[发明专利]一种实现影响因素多源异构融合的农作物产量预测方法

说明书

本发明涉及多源异构数据的融合和挖掘领域，具体公开了一种实现影响因素多源异构融合的农作物产量预测方法，包括如下步骤：获取农业大数据；对不同类型的数据，选取对应的单核函数，构建单核SVR模型，分别选取精度最高的单核函数，构成基核函数；初始化基核函数形成初始线性多核函数；利用粒子群优化算法对基核函数各参数的值进行联合迭代优化，构建多核SVR预测模型，利用多核SVR预测模型进行初步预测；利用交叉验证算法，计算预测的均值作为适应度值；根据适应度值的大小更新各个参数的值，直到达到终止条件；输出各个参数的值，得到最终的预测方程。采用本发明的技术方案能提高农作物产量的预测精度。

技术领域

本发明涉及多源异构数据的融合和挖掘领域，特别涉及一种实现影响因素多源异构融合的农作物产量预测方法。

背景技术

目前通用的农作物长势检测和产量估算方法主要有传统的气象估产方法和农学估产方法，这两种方法在大面积或大范围的农作物估产中，精度会有较大的起伏，因为农作物的产量受许多因素的影响。

而由于农业大数据的分散性、多样性和复杂性，影响农作物产量的诸多因素包括农学数据、气象数据、地理数据等，具有多源异构性。因此需要基于农作物产量的多源异构特性进行产量预测，常见的预测算法如回归分析等无法处理产量影响因素来自不同数据源，具有不同种类特征的问题。

对于不同数据源的数据融合通常采用神经网络、卡尔曼滤波(Kalman)等方法，但对于大数据的处理，卡尔曼滤波方法对脏数据很敏感，而且滤波参数计算不确定，会导致预测精度不高；神经网络方法在使用中，参数设置不当会出现学习不足或过学习现象，会陷入局部极小，处理大数据时，易出现维数灾难，从而导致预测精度不高。

为此需要一种通过不同数据源的农业大数据高精度预测农作物产量的方法。

发明内容

本发明的目的在于提供一种实现影响因素多源异构融合的农作物产量预测方法，以提高农作物产量的预测精度。

为解决上述技术问题，本发明技术方案如下：

一种实现影响因素多源异构融合的农作物产量预测方法，包括如下步骤：

S1、获取农业的大数据，大数据包括：农作物历年产量数据和影响产量的指标数据，指标数据包括：历年气象数据和土壤特性数据；

S2、建立包含线性核函数、多项式核函数、径向基核函数和Sigmoid核函数的单核函数库；

S3、根据单变量法从单核函数库中选取单核函数，将大数据作为单核函数的输入变量，构建成为单核SVR模型；

S4、利用单核SVR模型进行预测，分别选取精度最接近1的单核函数，构成基核函数；其中基核函数的参数包括：基核函数的权重、基核函数自身核参数的取值和惩罚项的系数；

S5、初始化基核函数的参数，形成初始线性多核函数；建立包括粒子位置的粒子群优化算法，利用粒子群优化算法对初始线性多核函数的参数进行联合迭代优化，构建多核SVR预测模型；利用优化后的多核SVR预测模型进行初步预测，得到预测结果；

S6、建立包括估计值和精确值的交叉验证算法；利用交叉验证算法验证预测结果；取结果中估计值和精确值相关系数的均值作为适应度值，根据适应度值的大小更新基核函数各参数的值；其中，适应度值越接近1，表面预测结果精度越高；

S7、粒子群优化算法达到最大迭代次数或粒子位置满足最小界限时，输出基核函数各参数的值，得到最终的预测方程。

基础方案原理及有益效果如下：

1、本方法对农作物产量的预测考虑了多种影响因素的作用；利用多核SVR预测模型进行预测，融合了多种核，能有效处理多源异构的数据；