文摘
科技的发展为农业经济信息化奠定了坚实的基础,同时它给技术保障农业的发展,农业的发展也提供了重要的物质基础科学和技术的发展。如何识别和深入研究农业经济信息化,给风险预警信息,并确保整个行业的稳定发展已经成为一个关键问题在互联网技术的应用领域的农业发展。本文研究的现状农业经济信息化发展过程和应用支持向量机预测区域经济发展水平。农业经济增长率的预警界限的基础上获得预警情况和预警指标预警指标体系。经济预警模型建立了基于支持向量顺序回归法,然后由MATLAB软件训练数据来验证预警模型的合理性,并给出了模型的准确性和相应的误差。实验结果表明,该预测精度为99.3%,误差小于0.05,预测效果比较理想,农业经济情报信息提供准确预警和农业经济研究农业商业开发提供支持。
1。介绍
在信息时代的发展,信息管理模式能促进所有工作的有序发展。农业经济建设的过程中,分享农业信息化技术通过信息化管理模式可以有效地提高农业生产力在一定程度上,从而帮助加速整体经济建设的步伐。农业服务体系,它避免了传统管理的缺点,减少农产品销售困难,这不仅对农业的发展有良好的效果,也促进了农业服务体系的发展。使用农业经济管理的信息,我们应进一步扩大农产品的营销渠道,提高农民的经济收入来克服困难。农业生产过程中,通过积极应用现代科学技术和先进的机械设备,农业产品加工改造,使农产品符合市场需求,信息技术的应用对农业经济管理可以提高农业的经济收入,促进传统农业向知识型转变农业,促进农业的可持续发展1]。促进农业信息化的发展起着重要的作用在农业跨越式发展,也促进了科学调整农业结构优化和升级。促进农业经济的信息化发展不仅需要完善的基础设施,但也并没有完全实现信息化管理的重要性在大多数农村地区。经济增长与农业息息相关。为了更好地规范我国农业经济的管理,有必要逐步引入信息技术,以有效地促进农业经济的发展信息。农业经济的信息化发展是一项长期的工作,需要很多部门的合作。农村经济的发展促进农民改变他们的想法,促进信息化渗透到农业生产,同时,建立和完善科学合理的农业发展的运行机制,以有效地提高农业经济发展的能力和水平。如果我们想要建立相应的农业经济信息系统,我们需要综合考虑农业发展的各个方面,全面分析和探索农业信息资源,逐步建立农业综合信息管理系统。此外,有必要建立一个及时的服务体系和农业监测和早期预警系统根据每个地区的农村地区的实际情况和市场分析。
早期预警属于预测的类别;经济预警属于经济预测的范畴。一般来说,为了警告的对象,需要收集和屏幕各种对象的信息,并提出了预警指标的关键指标体系,包括预警指标和预警指标,它可以表示物体的特征。这些指标的临界值也应该确定根据实践和相关理论,包括预警指标和预警界限的警察的预警指标。临界值和实时收集的数据,以及这些指标的动态检测、预警的目标可以通过特定的处理方法或动态预测预警方法(2,3]。经济预警是找到经济周期和经济波动的客观规律,通过研究和分析和检测当前经济的现状和未来的经济发展,以确保经济的稳定发展。传统的预警方法通常由专家经验和有限的简单数学模型,使它很难实现好的结果在处理高维特性,小样本,高度非线性模型。随着算法的泛化能力差、学习速度慢的缺点和困难的收敛,从而导致不可预测性和无法满足宏观经济预警的客观要求。因此,有必要开发和改善经济预警的学习算法。许多经济提出了警告。贝叶斯分类器和神经网络分类器广泛应用于经济预警。实际应用中的关键问题之一,神经网络是网络的建设,需要大量的训练样本,但这些样本的收集在实际应用是非常困难的。传统的分类方法以经验风险最小化原则为出发点和泛化能力都很差。
