文摘
农业经济涵盖范围很广,有很多影响因素。经常有严重问题的复杂性和多样性。传统的农业经济预测方法往往忽略的复杂性和多样性,很难准确地描述了发展农业经济的法律。提高农业经济时间序列预测的精度条件下的复杂性和多样性,提出了一个农业经济预测方法基于Elman神经网络结构。首先,数据筛选和加工根据农业经济变化的时间序列,和这些因素更重要的农业经济从收集到的公共数据的筛选。其次,本文设计一个高效Elman神经网络拓扑结构和发送选择的重要数据到数据的神经网络学习和神经网络参数优化,实现农业经济预测模型更准确。最后,大量的实验结果表明,该方法基于Elman神经网络结构可以克服传统方法的缺点。它可以避免人类主观的干扰,实现全面、准确描述随时间变化规律的农业经济,并促进农业经济的发展。
1。介绍
积累了大量的历史数据的过程中,农业经济的发展。这些数据记录和存储根据时间,这是一个典型的基于时间序列(1- - - - - -5]。除了影响农业经济数据的时间序列(6- - - - - -10),大量single-dependent变量和multidependent变量也积累(11- - - - - -14]。他们经常包含大量的动态特性,也受到独立变量的影响。的影响。一般来说,农业经济的数据复杂性的特点,相关性,和多样性15- - - - - -19]。一个地区的发展,国家,甚至全球经济受到许多因素的影响,具有广泛的影响和很多因素。因此,复杂和多样化的农业经济的预测一直是世界关注的焦点,并提高农业经济的预测精度具有重要意义世界的经济生活。
基于时间序列的当前方法处理取得了一定成果。典型的多维时间序列分析模型控制项目。自回归移动平均模型(卡玛)20.,21)结合时间序列分析和回归分析的优势,但在实际使用更加复杂和困难。自回归模型车(22- - - - - -25可以达到任何模型精度无限,和汽车可以代替卡玛实现动态系统的统一建模。然而,通常是一个农业经济数据和汽车之间的非线性关系,从而导致预测精度差的车。因此,迫切需要建立一个非线性模型的确定和数据筛选方法有效、准确地实现农业经济的预测。
在很长一段时间,国内外研究人员提出了许多古典农业经济预测方法对农业经济的发展。常用的农业经济预测方法主要包括线性回归和自回归模型。然而,这些方法往往很难适用于非线性、复杂,多样化的农业经济预测。因此,农业经济预测需要进一步改善。
深度学习的迅速发展,网络模型预测提供了一个平台,支持农业经济的准确预测。人工神经网络具有良好的非线性学习能力、非线性序列或非线性回归方法基于安(26- - - - - -29日)也不断出现。然而,ANN模型的结构是很难避免的,容易过度学习和under-fitting,还有许多问题。支持向量机(30.- - - - - -33)基于统计理论已逐渐扩展到非线性时间序列分析和非线性回归分析。它可以有效地解决小样本的情况下,过度学习,维度的消失,等,和有一定的泛化能力。然而,在农业经济的预测精度仍然需要改善。神经网络有更多的竞争优势。各种预测方法的集成促进农业经济预测的准确性在一定程度上,为农业经济预测提供了一个好主意。它可以处理和适应不完整的信息和噪声信息。它有更明显的优势对线性和非线性问题。优秀的预测精度和结果往往是通过大量数据。它提供了一种新的预测方法复杂的农业系统。
有效地促进农业经济预测的准确性和效率,本文提出了一个农业经济预测方法基于Elman神经网络结构。基于Elman [34- - - - - -38)网络模型,一个新的拓扑旨在推进网络的学习能力。此外,根据收集到的农业经济数据,我们筛选等重要影响因素模型的训练数据,减少了网络上的数据模型的负面影响。实验表明,本文提出的方法超过其它农业经济预测模型,促进农业经济学的预测的准确性,取得了一定成果。
2。Elman神经网络预测模型
2.1。Elman模型结构
图1代表Elman神经网络的结构。该神经网络包括三个部分:一个输入层、隐藏层和输出层。其网络层之间的连接类似于前馈神经网络的拓扑结构。输入层的节点主要适用于数据信号传输,发送的数字信号进入神经网络。输出层节点的主要功能是线性权重的输出数据。隐层节点的激活函数的网络结构可以是一个线性函数或一个非线性函数。层的网络模型的功能是存储和隐藏前面的网络层的输出值根据时间序列,然后传递到网络,相当于有一个记忆效应和监控时间变化的函数。
Elman神经网络结构及其拓扑结构主要是处理非线性时间序列数据。这种类型的网络结构的特点是数据反馈连接作为隐层的输入通过接收的延迟和存储层。网络层之间的连接方法可以处理时间序列数据和历史动态数据非常敏感。其内部反馈网络的参与增强了它的动态信息和建模能力。农业经济时间序列和作物类型密切相关。Elman神经网络用于模式农业经济的历史样本,有效地达到预测的目的。此外,Elman网络结构具有较高的预测精度,并且可以具有任意精度的近似非线性映射的关系无限。不需要考虑外部噪声的影响在网络模型的预测效果。
