农业经济预测仿真释解

1农业经济预测原理及难点问题

1．1农业经济预测原理

农业经济预测是收集农业经济历史数据和农业经济影响因子，然后对数据进行分析，选择最适合的预测方法，建立最适合预测模型，最后采用建立的农业经济预测模型对对将来某一时刻农业经济发展趋势进行预测，

1．2农业经济预测中的难题

从式(1)可知，农业经济预测结果的高低就是要通过f()建立一种预测结果和影响因子的关系，当前农业经济预测方法多达几百种，然而在实际应用中，都没有全面的考虑农业经济变化混沌性、非线性和时滞性，难以建立准确农业经济预测模型。针对该难题，本文利用混沌理论挖掘隐含于农业经济数据中的混沌性特性，采用神经网络挖掘农业经济数据中的非线性特性和和时滞性，以提高农业经济的预测精度。

2农业经济预测的建模过程

2．1非线性农业经济数据变化线性数据

农业经济时间序列数据受到政策、气候、农业加工企业、人口、土地等多种因素影响，具有明显的上升或下降趋势，呈现非线性变化特点，建立预测模型之前需进行平稳化处理，变化线性数据。

2．2挖掘农业经济数据的混沌特征

大量研究表明，农业经济时间序列数据具有混沌性，因此对其混沌性强弱进行分析，然后进行相空间重构，将隐藏于农业经济时间序列数据变化规律揭示出来。设收集到的农业经济间间序列为:{x(t)};t=1，2，…，n，其中n表示样本数。

2．3农业经济预测模型的建立

设一个具有非线性特点的农业经济时间序列输用BP神经网络建立非线性预测函数f()，从而建立农业经济时间序列预测模型。3．4混沌理论和神经网络的农业经济预测步骤1)对某一个具体需要预测的农业经济数据农业经济指进行建立，然后根据所建立的指标体系进行农业经济数据收集。2)对收集到农业经济数据中异常的数据进行剔除，并采用平均方法进行替代，然后采用式(1)和(2)对数据进行预处理。3)对预处理数据进行相空间重构，本文采用C－C法确定农业经济时间数据序列的延迟时间(τ)和嵌入维数(m)，并根据τ、m对农业经济时间序列样本进行重构，将混沌农业经济时间序列恢复成为有规律的农业经济时间序列数据。4)将重构后的农业经济时间序列数据划分成训练样本和测试样本两部分，训练样本用于建立农业经济预测模型，测试样本对建立的农业经济预测模型进行测试。5)将训练样本输入到BP神经网络进行学习，并采用遗传算法对BP神经网络的参数连接权值(w)及阈值(θ)进行优化，从而建立最优的农业经济时间序列最优的非线性预测模型。6)采用建立的最优非线性的农业经济预测模型对农业经济时间序列测试样本进行预测，检验模型有效，最后对将来时刻农业经济发展水平进行预测。

3仿真研究

3．1数据来源

为了防止单个数据集的预测结果偶然性，选取两个不同农业经济时间数据作为仿真，数据1为1952～1980年中国农业总产值指数(y)与农业税(x1)、农业劳动力(x2)、粮食产量(x3)。数据2为某地18年春粮产量(y，5×105kg)与化肥使用量(x1，5×105kg)、春粮播种面积(x2，hm2)、水稻扬花期降水(x3，10mm)、饲养猪头数(x4，万头)(见表2)。

3.2评价标准和对比模型

预测模型的实际应用能力应该是其独立预测精度，而非回代拟合精度。因此，采用一步预测法对模型性能进行检验，即在预测第i+1个样本时，第i个样本需加，采用预测结果的均方误差(MSE)作为模型预测性能的度量指标。

3．3确定最佳延迟时间和嵌入维数

对农业经济数据集1和数据集2进行预处理，然后采用C－C方法对具有混沌特性的农业经济数据进行相空间重构，确定它们的最佳延迟时间(τ)和嵌入维数(m)为:数据1的τ=1，m=6;数据2的τ=1，m=3，分别如图2和3所示。对于数据1，采用τ=1，m=6对数据进行重构;对于数据2，采用τ=1，m=5，对数据进行重构;然后分别将它们输入到BP神经网络进行优化，建立数据1和数据2的最优预测模型。

3．4结果与分析

将数据1和数据2的最后5个样本集作为测试样本，采用建立的最优预测模型对它们分别进行预测，得到的预测结果如3和表4所示。

4结束语

农业经济时间序列数据是多种因素综合结果，具有复杂性、动态性、混沌性和非线性等特点，传统方法只能够对部分变化特点进行预测，因此存在预测精度低、误差大等难题，为此提出混沌理论和神经网络相结合的农业经济预测模型。仿真结果表明，Chao－BPNN提高了农业经济时间序列的预测精度，降低了预测误差，在农业经济预测领域具有广泛的应用前景。

作者：蒋夕平 吴凤凰 单位：南京农业大学理学院