[发明专利]口粮消费量预测模型的构建方法、消费量预测方法及装置

说明书

本发明涉及一种口粮消费量预测模型的构建方法、消费量预测方法及装置，该构建方法包括：获取各个年份的口粮消费量以及影响口粮消费量的影响因子，并进行预处理；构建BP网络的拓扑结构，初始化BP网络中的权值和阈值，将其编码为粒子，设置粒子群算法中的参数，参数包括非线性递减的惯性权重；计算每个粒子的适应度值，确定粒子位置的个体最优和全局最优；不断更新粒子的速度和位置直至满足终止条件，从而得到优化后的BP网络初始权值和阈值；根据优化后的初始权值和阈值，对BP网络进行训练从而得到口粮消费量预测模型。本发明通过设置非线性递减的惯性权重，很好地适应了具有复杂非线性变化特征的优化问题，有效提高了口粮消费量预测的准确性。

技术领域

本发明涉及一种口粮消费量预测模型的构建方法、消费量预测方法及装置，属于口粮消费量预测技术领域。

背景技术

粮食问题是关系国计民生的重要战略物资，是社会稳定和经济发展的基础。我国不仅是人口大国、农业大国，更是一个粮食消费大国。而现有的粮食消费结构已不能满足人们的消费需求。因此，对我国粮食消费变动情况的研究是至关重要的。

在粮食消费结构中，传统的关于粮食消费量预测的模型主要有：ELS模型、ELES模型、趋势外推法、灰色预测模型、AIDS模型、时间序列模型、回归分析预测模型、局部均衡模型、Panel Data模型等。然而这些方法大多都有一个或多个缺陷，如时间序列模型只考虑时间因素，若外界因素变动较大时，预测值与实际值会有很大偏差。灰色预测模型对历史数据有很强的依赖性，没有考虑各个因子之间的联系。回归分析预测模型在采用何种因子以及该因子的表达方式时只是一种推测，它的可用性受到一定的限制。ELS模型和ELES模型是一种线性模型，而现实生活中，大多数的问题都具有复杂性、非线性特点。局部均衡模型孤立地考虑部分市场的供求与价格之间的关系，而不考虑它们之间的联系。趋势外推法是根据一定的发展趋势来预测未来几年的变动情况，此方法准确性不高。

因此，探索一种提高粮食消费量预测精度的方法是十分必要的。而BP神经网络具有很强的非线性映射能力、自学习能力等特点，广泛应用于预测问题中。BP神经网络一般有输入层、隐含层、输出层组成，图1是一个典型的3层BP神经网络结构图。在图1中，x是神经元的输入，z是隐含层的输出，y是输出层的输出，每一层都有它的权值和阈值。输入层负责接收外界的输入信息，并传递给中间层，中间层负责内部信息处理与变换，最后由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。BP算法的学习过程由正向传播和反向传播组成，通过多次修改各层神经元的连接权值和阈值使误差减少，反复迭代，直到误差小于预先设定的值为止。

然而传统的BP神经网络并不是一个十分完善的网络，它主要存在学习收敛速度慢，不能保证误差收敛到全局最小以及网络结构不稳定等缺陷。另外在网络训练的时候，其初始权值和阈值的选择通常是随机的，经常经过多次试验却又无法找到最优的结构和权值。

由于传统的BP网络存在收敛速度慢和极易陷入局部最优等缺陷，需要在此基础上对其优化，进而提高预测精度和加快收敛速度。公布号为CN107316099A的中国专利文件公开了一种基于粒子群优化BP神经网络的弹药贮存可靠性预测方法，该方法采用粒子群来优化BP神经网络。其中，粒子群优化算法是一种基于种群行为的智能算法。它的基本思想是从随机解出发，在解空间中每个粒子以跟踪最佳粒子从而寻找最好的解。它的特点是原理简单，需要修改的参数少，易于使用，收敛速度较快，但存在极易陷入局部最优问题。采用粒子群优化BP神经网络，弥补了原有的BP神经网络收敛速度慢、易陷入局部极小等缺陷，达到弹药贮存可靠性预测的精度。但是，该方法采用线性递减权重策略，不适应具有复杂非线性变化特征的优化问题，进而导致预测结果不准确。

发明内容

本发明的目的是提供一种口粮消费量预测模型的构建方法、消费量预测方法及装置，用于解决BP神经网络采用线性递减权重策略会导致预测结果不准确的问题。

为解决上述技术问题，本发明提供了一种口粮消费量预测模型的构建方法，步骤如下：