基于ARIMA模型的苎麻纤维产量预测研究.pdf

年第 期江苏经贸职业技术学院学报总第 期：基于 模型的苎麻纤维产量预测研究王 辉（湖南三一工业职业技术学院 国际经贸学院，湖南 长沙）摘 要：为了解长期定位试验下苎麻纤维产量的变化趋势，推动苎麻种植产业增产提效，基于苎麻多倍体 号品种 年共 个收获期的纤维产量数据，构建 纤维产量预测模型，并对模型精度进行验证。结果表明：（，）模型最佳，个收获期中纤维产量预测值与实测值的平均相对误差百分比为 ，整体预测效果较好，适用于该地区多倍体 号纤维产量的短期预测。关键词：苎麻；模型；时间序列；产量预测 中图分类号：文献标志码：文章编号：（）苎麻是多年生草本植物，是我国重要的特色经济作物。课 题 组 利 用 自 回 归 滑 动 平 均 模 型（，即）对长期定位试验下苎麻的纤维产量展开分析和预测，能够探究其长期生产过程中的内在潜力和时空变化，为相关部门制定苎麻产业政策等提供依据。关于作物产量预测研究，常用的方法有多元回归、神经网络和时间序列等，而时间序列方法中采用 模型的比较多。模型主要从变量间的因果关系分析着手，重点探究产量与因素间的相互联系，在产量的短期预测方面有着广泛应用。基于时间序列方法对苎麻纤维产量预测展开的研究较少，且采用 模型进行预测分析的更是鲜见报道。一、试验情况介绍（一）试验设计试验用地位于湖南农业大学国家麻类长期定位试验基地，试验品种为苎麻多倍体 号。课题组于 年 月采集嫩枝扦插育苗，同年 月移栽，株距 ，栽培密度 株，面积，品种重复 次。（二）数据选取选取苎麻多倍体 号 年所有收获期（每年 个收获期，共 个）的纤维产量数据，另外从 年、年的收获期中各选 个收获期的数据进行比较，验证模型精度。（三）处理方法 数据平稳性检验图 为 年多倍体 号各收获期纤维产量的时间序列图。由图 可知，虽然多倍体 号的纤维产量序列整体来看围绕某一数值上下波动，但是难以直接判断该数列是否处于平稳状态，因而需要对其进行检验。图 多倍体 号纤维产量时间序列图利用 软件对纤维产量时间序列进行 检验，结果见表。由表 可知：统计量的 值为 ，明显小于 ，可以认为苎麻纤维产收稿日期：基金项目：湖南省自然科学基金项目“基于无人机高光谱成像的苎麻生长与产量估测研究”（）作者简介：王辉（），男，湖南三一工业职业技术学院国际经贸学院副教授，博士。量序列在 显著性水平下是平稳序列。由此，确认多倍体 号纤维产量序列属于平稳数列，不需要进行差分处理。表 多倍体 号纤维产量序列 检验表差分阶数临界值 模型系数的选取 模型的表达式为（，）。其中：是自回归，为自回归项；为移动平均，为移动平均项数，为时间序列成为平稳序列时所做的差分次数。一般通过判断序列的自相关系数（）和偏自相关系数（）的拖尾或结尾情况确定、值。由表 可看出多倍体 号纤维产量为平稳序列，因此（，）预测模型中的 值取，即确定为（，），最后对模型中的两个参数 和 进行多种组合选择，利用拟合优度、和 准则评判拟合模型的优劣，从中选择最大、和 值最小的模型。采用 软件对多倍体 号纤维产量数据进行处理，可知自相关系数和偏自相关系数均存在拖尾现象，可以初步确定模型中、阶数为 和。为找出最佳模型，将、阶数为 或 的模型进行比对，相关参数结果见表。