Elman神经网络的结构是一个代表当地回归人工神经网络。Elman神经网络有一个本地内存单元的设计结果和当地反馈连接,可以有效学习时间序列数据。Elman网络结构的设计类似于多层结构类似的神经网络。基于BP神经网络的结构,一个反馈连接层添加到时间序列信息存储在网络层,使农业经济预测模型有能力过程时变序列和提高该模型的稳定性。相比于前馈神经网络拓扑结构和BP神经网络拓扑结构,Elman神经网络结构有短期记忆的功能,可以快速解决优化问题,处理时间序列数据的特点和网络结构的性能和稳定性。它超越了反向传播神经网络和前馈神经网络。但它仍有缺点。其网络结构类似于其他类型的网络结构。在网络训练收敛速度慢,容易陷入局部最小值的数据集。训练次数有限,很难达到全局最优的效果。
Elman神经网络的数学方程式所示以下方程: k-moment;y-m-dimensional输出节点数据;x-n-dimensional中间节点元素向量;u-r-dimensional输入数据;n维反馈条件数据;——重量的中产层和输出层之间的连接;固化层,中间层连接重量;——连接进行一层一层中间的重量;和g ( )——转换的函数在输出层神经元,这是一个线性组合的中间层使用purelin函数的输出;f ( )——中间层神经元的转换功能,通常使用tansig函数;固化层阈值;和人间层阈值。
Elman神经网络有不同的输入数据和输出数据生成在不同的时间,因为隐层的网络结构不仅接受数据从输入层,也接受的数据连接层。在这些数据中,数据的输入层响应信号的空间域的信息,和数据连接的层代表的时域信息输入数据。通过这些时间和空间域信息的融合,Elman神经网络可以对输入数据和对应的时间信息更敏感,和学习效果更好。
2.2。Elman的原理和方法
Elman人工神经网络具有相同的结构和其他类型的神经网络。它使用一个梯度优化算法。该算法可以自适应地调整学习速率,当学习动量梯度下降,和向后调整权重,有效地避免了人工神经网络陷入局部最大值的问题。我们使用均方误差损失函数,以确保模型可以正常收敛。神经网络修改其阈值和相应的重量每一层通过网络的实际预报值的方差和标签值,网络输出值不断接近的标签值。
假设的实际输出数据是k的一步 ,和均方误差损失方程定义的时间段(0,T):
取和作为例子,获得的偏导数E关于和 ,分别的重量校正公式可以得到如下: 在哪里j= 1,2,…米;= 1,2,…n。μ表示学习速率和mc表示动量因素一个默认值为0.9。
指数函数可以表示的误差和均方误差损失方程如下:
的方程,代表数据和实际的输出代表了目标数据。
2.3。Elman网络改进
考虑到农业经济预测的影响因素有很多,如劳动、物质输入、等,输入用于不同来源的数据有不同的影响因素。为了方便起见,我们只选择3到4影响因素的实验articleto作为训练数据输入到网络。对应的输出节点是一个值,而学习能力也在不断地改进通过比较出口价值和品牌价值。中间隐层主要有三层。第一层有7个节点,第二层有5个节点,第三层有3个节点。图2显示Elman神经网络的拓扑结构。在保证模型的准确性,本文也更多关注的参数和计算模型。在保持类似的准确性的前提下,网络结构简化,以确保模型具有良好的推理效率。
2.4。训练和预测过程
采用Elman神经网络主要是建立输入数据之间的对应关系,预测价值,品牌价值。
本文使用一种监管方法离线训练学习典型的农业经济和作物产量。本文主要选择广州经济年鉴的农业经济统计、农业产值、劳动力、材料的输入,以及其他相关数据在广州地区。网络学习课程的培训目前网络系统的数据之间的关系。训练数据量越大,更全面的数据,更好的预测效果对经济训练网络模型。
Elman神经网络结构的激活函数将数据映射到(0,1)的时间间隔。因此,收集到的数据需要正规化。同时,考虑到不同的影响因素;也就是说,输入数据的大小是非常不同的。为了避免网络的误差预测由于大小,我们采用归一化法预处理最终数据。最大和最小的方法通常是用于数据规范化,表达式如下:
其中,x原始数据和吗和马克斯的价值观是影响因素在不同时间序列,和它的值在[0,1]数据归一化后的课程。
网络学习算法的学习速率需要人为设定后观察实验的损失和精度的变化。学习决定了步长沿梯度下降的,这可以说是影响预测精度在一定程度上和培训网络训练时间。平衡训练的速度和精度,本文采用一种可耻的学习速率,表达式如下: k代表衰变率,n当前数据的训练时间,N是总的数据的训练时间。
网络的训练过程如图3。30000年培训时期的最大数据,训练精度 。激活隐藏的网络使用LeakReLU方程,并激活乙状结肠网络使用的输出函数的方程。经过20000次迭代,基本满足精度需求。Elman结构的预测准确性和损失函数模型如下: ,其中N是数据的测试数据集和Y Elman神经网络样本的数据,正确预测农业经济。
在图4、Elman神经网络结构首先初始化每个的重量输入数据,然后规范化输入数据,然后输入神经网络的数据处理计算。与其他形式的神经网络,Elman神经网络结构有一个附加层隐层后,与反馈值计算后返回到隐层继承层,记忆的功能。
3所示。实验分析
3.1。数据源
为了防止意外事故的预测效果的一个数据集,本文使用多个农业经济数据Elman网络模型的训练数据。表1代表了时间序列预测的粮食作物总产量的广州。表2显示了农业生产的预测价值和劳动和材料的输入。表3显示了预测中国农业产值之间的关系指数(Y)和农业税(X1)、农业劳动力(X2),从1952年到1961年粮食产量(X3)。
