基于BP神經(jīng)網(wǎng)絡(luò)的全國棉花產(chǎn)量預(yù)測研究

梁后軍 謝睿 常郝

摘要：本文以1980-2018年全國棉花產(chǎn)量為基礎(chǔ)使用神經(jīng)網(wǎng)絡(luò)預(yù)測未來一年棉花的產(chǎn)量，并外推2019年的全國棉花產(chǎn)量.實驗表明選用的歷史數(shù)據(jù)過長或過短產(chǎn)生的預(yù)測值相對誤差較大，取歷史數(shù)據(jù)為6，9，12時，2017、2018年預(yù)測產(chǎn)量與實際產(chǎn)量相比分別為0.36%及3.6%.預(yù)測顯示2019年的產(chǎn)量與2018年基本持平.

關(guān)鍵詞：棉花產(chǎn)量;BP神經(jīng)網(wǎng)絡(luò);預(yù)測

中圖分類號：S562? 文獻標識碼：A? 文章編號：1673-260X（2019）07-0073-03

棉花是人民生存發(fā)展的基本保障之一，也是一種重要的戰(zhàn)略物資，它關(guān)系到國家的經(jīng)濟繁榮和社會的可持續(xù)發(fā)展.棉花產(chǎn)量的增減與國民經(jīng)濟和人民生活息息相關(guān)，影響著我國紡織工業(yè)原料供應(yīng)、棉花貿(mào)易的發(fā)展和棉花產(chǎn)業(yè)國際競爭力的強弱.因此，開展棉花生產(chǎn)動態(tài)預(yù)測具有重要意義.長期以來，我國棉花生產(chǎn)和需求波動較大.供過于求與供不應(yīng)求、賣棉難與買棉難交替出現(xiàn)的問題，使我國棉花產(chǎn)業(yè)陷入一種短缺與過剩的周期波動之中.

只有及時、準確地提供有效的棉花生產(chǎn)與消費的監(jiān)測預(yù)警信息，引導(dǎo)棉花生產(chǎn)、銷售、貯存和加工等產(chǎn)業(yè)采取合適的對策，降低棉花產(chǎn)業(yè)波動，降低市場風(fēng)險，保護棉花產(chǎn)業(yè)鏈上各方的利益，才能保證棉花產(chǎn)業(yè)的可持續(xù)發(fā)展為保證棉花市場的可持續(xù)發(fā)展，建立一種可行的棉花產(chǎn)量動態(tài)預(yù)測模型勢在必行.自20世紀90年代以來，氣象部門就已經(jīng)開始利用棉花播種前及生長季內(nèi)的氣象條件來預(yù)測棉花產(chǎn)量，并取得了顯著的服務(wù)效益.目前，對棉花產(chǎn)量的動態(tài)預(yù)測方法的研究很多，但大多采用統(tǒng)計學(xué)方法，而且時效性較差.

在農(nóng)業(yè)產(chǎn)品預(yù)測方面，宗宸生[1]等運用粒子群算法優(yōu)化BP[2-4]神經(jīng)網(wǎng)絡(luò)的初始權(quán)重，建立了適合小樣本糧食產(chǎn)量的預(yù)測模型.實驗表明，該模型具有更高的預(yù)測精度和較大的適應(yīng)度.王艷[5]運用卡爾曼濾波算法對新疆棉花產(chǎn)量進行預(yù)測，卡爾曼濾波算法的平均預(yù)測誤差僅為0.86%，比自回歸滑動平均（ARMA）模型的預(yù)測誤差（3.4%）減小了74.34%.由于棉花產(chǎn)業(yè)系統(tǒng)具有隨機性、非線性等特點，作為目前應(yīng)用最成功的神經(jīng)網(wǎng)絡(luò)之一，BP神經(jīng)網(wǎng)絡(luò)的突出優(yōu)勢在于其具有強大的非線性映射和自適應(yīng)能力，常用于解決復(fù)雜的非線性問題.因而本文以1980—2018年全國棉花產(chǎn)量為基礎(chǔ)使用BP神經(jīng)網(wǎng)絡(luò)預(yù)測未來一年棉花的產(chǎn)量，并外推2019年的全國棉花產(chǎn)量，以期為棉花產(chǎn)業(yè)的生產(chǎn)、加工及期貨交易等提供依據(jù).

1 神經(jīng)網(wǎng)絡(luò)預(yù)測原理

1.1 數(shù)據(jù)處理

本文以1980—2018年全國棉花產(chǎn)量為基礎(chǔ)使用BP神經(jīng)網(wǎng)絡(luò)預(yù)測未來一年棉花的產(chǎn)量，各年產(chǎn)量如圖1所示，雖然存在波動，但總體而言有一個緩慢上升的趨勢.實驗時首先用前面數(shù)年的歷史數(shù)據(jù)和下一年的產(chǎn)量組成輸入-輸出對，對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，再取出最后幾年的歷史數(shù)據(jù)使用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)預(yù)測2019年的棉花產(chǎn)量.為測試神經(jīng)網(wǎng)絡(luò)的性能，訓(xùn)練用歷史數(shù)據(jù)的長度分年選為3，6，9，12，15，分別表示取前面3年，6年，9年，12年，15年的歷史數(shù)據(jù)（作為神經(jīng)網(wǎng)絡(luò)的輸入）預(yù)測下一年的產(chǎn)量（神經(jīng)網(wǎng)絡(luò)的輸出）.從圖中可見所有數(shù)據(jù)最大值不超過800，為便于神經(jīng)網(wǎng)絡(luò)計算，先將這些數(shù)據(jù)除以1000，歸一化到區(qū)間（0，1）之間.