在农业信息技术的发展,由于互联网的普及,农产品价格信息是透明的发展,农产品通过适应市场环境。支持向量机(SVM)是一种机器学习算法开发了基于统计学习理论和结构风险最小化理论(4]。它使用支持向量来确定最优超平面分区段数据空间和最初是用于复杂信息的分类和识别。同时,超平面可以视为最大公约数的一类数据集通过调整置信区间范围,和超平面方程可以用作数据的回归模型。由于支持向量机可以定义不同的内核函数,非线性核函数,如径向基核函数(RBF)可以将样本映射到高维空间操作,使得支持向量机有能力处理非线性数据。支持向量机(SVM)是一个强大的学习工具由统计学习理论(5]。尤其是在小样本、高维、非线性数据空间,支持向量机可以充分利用各种特性所提供的资料;它在学习过程具有良好的泛化能力。支持向量机训练适合短期预测数据和样本需求和建模工作负载。
2。相关工作
为了提高农业经济信息管理的水平,建立完善的信息平台可以提高信息资源的共享程度,提高农业信息的利用率。农业信息技术的迅速发展,只能被提升后确保农业信息管理是实现在每一个环节。经济学家提出了一个新的topic-measurement和预测的经济波动。金等人阐述了理论基础、基本原则和方法的农业早期预警和农业系统预警的一般过程6]。按照预警逻辑过程的四个阶段,罗伊和Chakraborty关注两个链接:明确的警告情况和预警信号的分析,定性分析的一粒一粒预警状况指数和预测指数,并提供一个基本框架,粮食预测指标体系的概念(7]。Melki等人关注食品预警系统的建立和讨论食品预警系统的特点,建立食品预警系统的技术方法,和食物的内容和过程的早期预警系统的研究情况和特点的粮食产量波动8]。道等人分析了食品报警情况通过系统化的方法使用五个指标,即粮食生产的历史变化特点,世界粮食产量的平均增长率在同一时期,每年的人口增长率,最大和最小净粮食出口,和必要的粮食储备等。9]。周等人系统地阐述了理论基础的食品安全、粮食安全、和早期预警系统,并提出了四种模式的选择,保证农产品安全,以及粮食安全预警指标体系和报警指标的敏感范围(10]。
经济预警是统计分析国民经济的宏观经济繁荣;经济景气分析包括两个方面,一个是经济监测;前者主要用于确定现在繁荣的力量,改变方向,用于预测未来的经济运行状态点,预测未来的经济实力,所以通常称经济繁荣经济监测预警分析。概率密度函数的贝叶斯分类器假设预警符合独立的高斯分布,无迭代运行的优点和更少的计算。然而,有两个缺点在贝叶斯分类器的实际应用:首先,如果早期预警的概率密度函数不符合高斯分布,它不会得到好的分类结果;第二,分类器训练与少量的训练样本集分类时将产生错误的大量样本空间(11]。王等人提出了基于贝叶斯决策的经济预警分类(4]。这个预警系统基于概率模式分类已经打开了一个新的经济预警方法的研究领域。神经网络分类器的基本思想是培养与训练样本集安,以确定节点之间的连接和权重。输入层中的每个节点对应于每个属性的经济预警、结果输出层的类别数的早期预警的程度。Karimipour等人使用了多层网络和训练网络反向传播方法(12]。梁等人使用遗传算法和支持向量组合模型修改自回归模型,实证分析结果表明,模型的指数系列的preaccuracy控制在7%13]。帕纳西等人介绍了最小二乘支持向量机在水质预测和预测高强度酸河水指数连续两年,达到较高的预测精度比神经网络模型(14]。
本文结合支持向量顺序回归与宏观经济预警研究,试图建立宏观经济预警方法体系基于支持向量顺序回归,并扩展了支持向量机的理论和方法。同时,结合经济预警的实际数据实证分析,以达到理论与实践的结合。
3所示。支持向量顺序回归模型
3.1。支持向量数据描述了早期预警技术
支持向量数据描述早期预警技术早期预警工作分为两个步骤;在图所示的预警措施1。
支持向量数据区别正常数据和其他数据,和一个类分类器建立了基于支持向量数据描述(15),包括所有正常的数据对象,可以确认在超球面超球面外的区别于其他数据。支持向量数据识别异常数据在超球面之外的其他数据。其他数据以外的领域将由经济预警专家判断异常数据,平台将问题经济异常警告。