根据收集到的数据,数据2,和数据3,神经网络结构的试样,用建立的最优神经网络训练模型进行训练和测试,以及测试结果如下图所示,表中。为了比较农业经济预测模型基于Elman神经网络的结构和其他类农业经济预测模型,我们提出更公平,我们所做的实验都是在相同的实验条件下获得的。
有大量single-dependent变量和multiindependent农业经济时间序列数据,如粮食产量、农业生产总值、农产品价格和可耕种土地的面积,施肥、用水量、和农村电力消费与农业生产密切相关。这也是一个时间序列系统。农业经济时间序列数据经常显示高度非线性特性;由多个外部环境因素影响,与此同时,它还包含重要的动态时间序列特征;也就是说,今年的粮食产量也受到前一年的粮食产量的影响。我的国家的农业经济的影响不仅是影响劳动力,农业输入,和农业原料输入,还通过前几年的粮食产量和环境因素。农业经济时间序列的高度稳定,很难找到和它的预测仍面临着巨大的挑战。时间序列预测的准确性取决于预测工具和使用时间序列分析技术。合理选择预测工具是整个预测过程的基础和前提,因为历史序列分析必须围绕特定的预测工具。农业经济现象的影响因素是复杂多变的,难以确定,有很强的区域特征。 At present, the model design, variable selection, and training sample selection methods of time series analysis all have their own limitations, and most of the researches separate the three without integrating the advantages of the three to synthesize the overall system. The process of model order determination may lead to a substantial increase in the dimensionality of the independent variables, which will inevitably introduce a certain amount of information redundancy, which will have a inactivate influence on the prediction results. How to effectively eliminate redundant independent variables and cover all the information that affects the dependent variable with as few independent variable dimensions as possible can greatly increase the precision of the prediction results. The selection of training samples is of great significance to time series analysis. How to use old historical samples to select a suitable training set to build a predictive model is the key to the training sample selection stage. Accurate prediction is the basis of cognition and decision-making. The development of high-precision time series forecasting methods and accurate deduction of agricultural economic market development trends are of great significance for preventing agricultural economic crises, optimizing agricultural economic structure, and maximizing agricultural economic benefits. Therefore, the selection of independent variables for most of the current agricultural economic data is subjective and empirical, lacking theoretical basis, and the degree of overlap of information is biased. Therefore, this paper selects various factors and models for comparison and analysis.