1.2 神經(jīng)網(wǎng)絡(luò)原理

本文所用BP神經(jīng)網(wǎng)絡(luò)如圖2所示，其中S表示Sigmoid函數(shù).因為Sigmoid函數(shù)（簡稱S型函數(shù)）處處可導(dǎo)且具有非線性飽和的特性，BP神經(jīng)網(wǎng)絡(luò)一般選用S型函數(shù)作為激活函數(shù).S型函數(shù)在負無窮端趨于0，正無窮端趨于1，呈非線性飽和特性，中間部分呈線性特性，非常類似生物神經(jīng)元的信號輸出形式，可增強網(wǎng)絡(luò)的非線性映射能力.

2 實驗

實驗分兩組，一組是選出合適的歷史年份數(shù)目，即m，第二組是用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)預(yù)測2019年的棉花產(chǎn)量.

2.1 選擇歷史年份數(shù)目

本組實驗也分兩部分.

第一部分是由1980年到2016年的年產(chǎn)量預(yù)測2017，2018年的產(chǎn)量并與實際產(chǎn)量進行對比.如表1所示（為便于描述，當歷史年份數(shù)m=3，6，9， 12，15時，分別稱對應(yīng)的方法為“3預(yù)測1”“6預(yù)測1”等），當m由3變化到15時，相對誤差有一個先減小后增大的趨勢，即m=3，15時預(yù)測效果較差.當m=15時，雖然對于訓(xùn)練中用過的數(shù)據(jù)產(chǎn)生的平均誤差較小，但預(yù)測值的誤差較大，即外推效果較差，因而在預(yù)測時只考慮m6，9，12這3種方法得到的結(jié)果.從時間方向看，對緊鄰的年份（2017）的預(yù)測誤差較小，從表1中可以看出對2017年預(yù)測的相對誤差只有0.36%，而對較遠年份（2018）的預(yù)測效果較差，相對誤差已經(jīng)達到了10.81%.對2017年而言，“6預(yù)測1”效果最好，相對誤差只有0.36%，實際產(chǎn)量與對應(yīng)預(yù)測值的結(jié)果對比如圖3所示，可見二者基本吻合.

第二部分是由1980年到2017年的年產(chǎn)量預(yù)測2018年的產(chǎn)量并與實際產(chǎn)量進行對比.同樣可以看出當歷史年份數(shù)m=3，15時預(yù)測的相對誤差較大，對m=6，9，12時的預(yù)測結(jié)果取平均，得到的結(jié)果較穩(wěn)定，效果也較好，如表2所示相對誤差是3.60%，是可以接受的.

2.2 選擇歷史年份數(shù)目

鑒于m=6，9，12時，三種預(yù)測方法的平均值效果穩(wěn)定、精度也較高，因而采用這三種方法結(jié)果的平均值作為最終預(yù)測結(jié)果.使用1980-2018年的數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，預(yù)測的2019年的產(chǎn)量見表3，平均預(yù)測值為604萬噸，即與2018的產(chǎn)量基本持平.

3 總結(jié)與討論

本研究針對棉花產(chǎn)量具有隨機性、非線性難以預(yù)測等特點，利用BP神經(jīng)網(wǎng)絡(luò)具有強大的非線性映射和自適應(yīng)能力，以1980—2018年全國棉花產(chǎn)量為基礎(chǔ)使用神經(jīng)網(wǎng)絡(luò)預(yù)測未來一年棉花的產(chǎn)量，并外推2019年的全國棉花產(chǎn)量.

實驗表明選用的歷史數(shù)據(jù)過長或過短產(chǎn)生的預(yù)測值相對誤差較大，取歷史數(shù)據(jù)為6，9，12時， 2017、2018年預(yù)測產(chǎn)量與實際產(chǎn)量相比分別為0.36%及3.6%.預(yù)測顯示2019年的產(chǎn)量與2018年基本持平.

參考文獻：

〔1〕宗宸生，鄭煥霞，王林山.改進粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)糧食產(chǎn)量預(yù)測模型[J].計算機系統(tǒng)應(yīng)用，2018，27（12）：203-209.

〔2〕Linyong Cheng， Dongdong Chen，Mingsong Chen， A precise BP neural network-based online model predictive control strategy for die forging hydraulic press machine. Neural Comput & Application， 2016.

〔3〕Jianyong Liu， Huaixiao Wang， Yangyang Sun， et al.， Real-Coded Quantum-Inspired Genetic Algorithm-Based BP Neural Network Algorithm[J]. Mathematical Problems in Engineering， 2015： 1-10.

〔4〕李尚平，陳曾雄.BP神經(jīng)網(wǎng)絡(luò)對甘蔗宿根切割質(zhì)量的預(yù)測[J].農(nóng)機化研究，2018：11-17.

〔5〕王艷.基于卡爾曼濾波算法的新疆棉花產(chǎn)量預(yù)測[J].國際紡織導(dǎo)，2018（6）：57-61.