表 多倍体 号纤维产量 系列模型的各项参数构成序号模型（，）（，）（，）（，）（，）（，）（，）（，）（，）由表 可知，所列的 个 纤维产量模型中以（，）、（，）的 值最高，均为 ，其次为（，），其 值为，而其他模型的 值均小于 ，基本上可以排除。接下来再对上述 个模型的 和 值大小进行比较：从数值来看，（，）模型的、值分别为 、，小于（，）模型的数值 、，也小于（，）模型的数值 、，因此，可以进一步排除（，）和（，）两个模型，从而得到最优的多倍体 号纤维产量预测模型，即（，），该模型的相关评价指标如表 所示。表 多倍体 号纤维产量（，）模型参数表项符号系数 标准误 值 值常数项 参数 参数 模型预测与精度验证通过对时间序列的分析处理，可以对其未来的发展趋势进行预测。将（，）纤维产量预测模型获取的 年共 期的纤维产量与实际值进行拟合分析，同时比对、年 个收获期（每年各选 期）的纤维产量的预测值和实测值，检验模型的预测效果。二、结果与分析（一）多倍体 号纤维产量的拟合结果分析利用（，）模型拟合的苎麻多倍体 号 年各收获期纤维产量相关参数指标如表 所示。由表 可知：模型的 为 ，为 ，平均误差百分比（）为 ，小于，平均绝对误差值（）为 ，最大误差百分比为，最小为 ，最大绝对误差为 ，最小为 。多倍体 号纤维产量中的大多数拟合值与实测值接近，表明模型的拟合精度较好。表 多倍体 号（，）模型的估计和参数结果拟合统计量平稳 正态化 参数 （二）多倍体 号纤维产量的预测结果分析将多倍体 号在、年的 个收获期的预测纤维产量与实测值进行对比，结果如表 所示：个收获期苎麻纤维产量的绝对误差值分别为、和 ，相对误差百分比分别为 、和 ，平均相对误差百分比为 ，其中 年三麻的预测精度偏差较大，相对误差百分比为；年三麻的纤维产量预测精度最佳，相对误差百分比仅为 ；个预测收获期中有两期的纤维产量相对误差百分比小于。总体来看（，）纤维产量模型的预测效果较好。表 多倍体 号、年的收获期纤维产量预测精度比对收获期实测纤维产量（）预测纤维产量（）绝对误差（）相对误差（）二麻 三麻 头麻 三麻 三、总结与讨论本文基于苎麻多倍体 号长期定位试验中 年的纤维产量数据，引入 模型，同时结合前人的相关研究成果构建了（，）纤维产量预测模型。模型的决定系数 为，平均相对误差为 ，预测精度高于赵嘉宝等和蔡承智等学者研究的精度，对苎麻种植地区无损预测纤维产量有较高应用价值。本研究在构建作物产量 预测模型时，既不受作物外部生长的环境和气象因素影响，也不考虑生产过程中相关要素的变动情况，主要依托历史产量的时间序列来集中对内外部因素进行动态反应，预测结果取决于序列的平稳性。与传统作物产量预测模型构建方法相比，此预测模型具有数据样本少、运算方便的特点，但在预测效果上存在差异，精度有待进一步提高。苎麻是多年生草本植物，其产量受多种因素影响，因此后续还可以引入多个影响因子，综合运用神经网络、随机森林等机器学习算法开展苎麻纤维产量的组合模型研究，尽可能真实地推演苎麻多年栽种情况下纤维产量的变化。参考文献：杨洁，唐昀，申香英，等我国苎麻产业现状与振兴发展中国麻业科学，（）：高卫，张电学，雷利君，等中国粮食产量影响因素分析及研究方法综述 安徽农业科学，（）：，王霞，房少梅数学建模经验总结教育现代化，（）：，赵嘉宝，陈杰，安霞，等基于 模型的吐鲁番市葡萄产量预测分析江苏科技信息，（）：蔡承智，杨春晓，莫洪兰，等基于 模型的中国水稻单产预测分析杂交水稻，（）：责任编辑：王东霞 （，）：，（，），：；