ARIMA与SVM混合模型在害虫预测中的应用.docVIP

ARIMA与SVM混合模型在害虫预测中的应用 向昌盛1周子英2武丽娜2 （1. 湖南农业大学东方科技学院，长沙 410128；2. 湖南农业大学资源环境学院，长沙 410128） 摘 要：害虫发生是一种复杂且难以预测的时间序列数据，传统方法线性模型，忽略害虫发生的非线性，本研究用ARIMA模型对昆虫发生时间序列进行线性建模，然后采用SVM对昆虫发生时间序列的非线性部分进行建模，最后得到两种模型的综合预测结果。将组合模型应用到松毛虫发生面积的预测，实验结果表明该组合模型相对于单模型的预测具有更高的精度，发挥了2种模型各自的优势。 关键词：支持向量机；害虫；预测；Application in Pest Forecasting Based on ARIMA and SVM Hybrid Model Xiang Chang-sheng1, Zhou Zi-ying2, Wu Li-na2 (1. College of Orient Science Technology, Hunan Agricultural University, Changsha, Hunan, 410128； 2. College of Resources Environment, Hunan Agricultural University, Changsha, Hunan, 410128) Abstract: The data of pest occurrence is complicated and unpredictable time series, the nonlinear factor of pest time series often overlooked in tradition prediction. A new hybrid forecasting model based on ARIMA and SVM is proposed in this paper, ARIMA model was used to predict the linear component while SVM model for the nonlinear residual component of pest time series, then the hybrid forecasting results is obtained. The prediction performances of the method are tested on Dendrolimus punctatus occurrence, the results show that the hybrid model, which takes advantage of the unique strength of the two models in linear and nonlinear modeling, has better accuracy than the single model. Key words: support vector machines; pest; forecast; time series 1 前言 害虫预测预报是害虫综合防治的重要组成部分，是一项监测害虫未来种群变动趋势的重要工作，也是有效地防治和控制害虫发生发展的依据，它根据害虫种群过去和现在的变化规律、调查取样和气象预报等资料，借助统计学原理和方法，建立数学模型，分析害虫发生资料，研究其变化规律以及预报因子与预报对象之间关系，然后进行预报。 近年来学者应用时间序列分析方法研究害虫种群动态变化并进行预测分析，最具代表性的时间分析方法为差分自回归移动平均（autoregressive integrating moving average，ARIMA），ARIMA模型极具弹性，融合了时间序列分析和回归分析的优点，这样基于线性模型ARIMA无法捕捉非线性数据的信息，从而导致预测精度不高[]。80年代以来，[2-4]，然而神经网络是基于经验风险最小化原则，要求数据样本大，昆虫历史数据属于小样本数据，所以在预测过程中容易出现结果过拟合泛化能力不强等现象。基于结构风险最小化的支持向量机（Support Vector Machines，SVM），是一种新的机器学习方法，较好地解决了小样本、非线性、过拟合、维数灾和局极小等问题，且泛化推广能力优异，在病虫害预测领域里取得了不错的预测结果[]。 基于著名的M-竞争理论[]，为了有效地利用各种模型的优点，一些学者利用组合预测方法来进行时间序列预测研究[,8]，实证结果表明，相对于单的各种模型，组合模型大大提高了预测精度，表明组合预测模型能够较大限度地利用各种预测样本信息，比单个预测模型考