[发明专利]基于双变量组合模型的粮食消费量预测方法

摘要

基于双变量组合模型的粮食消费量预测方法，包括如下步骤：（1）选取预测年份之前的影响因子以及粮食消费量的原始数据；（2）确定粮食消费量的主影响因子；（3）对需要预测年份的主影响因子进行预测；（4）计算主影响因子与粮食消费量之间的相关参数；（5）利用下述公式对预测年份之前的主影响因子的原始数据进行平滑处理；（6）将处理后的主影响因子的原始数据以及计算出的主影响因子与粮食消费量之间的相关参数带入到下述线性模型预测粮食消费量。本发明所述的方法公开了一种粮食消费量预测方法，提高了粮食预测的准确度，同时，本发明所述的方法通过仿真分析验证了本方法的预测准确精度相对现有的预测方法准确度高，预测结果更加可靠。

主权项

1.基于双变量组合模型的粮食消费量预测方法，其特征在于：依次包括如下步骤：(1)选取预测年份之前的影响因子以及粮食消费量的原始数据；(2)确定粮食消费量的主影响因子；1)首先计算粮食消费量与影响因子之间的灰色关联度，方法如下；1、将影响因子的原始数据和粮食消费量的原始数据分别整理成数列的形式：x₀(k)＝{x₀(1),x₀(2),...,x₀(n)}x_i(k)＝{x_i(1),x_i(2),…x_i(n)},(i＝1,2,…m)其中，1≤k≤n，n≥1，m≤n；其中，x₀(k)为粮食消费量的数列；x₀(1)为数列中第一位的粮食消费量的值；x₀(2)为数列中第二位的粮食消费量的值；x₀(n)为数列中第n位的粮食消费量的值；其中，x_i(k)为影响因子i的数列；x_i(1)为数列中第一位的影响因子i的值；x_i(2)为数列中第二位的影响因子i的值；x_i(n)为数列中第n位的影响因子i的值；2、将影响因子的原始数据和粮食消费量的原始数据的数列无量纲化，得到y₀(k)和y_i(k)(i＝1,2,...,m；k＝1,2,...,n)；其中，y₀(k)为粮食消费量的无量纲化数列；y_i(k)影响因子i的无量纲化数列；3、求无量纲化的影响因子的原始数据数列和粮食消费量的原始数据数列对应点的绝对差值，形成绝对差值数列；Δ_0i(k)＝|y₀(k)‑y_i(k)|＝{Δ_i(1),Δ_i(2),…Δ_i(n)}其中，y₀(k)为粮食消费量的无量纲化数列；y_i(k)影响因子i的无量纲化数列；||为差值符号；Δ_i(n)为数列中第n位的粮食消费量和影响因子的绝对差值；Δ_0i(k)为粮食消费量和影响因子的绝对差值数列；4、从绝对差值序列中找出最大绝对差值Δ_max和最小绝对差值Δ_min；5、求灰色关联系数；L_0i(k)＝(ρΔ_max+Δ_min)/(Δ_0i(k)+ρΔ_max)P是分辨率系数，取值范围为0.5～1；L_0i(k)为灰色关联系数；6、灰色关联系数的平均值，得到灰色关联度：R_0i(k)为灰色关联度；2)然后计算粮食消费量与影响因子之间的Pearson相关系数；1、将影响因子的原始数据和粮食消费量的原始数据分别整理成数列的形式：X＝{x₁,x₂,…x_n},Y＝{y₁,y₂,…y_n}X为影响因子的原始数据数列；Y为粮食消费量的原始数据的数列；2、计算Pearson相关系数上式中x_i表示各个影响因子，y_i表示不同种类的粮食消费量，n表示数列长度；3)随后，对粮食消费量与影响因子之间的灰色关联度以及Pearson相关系数进行加权平均确定粮食消费量和影响因子之间的关联度值；4)最终，对计算出的粮食消费量和影响因子之间的关联度值进行排序，选取关联度值最大的作为粮食消费量的主影响因子；(3)对需要预测年份的主影响因子进行预测；(4)计算主影响因子与粮食消费量之间的相关参数；选取至少2个主影响因子、粮食消费量都已知的年份数据，将其代入到下述公式中，联合方程组得到主影响因子与粮食消费量之间的相关参数A、B和C：y＝A+Bx₁+Cx₂+ε；其中x₁、x₂为影响因子，A、B、C为待定参数，ε为0；其中，式中D_j就是把D中第j列元素对应地换成方程组等号左边的含y项而其余各列保持不变所得到的行列式，j＝1,2,…,p；(5)利用下述公式对预测年份之前的主影响因子的原始数据进行平滑处理；(6)将处理后的主影响因子的原始数据以及计算出的主影响因子与粮食消费量之间的相关参数带入到下述线性模型预测粮食消费量；y＝A+Bx₁+Cx₂+ε；y为预测出的粮食消费量；x₁、x₂为主影响因子，ε为0。