區(qū)電力電氣主結線系統圖、地區(qū)供電電源種類、裝機容量及區(qū)域內發(fā)電廠位置，城網及農網供電電壓等級及網架結構、各級電壓的變電所容量數量位置及用地、高壓架空線路路徑、走廊寬度等現狀資料及城市電力部門制定的城市電力網行業(yè)規(guī)劃資料，在區(qū)域現狀地形圖中應明確標注現狀35kV以上變電站的位置和輸電線路的電壓等級以及地理走向。收集到相應資料后還要實地查勘，驗核數據的真實性和及時性，及時查漏補缺，確保數據的準確性。

3.3 調研地區(qū)用電負荷資料，必須與電網公司的系統數據相一致，以便進行分類分析

調用地區(qū)用電負荷資料時，必須包括近5年來地區(qū)供電及用電的電量統計，統計表中應包含近5年來地區(qū)內每一年的總供電量、用電量、線路損耗以及每年的最大負荷。在分類統計表中應明確市政用電、工業(yè)用電以及農業(yè)用電不同分類的供電量、用電量數據。

3.4 增加詳細規(guī)劃范圍內各類行業(yè)現狀及規(guī)劃資料

在進行電力詳規(guī)時的地區(qū)電網負荷預測時，需要增加詳細規(guī)劃范圍內各類行業(yè)現狀及規(guī)劃資料，還應包括10kV電源處的負荷指標現狀資料。

在進行詳細規(guī)劃階段的電力規(guī)劃時，需要增加調研以下資料：地區(qū)內各類建筑單位建筑面積歸算到10kV電源處的負荷指標的現狀資料。詳細規(guī)劃范圍內的各類行業(yè)現狀及規(guī)劃資料。詳細規(guī)劃區(qū)內的道路網各類設施分布現狀及詳細規(guī)劃圖。

4 地區(qū)電網負荷預測未來的發(fā)展方向

地區(qū)電網負荷預測未來的發(fā)展方向，是采用信息處理中新的數學手段，運用人工免疫模型建立精度更高的地區(qū)電網負荷預測的方法。在系統全面地對現有電網負荷預測的各種方法進行研究、分析和評價的基礎上，結合地區(qū)電網負荷預測特點，部分地區(qū)電網負荷預測確立了基于人工免疫系統對電網負荷預測進行研究的新方向，并進行了實地調研和具體實踐，以負荷預測為出發(fā)點對城區(qū)電網設備優(yōu)化進行優(yōu)化設計。

5 結語

隨著互聯網的發(fā)展以及新興科學理論的延展，要進一步提高預測精度，就需要采用計算機系統集成模式對傳統的預測方法進行改進和優(yōu)化。在這種機制下，以多種電網負荷預測方法結合的計算機負荷預測程序已經研發(fā)成功并進行推廣應用。相信隨著現代科學技術的不斷進步，現代負荷預測的理論會越來越成熟，而地區(qū)電網負荷預測的精度也會越來越高，為電網規(guī)劃建設提供準確的價值參考。

參考文獻

[1] 季樹典.地區(qū)電網負荷預測管理系統技術分析[J].黑龍江電力，2001，（5）.

[2] 陳爽.城市區(qū)域電網負荷預測的實踐[J].供用電，2008，

（6）.