农业经济时间序列是复杂的非线性时间序列。因此,本文选择当前时间序列分析模型、Elman神经网络模型,具有优良的非线性逼近能力,时间序列预测工具,并选择从模型设计、时间序列和数据处理开始,其他方面连续改进模型的学习能力。在后续的实验和分析,我们将在本文中证明提交的方法可以有效地实现农业经济的预测效果。
农业经济的影响因素有很多。目前,在农业经济的数据量相对较小,并且很难指定一个统一的多元素的标准。因此,选择适当的影响因素应该根据特定的农业经济研究。影响因素在本文中引用的期刊上发表。
本文中的数据来自数据库的各省和地区。在数据预处理过程中,数据是不完整的。通常,我们过滤掉这些数据或选择连续几年的数据和更完整的数据。在特殊情况下,我们使用平均值代替丢失的数据。我们收集的数据,可以使用的数据量相对较小。为了得到更好的预测效果,我们把数据集比例作为验证:测试= 8:1:1。
3.2。评估标准
精确分析模型的学习能力,有必要比较模型的预测结果与品牌价值,提高模型的预测精度通过不断迭代权值和阈值的网络结构。在我们的论文中,采用均方误差作为衡量模型的预测性能:
其中,农业经济的真正价值,即标签的值。Elman网络模型的预测数据,然后呢n测试样品的数量。通过平均平方损失函数,不同的预测价值和品牌价值网络模型相比,模型和神经网络的重量由连续的反向传播,改善和提高神经网络的预测效果。
证明Elman网络模型使用的影响在本文中,我们还使用了线性农业经济预测模型,多元线性回归模型(高)、汽车模型、BP神经网络模型等,进行比较,并给出了实验结果图5。网络模型采用亚当优化器,和最初的学习速率设置为0.001,然后降低到0.0001和0.000001,分别随着实验的发展在一定程度上。
4所示。结果和分析
首先,我们讨论的实验影响神经网络预测模型在预测时间序列和因素关系的两种情况的突然变化数据和原始数据剧烈变化。表1表示,尽管有一个突然的变化在粮食产量从1987年到1988年,总产量波动期间之前和之后,但总体变化是相对稳定的。区域之间的对应关系图,产量和标签值如图6。
在网络模型中,我们把今年和面积作为模型的输入,和粮食总产量的映射作为输出。历史年总产量的拟合图如图7。相比,我们可以看到,实际的输出,总产量Elman预测的方法是比BP方法接近实际值。从拟合的准确性的角度,BP方法非常接近真正的数据值GT,但某些数据的学习不到位,所以未来预测拟合效果并不令人满意。虽然我们提出Elman-based方法接近GT的真正价值,从学习的角度数据,原始数据网络模型学习的突然变化,但这并不意味着未来的预测数据也会突然改变,所以后续应该改进网络结构以应对突然的变化数据。
当我们比较其他网络的模型,我们使用最经典版本的网络模型比较与我们的网络模型,确定了输入和输出,显示了模型的性能模型的训练和测试结果。应该注意的是,其他类型的网络模型还可以持续改进后取得了不错的效果。
农业生产价值和劳动之间的关系和物质输入表所示2,他们的变化如图8以上。从我们的图8,我们发现这三种类型的变量因素对未来经济的影响更大,我们可以实现更好的农业经济发展通过提高这三个因素,即有一定的指导意义。从数据的变化,我们可以看到,劳动和材料投入没有改变随着时间的推移,但相应的农业生产价值逐渐增加,和程度的变化一直在增加。在模型的训练中,我们使用劳动力和材料输入作为网络模型的输入,以及农业生产总值的输出模型。结果如图所示9。对比真正的价值,我们的方法更接近实际价值比基于BP网络模型的方法,这表明,我们的方法具有更好的学习能力和时变数据的拟合能力。原始数据有较大范围的变化,和输出数据是影响劳动和材料的输入,但原始数据有一个大范围比例变化,和整体对网络模型的预测精度的影响也特别大。在后续工作中,要注意收集数据,避免重大的改变,或采用合理的方法来分析和处理数据变化。