3.2。支持向量数据描述
Vapnik的统计学习理论认为16),如果一个样本的数据量相对较小,这是更有效的分类样本通过直接寻找一个封闭的区域比估计其概率密度。如此类的直接寻找一个封闭的区域被称为数据描述。
一个样本集包含N“正常”的数据对象:
生成的超球面所描述的中心点一个和半径R。形成一个紧凑的球体边界,描述数据的优化问题可以表示为
拉格朗日系数α我∈∧,α我≥0。的偏导数公式(4)对R和使它等于0,
根据马条件,最多α我= 0和一些α我≥0。超球面的边界确定的样本x我对应于零α我,这被称为支持向量(SV)。对于给定的∧,球面中心r可以通过公式计算(6),和一个可选支持向量可以由以下公式计算:
为数据z被探测到,让
公式(10)也可以转换成
认为,在公式(11),z进行测试,
让
Xe是任何支持向量。因此,是否Z是在超球面可以根据以下公式确定:
可以看出,公式(13)和(14)是用来确定点的状态Z确定,这节省了半径的计算过程R和中心点R,简化了计算。然而,随着边界形状由优化方程(7)是单一的,边界地区形成的空间太大,不够紧凑,很容易将异常数据带入超球面的范围。内核方法(公里)用于在输入空间数据对象映射到内核空间来解决这个问题。取代内积操作与内核函数,满足Mercer的条件;然后优化方程(7空间转化为)的属性
约束条件保持不变,公式(11)成为
公式(13)成为
这种分类方法基于内核的方法,直接寻求封闭的地区被称为支持向量数据描述(17]。特别是,高斯径向基核函数选择。
σ可以提前给出。给予不同的σ可以产生不同的超球面的边界后相同的样本集。引入高斯径向基核函数,公式(16)和(18)可以简化为
在引入内核方法形成正常的数据集的边界,如果数据对象z> 1,z怀疑异常数据。
3.3。支持向量顺序回归模型预警的过程
基于农业经济的变化特征的研究,进化过程中仍有明显的自相关和线性特征,因此该模型设置为支持向量顺序回归模型进行线性预测,然后描述了非线性特征(18]。具体预测过程如图2。
具体的预测步骤如下:原始数据预处理后,样本数据分为训练集和测试集交叉验证的想法。然后,训练集模型被用来构建模型根据模型的建模过程。平滑处理后,自回归移动平均评分,和BIC准则判断,序列的模型建立和预测,和第一阶段的预测序列。ARIMA模型预测的剩余被指测试集数据,计算公式
在上面的公式中,yt是真正的测试集的数据。在获得残差序列,有必要进行白噪声测试剩余数据。如果残差序列不是纯随机白噪声,它表明残差序列包含有用的信息和预测序列的模型是不够的。模型的预测序列作为输入项,和相应的残差序列作为输出项减少数值大小的差异造成的影响,提高模型的收敛速度和最终的预测的准确性。输入量的归一化处理是必需的,和转换公式如下:
在上面的公式中,N马克斯和N最小值目标区间的最大和最小值,设置为(−1,1);x马克斯和x最小值的最大和最小值数据规范化;x是原始值。得到了规范化数据然后带入模型进行训练。在这个过程中,惩罚系数C和内核参数γ被PSO优化算法。培训后,可以预测剩余,剩余的预测序列可以通过逆规范化的预测值。到目前为止,ARIMA模型的初始预测值和残余SVR模型的预测值。最后一个工作是融合的结果两部分。具体操作是直接求和的结果两部分,和公式如下:
3.4。数据仓库的概念设计
数据仓库的核心是农业经济信息系统和信息分析和数据挖掘的基础。数据仓库的概念模型设计必须基于实际的调查;结合实际的信息分析需求和数据源的结构,错误的数据仓库模型的设计将导致整个智能信息系统的失败和产生错误的信息。数据仓库模型的概念设计主要包括设计维度表和事实表和维度表和事实表之间的关系19]。星型模型和雪花模型通常用于数据仓库设计。然而,明星模型应该尽可能使用,因为维度表的目的是提供一个方便的角度进行分析。虽然雪花型模型可以减少维表空间,它增加了困难通过维度的分析数据和复杂的数据仓库结构。在数据仓库的设计,只有雪花结构设计中采用产品维度。这是因为产品维度包含类别属性,和更有可能出现数据不一致通过属性所描述的字符。因此,采用雪花结构以避免这种情况。整个数据仓库模型如图3。
