基于神经网络组合预测模型方法研究.docVIP

基于神经网络的组合预测模型方法研究 梁 毅，刘世洪 （中国农业科学院农业信息研究所，北京 100081） 摘要：【研究目的】提出以传统猪瘟发病率为对象的组合预测模型；【方法】利用ARIMA模型以及灰色模型GM(1,1)进行数据初始化处理，将初步处理结果作为优化后的BP神经网络输入构建组合模型；【结果】利用组合模型对2000年到2009年的月度发病数据进行实例分析，结果表明预测数据精度达到97.379%，较ARIMA模型、灰色模型、BP神经网络模型分别提高了5.469%、3.499%、1.188%，模型平稳性增强，预测结果良好；【结论】本研究为动物疫情测报提供了有效的分析手段，验证了组合模型在动物疫情研究中的可行性，并可为其他动物疫病提供借鉴和参考。 关键词：组合模型；ARIMA；GM(1,1)；遗传算法；BP神经网络 The Combined Forecast Model Method Research Based on Neural Network YiLiang, Shihong LIU （Institute of Agricultural Information of CAAS) Abstract：Morbidity;【METHOD】With the data initial processing by ARIMA and GM(1,1) ,the processing results will be the inputs of the majorizing BP neural network;【RESULTS】Using combined model to analyze the monthly data from 2000 to 2009, and the accuracy of the forecasting results is 97.379%. The prediction accuracy of combined model increased by 5.469%, 3.499%, 1.188% respectively compared with BP neural network, ARIMA, GM(1,1), which proves the combined model is more steady than traditional methods;【CONCLUSION】This research supply the efficient Analytical tools for animals diseases forecasting work, verifying the feasibility of combined model applied to animal diseases forecasting research, and also provides reference to other animal diseases Key words: Combined Model, ARIMA, GM (1, 1), Genetic Algorithm, BP neural network 1 引言 【研究意义】猪瘟作为世界动物卫生组织（OIE）法定的 A类动物疫病之一，对我国养猪业造成巨大的损失，是我国猪传染病主要防治对象[1]。随着信息技术的快速发展与应用，对疫情测报与防控措施评价等研究起到了重要的作用，由于动物疫情发生本身具有复杂性，受许多不同因素的影响，因此对于现代社会的测报方法提出了更高的要求。【前人研究进展】东北农业大学的许丹宁等人提出的基于自回归滑动平均模型(Auto-Regressive Moving Average，ARIMA)的猪瘟发病率预测模型，预测结果与原数据相比误差指数较小，效果较为理想[2]；Peng Guan、De-Sheng Huang、Bao-Sen Zhou等人针对肝病提出了一个基于神经网络的预测模型，通过对比ARIMA模型预测结果，验证了BP神经网络在有自回归现象出现的情况有更好的预测结果和精度[3]；邓奎、李龙国、伍仪宝在分析灰色模型与人工神经网络模型特点的基础上提出了灰色神经网络组合预测模型，对农业用水量进行预测，提出的灰色网络组合模型预测效果明显优于单一模型结果[4]。【本文研究切入点】传统的预测方法在预测精度上有着比较大的差异，在动物疫情预测应用中发展得还不够完善，考虑到动物疫情数据的复杂性，因此提出具有更高精度的模型方法，来配合动物免疫与疫病检测技术，逐步达到提高动物疫情预测准确度的目的。【拟解决的关键问题】本文提出一种以遗传算法优化的BP神经网络为载体，以ARIMA模型预测结果、GM(1,1)预测结果为输入的组合模型方法。其中ARI