[发明专利]一种生猪月度存栏量预测方法

说明书

本发明公开了一种生猪月度存栏量预测方法，包括：通过变分模态分解算法，将生猪存栏量的原始时间序列数据x(t)分解为K个模态；对于每一个由变分模态分解得到的模态，先进行归一化处理，再按照预设比例划分为训练集和测试集；采用训练集数据对极限学习机算法进行训练，确定算法的最优参数；以步长为V的滑动窗口选取极限学习机算法的输入集数据；对于每一个模态，分别将测试集的输入集数据输入到训练好的极限学习机算法中，输出对下一时点的预测值，将其反归一化处理后得到预测值序列u_k(t)；对所有模态的预测值进行相加重构，得到最终的预测值结果。本发明方法能够提高预测效率和预测精度，并在实验中验证了预测的有效性。

技术领域

本发明涉及生猪月度存栏量预测技术领域，特别涉及一种基于自适应变分模态分解和极限学习机的生猪月度存栏量预测方法。

背景技术

通过挖掘时间序列数据的内在统计特征对未来时点的数据进行预测，目前已存在于诸多科学领域中。时间序列数据由一系列取自不同时点的观测值构成。挖掘时间序列数据内在统计特征的目的在于找出历史样本点数据之间的变化规律，并构建时间序列模型对未来时点的数据进行样本外预测。一般地，时间序列中不同时点的数据具有口径一致的特点。根据数据的截取方式不同，时序数据既可以是时点数，也可以是时期数。

对我国生猪月度存栏量进行精准预测，将为制定阶段性畜牧业政策提供重要参考。但受经济、环境等多方面因素共同作用的影响，生猪月度存栏量序列一般都是非平稳、非线性的，这两个特征为其精准预测提出了更高的要求。目前被广泛应用到这类时间序列数据预测的方法主要可以分为三种：计量统计模型、基于人工智能方法的预测模型和混合预测模型。计量统计模型主要包括自差分整合移动平均自回归模型(Autoregressiveintegrated moving average，ARIMA)、广义自回归条件异方差模型(Generalizedautoregressive conditional heteroskedasticity model，GARCH)等模型，这类模型在处理时间序列数据的线性特征时取得了很好的效果，但在处理非平稳、非线性的复杂序列数据时的表现往往不佳。近年来，基于人工智能的预测模型逐渐应用到复杂时间序列数据的处理中，具有代表性的有人工神经网络(Artificial neural network，ANN)、支持向量机(Support vector regression，SVM)和极限学习机(Extreme learning machine，ELM)等，其原理在于将输入集数据与输出集数据之间的内在联系映射到高维度进行训练，并通过预设的有限次迭代达到最优参数。

然而，传统ANN采用梯度下降的迭代算法调整权重参数，通常会伴随着训练速度慢，易陷入局部最优和出现过拟合等现象，导致预测结果鲁棒性较差。相较于ANN，SVR在训练速度方面和预测结果鲁棒性得到了有效提升，但其泛化能力对核函数及其参数的选择具有较高的敏感性，需要不断调整参数才能实现较高精度的预测结果。与ANN和SVR相比，ELM是单层前向反馈神经网络学习算法，兼具运算速度快和泛化能力强的优点，大幅提高了运算效率和收敛速度，使预测结果更具鲁棒性。目前，ELM在复杂时间序列数据预测中表现出了良好的性能。