粒度的“经济”,地理维度记录与农产品的价格相关的地理信息,的一个关键维度的数据仓库和数据分析中最常用的尺寸,以及与其他相关的维度最事实表和维度表20.]。其结构是代理主键,候选关键字,和场所的名字。地理的关键维度表的主键,和地理替代键是候选键。这个领域可以追溯到数据源,数据仓库的可靠性增加。在这个纬度的设计,农业经济的实际情况考虑,和层次结构从地区到县和城市市场设计,而不是直接使用通用地理信息;否则不能满足实际的需求分析。
时间维度是最常用的数据分析的维度。其结构是代理主键,年,月,日,节日和特殊事件。其中,年和月的中文名字属性设置为促进后来的显示分析,和属性的天,月日将促进农产品的价格比较和计算。因为业务主题是时间序列。农业经济数据仓库的时间维度记录时间粒度的描述信息”的一天。“在设计时间维度时,我们必须考虑数据分析和数据挖掘的需求,而不是简单地从系统中提取数据(21,22]。例如,考虑到农业产品价格的波动密切相关假期,“假日指示”的属性应该添加在时间维度的设计。也考虑到特殊因素对农产品价格的影响应设置特殊事件属性。最后,“节气”和“季节”也应补充道与农产品价格的关系更大。
产品维度记录农产品信息粒度的“农产品”,其结构如下:农业产品名称,生产农业子类别、单位,和类别。农产品产品纬度是一个复杂的设计主要取决于最终用户的分析视角。但它还必须考虑与其他数据源接口;特殊设计不利于统一的数据源和数据仓库的扩张23,24]。产品维度表的维度表变化最频繁的维度表。它会随着时间而改变。这是一个渐进的维度。而不是更新原始数据加载数据时,添加一个新行保存的历史数据。开始日期和结束日期组合来表示当前数据行是否无效。信息提供者维度主要记录信息提供者在每个市场的相关信息,与地理维度。主要用于支持分析的贡献程度的信息提供和绩效评估的计算。
4所示。实现和分析智能信息化农业经济预警
4.1。经济预警的实现
经济预警状况指数的研究方法主要是确定预警界限根据各种并行客观原则或标准,然后合理地综合各种各样的结果,从而得到科学结论和决定经济预警的程度。这些原则主要包括多数原则,原则和中值原则一半,平均原则。本文主要采用多数原则。根据预警情况和预警指标的预警指标体系,结合实际数据,粮食种植面积(X1),农业产量(X2),种植面积(X3)、生产(X4),受影响的区域(X5),农业产量(X6),灌溉面积(X7),发现(X8)、农业机械总动力(X9),农业劳动生产率(X10)和其他警告信号的重量指数作为输入向量x,输出变量y={1,2,3,4,5}是一个多级有序集,其中1表示没有报警,2代表光报警,3代表中等报警,4代表严重警报,5代表了巨大的恐慌。
在过去很长一段时间,大多数情况下的整体经济形势的经济预警警报处于预警状态;的基础上的定性知识和经济预警指数时间序列数据,从小型到大型订单,从最小值,数据区间占总数的2/3被选为安全报警极限,即。,没有报警极限。剩下的1/3数据间隔分为光报警极限,媒介报警极限,沉重的报警限制,和巨大的报警限制。光报警限,媒介的部门报警极限,沉重的报警限制,和巨大的报警限制可以按照相等的距离。因此,农业经济增长率的预警界限图所示4。
的基础上继承传统的早期预警系统,现代早期预警系统充分利用支持向量系统理论的研究成果,避免或最大限度地减少人为因素在早期预警过程中,并使预警过程更加客观、可靠。
4.2。模型试验精度分析