表中的数据3显示了国家农业经济产出之间的关系(Y)和农业税收(X1)、农业劳动力(X2),和食品生产(X3)从1952年到1980年在1980年底。我们使用从1952年到1961年的数据作为模型的训练样本,并从1976年到1980年的数据作为测试样本比较模型的学习能力。
在图10,为了准确地描述这些因素的变化随着时间的推移,我们农业劳动力和粮食生产的数据减少了100次,然后比较他们在同一个图。从数据的角度发生变化时,这些数据的整体增加很小,增长是稳定的,没有重大的突然改变。从数据图中,我们可以清楚地看到不同的数据之间的关系和变化趋势的因素。更好的数据预处理模型更适合学习。图5显示了收集到的样本数据及其分布。由于大数据的大小不同,我们更大的数据除以10的倍数,以使其更方便的数据变化。
在相同的实验条件下,多个神经网络的比较实验结果如图所示11。GT代表模型的真实,和其他不同的颜色代表高,汽车,摘要和Elman方法。水平轴代表不同年,纵轴代表了相应的农业经济总量。它可以清楚地看到从数据表中,农业经济预测结果基于Elman-based神经网络模型提出了更接近真实的数据,表明本文提出的方法具有更好的预测效果。应该指出的是,本文中的神经网络相比都是经典的神经网络,这是标准网络结构模块,而不是那些标准网络结构网络模型修改。比较实验,比较不同神经网络的预测效果对农业经济更公平,我们有相同的设置的数据输入,输出和损失函数。
在这篇文章中,我们已经做了很多实验和工作,主要是选择合适的影响因素,得到更好的实验结果。我们选择合适的具有代表性的影响因素作为输入的网络模型根据出版文学训练模型的预测性能。通过这些时变的影响因素,我们可以获得指标,比较关键的影响因素。通过关注和改善这些指标的数据,我们可以预测和分析农业经济形式在未来几年。此外,大量的工作来改善这些影响因素可以更好地指导农业经济的发展。
本文花了很多时间解释网络模型的结构,多个因素之间的关系,可以提高农业经济的总价值。未来发展的农业经济,控制某些因素可以提高农业经济的GDP。
5。结论
本文提交一个农业经济预测方法基于Elman神经网络。基于Elman网络结构,更有效的新拓扑结构是为了促进网络模型的预测精度。此外,根据收集到的农业经济数据,我们筛选了重要影响因素模型的训练数据,减少了网络上的数据模型的负面影响。实验表明,该方法基于Elman神经网络更友好的时间序列数据的学习效果。同时,这也证明了神经网络预测方法具有更好的学习能力和适应性强,而且具有良好的发展前景预测的农业经济体系。在未来的工作中,Elman神经网络可以扩展到更广泛的领域。
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。
确认
这项研究受到了2020年的纪律Co-construction项目广东省哲学社会科学的“13日,“五年计划”研究的数字和高质量的发展道路上广东外贸企业从Postepidemic”的角度(项目号GD20XYJ23);2020特点创新项目的学院和大学在广东省“研究的道路上广东外贸企业应对疫情从数字经济的角度”(项目号2020 wtscx114);到2020年,广东省科技部项目“广东”共建冷链标准化工程技术研究中心”(项目号2020440121000082)资助。