| 联系我们 |
 |
合作经济与科技杂志社
地址：石家庄市建设南大街21号
邮编：050011
电话：0311-86049879 |
|
|
| 经济/产业 |
［提要］ 本文运用人工神经网络预测方法，建立新疆棉花产量预测模型，通过与多元线性回归预测误差的比较，说明神经网络预测方法在新疆棉花产量预测上是有效的。
关键词：新疆；棉花产量；神经网络；预测
中图分类号：F32 文献标识码：A
收录日期：2012年9月5日
我国是纺织服装业大国，棉花的稳定供给对我国棉纺业意义重大。2011年新疆棉花种植面积2，393.9万亩，产量289.8万吨，连续19年保持面积、单产、总产、调出量全国第一。棉花产业发展的稳定与否，不仅关系到国家棉花安全和棉纺工业稳定发展，也关系到新疆农村经济发展和社会的稳定。而棉花产业的稳定发展，离不开棉花产量的预测。分析与预测新疆棉花产量，不仅可以了解新疆棉花产量的走势，而且有助于统筹安排新疆棉花的种植、消费、出口等相关事宜，从而稳定棉花市场的供求，同时兼顾棉农的利益。
棉花属于纯经济作物，受市场价格变化影响很大，因此棉花种植面积具有很大波动性，同时气候变化对于棉花产量的影响至关重要。因此，相比粮食作物来说，棉花产量的预测具有较大难度。
时间序列预测和灰色系统GM（1，1） 等模型均是假设所有的影响因素都蕴含在单一历史序列中，主要依靠总产量数据建立预测模型，需要的数据较少，比较容易操作；适合于具有长期趋势的序列，对于波动比较剧烈的序列预测效果较差。目前，对新疆棉花产量预测的研究大部分都是此类。
回归分析预测和神经网络预测属于因果关系预测，假定一个因素的变动是由另一个或几个变量引起的，通过掌握自变量的变动可以知道因变量的变动趋势。要求占有尽可能多的资料，而对数列的波动趋势没有特别要求。回归分析需要假设关系的数量模型形式，然后用最小二乘法拟合，而神经网络则不需要假设数量关系的形式，通过反复多次的学习和训练达到模拟变量关系的目的。本文拟选用BP神经网络对棉花总产量进行预测。
一、建立人工神经网络模型的方法
（一）BP神经网络结构。BP网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。BP神经网络模型拓扑结构包括输入层、隐层和输出层。当有信息向网络输入时，信息先由输入层传至隐层节点，再传至输出层。
（二）BP神经网络学习算法。以只包含一层隐层节点神经网络为例，其算法的步骤如下：
（1）设置变量和参量：
Xk=［xk1，xk2，…，xkM］，（k=1，2，…，N）为输入向量，M代表输入向量维数，N为训练样本个数。
WMI（n）=（wij）M×I为第n次迭代时输入层与隐层I间的权值向量；WIP（n）=（wij）I×P为第n次迭代时隐层I与输出层之间的权值向量。
Yk（n）=［yk1（n），yk2（n），…，ykP（n）］，（k=1，2，…，N）为第n次迭代时网络的实际输出，P为输出向量的维数。dk（n）=［dk1（n），dk2（n），…，dkP（n）］，（k=1，2，…，N）为期望输出。
（2）初始化。赋较小的随机非零值于WMI（0），WIP（0）。
（3）输入样本Xk，令n=0。
（4）对输入样本Xk，前向计算BP网络每层神经元的输入信号u和输出信号v，将得出的实际输出Yk（n）与期望输出dk（n）相比较，判断是否满足要求，若满足转至（7），不满足转至（5）。
（5）判断n是否达到最大迭代次数，若大于转至（7），否则对输入样本Xk，反向计算每层神经元局部梯度?啄。其中：?啄■■=y■（n）1-y■（n）d■（n）－y■（n），（p=1，2，…，P），?啄■■=f'u■■（n）■?啄■■w■（n），（i=1，2，…，I）。
（6）按下式计算权值修正△W，并修正权值，?浊为学习速率。n=n+1，转至（4）。
△Wip（n）=?浊?啄■■（n）vIi（n），Wip（n+1）=Wip（n）+△Wip（n），（i=1，2，…，I；p=1，2，…，P）；△Wmi（n）=?浊?啄Ii（n）xkm（n），Wmi（n+1）=Wmi（n）+△Wmi（n），（i=1，2，…，I；m=1，2，…，M）。
（7）判断是否学完所有的训练样本，是则结束，否则返回（3）。
二、基于神经网络的新疆棉花产量预测模型
（一）模型设定。以新疆棉花种植面积X1，有效灌溉面积X2，化肥使用量为输入神经元X3，以新疆棉花总产量y为输出神经元，利用以上算法建立BP神经网络模型，根据1995年到2010年的历史数据进行神经网络训练和预测模拟实验。
模型输入变量：棉花种植面积（万亩）X1；有效灌溉面积（万亩）X2；机械拥有量（万千瓦）X3。期望输出：棉花总产量（万吨）Y。
由于每个指标的单位和变动范围不同，需要对数据进行标准化（标志值落在全区间［–1，1］）。标准化方法：X'=■。
模型设定一个隐层。隐层节点数量根据经验设定为5，学习速率设定0.01，目标精度0.0001，最大训练次数50000。
（二）模型运行与分析。选用多元线性回归模型与神经网络模型进行比较，运行结果见表1。（表1）其中，1995～2009年数据为样本拟合值，2010年数据为样本预测值。将神经网络预测值与多元线性回归预测值进行比较，其中：相对误差=（预测值–实际值Y）/实际值Y。
比较指标取相对误差绝对值之和?兹＝∑（Y'－Y）/Y。线性回归预测相对误差绝对值求和为：?兹2＝0.706，而神经网络预测相对误差绝对值之和为：?兹1＝0.115。因此，通过人工神经网络预测得到的结果比线性回归预测结果要好。
三、结论
人工神经网络BP模型能自主地从训练实例中学习，建立自变量与因变量之间的非线性映射关系。与线性回归预测一样，指标的选择对神经网络学习和预测有较大的影响，应结合实际问题对预测指标进行适当的取舍，力求所建立的神经网络预测模型有较高的预测精度。鉴于棉花种植成本连年提高，加之新疆尤其是南疆水资源匮乏，新疆维吾尔自治区政府2008年提出减棉增果号召，因此2009年和2010年新疆棉花种植面积和产量明显萎缩。所以，进行新疆棉花产量预测时应综合考虑宏观政策、棉花价格等诸因素，从而进一步提高预测精度。
（作者单位：塔里木大学经济与管理学院）
主要参考文献：
[1]2011年我区农业农村工作大事盘点：新疆农业信息网.http：//www.xj-agri.gov.cn/.
[2]肖双喜，刘小和.棉花种植面积影响因素分析——基于新疆、河南、江苏和山东四省的调查[J].农业技术经济，2008.4.
[3]杨伟静.基于BP神经网络的铁路客流量预测研究[J].合作经济与科技，2010.13.
[4]朱辉.GM（1，1）模型在新疆生产建设兵团棉花总产量预测中的应用[J].安徽农业科学，2008.20. |
|
|
|