为了提高模型的适用性,提高准确性,下列处理数据输入摘要:原始样本分为训练集和测试集的比例根据7:3是最常用的小样本,和70%的样本是随机抽取形成训练集,剩下的30%是自动分为同一组的测试集。具体的随机过程是使用随机的样本随机函数模块的Python语言程序在每个类别生成随机数,然后选择与相应的序列号样品形成测试集。由于训练集和测试集的随机性,为了减少误差引起的随机性,通常输入一个数据集的改变输入多个数据集。为了使最终的收敛和模型预测精度不太复杂,过程随机划分训练集和测试集的重复10次获得10组不同的数据集。十组数据集输入到模型中使用循环算法,和每组的决定系数分类结果观察分类精度。循环重复10次,计算平均值通过集成的决定系数10组获得模型的决定系数,观察早期预警的作用。预测精度最高的测试模型,观察影响模型精度的迭代次数时50岁,100年,500年和1000年分别获得的决定系数如图5。
从上面的测试结果,可以获得支持向量机模型,预测精度是最高的。首先,不同的迭代的影响在支持向量机模型的预测精度。随着迭代次数的增加,预测精度逐渐提高。当迭代的数量是1000,预测精度达到99.3%,预测效果比较理想。
4.3。预测误差测试分析
根据计算的值的区间预警模型,训练样本数据插值执行测试。当风险预测模型是由MATLAB软件,训练误差统计仿真结果执行,如图6。
经过多次的训练,图给出了训练不同的索引的最小误差曲线在MATLAB软件初始化数据。模型误差图的误差小于0.05获得重复培训和学习后表明,网络学习是成功的在一个有限的范围内。成功的培训后,剩下的训练样本数据输入到模型测试,和输出结果是在0和1之间。结果是越接近1,信用程度越高。
4.4。kpi功能的实现
在最后的设施农业经济阶段的初始利用智能信息系统,相应的基于数据仓库ETL程序设计模型中,在导入相关数据,多维数据是切成块通过结合地理纬度和时间维度,并通过深入详细信息数据,通过图表显示同步。最后,农业和vb的分布产品在相应的时间段警告如图7。
从图可以看出,农业经济持续改善,种植结构继续优化,猪生产能力继续恢复,农业投资增长迅速,农产品贸易持续改善,农民收入稳步增长。家禽肉类、水产品、猪肉、牛、羊在中度警戒状态,其余的都是在没有警觉状态,经济持续增长。农业经济监测预警结果显示,农业经济好转,农业经济预警指数是平的。农业和经济指标有不同程度,和农业劳动生产率持续改善。这对稳定市场预期将打下坚实的基础,确保食品安全。预计农产品价格的上涨将继续下降。总的来说,农业经济预计将继续恢复。在明年第一季度,由于流行的影响由于同比基数较低,经济指数将显著恢复。
5。结论
在信息时代的发展,信息化管理模式能促进工作的有序进行,所以在农业经济发展过程中,信息化管理模式能促进农业经济信息的全面建设,由于实现促进农业技术的全面性,所以信息管理的过程中,农业信息技术共享,在一定程度上,可以有效地提高农业生产率,从而帮助加速整体经济建设的步伐。基于统计学习理论和支持向量机理论,本文结合支持向量顺序与宏观经济预警研究和回归算法建立了基于支持向量顺序回归经济预警模型。通过MATLAB软件的准备计划,结合实际的经济数据,经济预警预测预警范围,利用实证分析方法的经济预警系统建设研究。农业经济发展情况,分析与预警指标体系的预警和预警信号指标为依据,结合实际数据,选择对农业产量有重要影响的九个因素的指数;使用支持向量机(SVM)回归机检测系统和预测,建立农业经济预警模型,提出构建预警系统的具体步骤和运行过程。预测结果和实际误差分析。农业早期预警系统是一个动态优化的过程有许多变量,和预警界限的确定应该改变的变化情况。短期预警和medium-long-term警告可以达到更好的预警效果。尽管经济预警效果好,由于不确定性和模糊性的经济体系,有必要进一步提高模型、调整和优化预警指数参数在下一步。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突或人际关系可能出现影响工作报告。