一种基于组合模型的农机需求预测方法

本发明属于农业机械产品需求预测领域，特别涉及一种基于组合模型的农业机械产品预测方法。

背景技术：

1、作为重点发展的十个领域之一，农业机械装备是提高农业生产效率、实现资源有效利用、推动农业可持续发展的重要载体。农机产品市场需求的季节性变化明显,需求高峰月份与低谷月份的销量差别巨大。准确的需求量预测有利于企业合理的制定生产计划，减少需求高峰期“断供”或积压过多库存造成的损失，是供应链管理的关键环节。

2、针对需求预测的研究集中在时间序列模型和回归预测模型中，时间序列模型如指数平滑法、arma模型、移动平均法等传统方法，但农机产品受经济环境贴补政策影响较大，时间序列模型方法仅能识别自身过去或滞后值之间的内在关系，无法确定各影响因素对农机销量的影响，回归预测模型缺乏数据样本学习过程而导致非线性关系模糊,计算过程复杂,都难以取得令人满意的预测效果。随着人工智能的发展，基于机器学习的智能研究方法成为近年来研究重点，采用机器学习的智能研究方法对农机产品需求量进行预测将成为热点。常见的机器学习方法有bp神经网络、支持向量机、但bp神经网络预测效果取决于预测样本大小，支持向量回归是支持向量机的一种应用，其惩罚系数和核函数参数影响预测效果。

3、基于此综合考虑农机产品销量特性，建立基于长短期记忆神经网络(long short-term memory，lstm)与网格搜索和交叉验证的支持性向量回归模型(support vectormachines，svm)的组合模型(即简称为lstm-gscv-svr)，对农机产品进行预测，提高预测精度。

技术实现思路

1、本发明实施例的目的在于提供一种基于组合模型的农机需求预测方法，对农机产品进行预测，提高预测精度。

2、本发明是这样实现的，一种基于组合模型的农机需求预测方法，其特征在于，包括以下步骤：

3、步骤1：企业调研及文献阅读收集相关数据，确定影响需求的因素并探讨各影响因素的相关性；

4、步骤2：为减少量纲对数据的影响，对数据进行归一化处理及one-hot编码；

5、步骤3：采用lstm预测农机产品需求；

6、步骤4：采用gscv-svr预测农机产品需求；

7、步骤5：将采用组合预测模型对各预测模型结果进行加权并得到最终结果。

8、根据权利要求1所述的一种基于组合模型的农机需求预测方法，其特征在于：采用pearson相关系数对农机产品相关影响因素进行分析，记为：

9、

10、式(1)中xi为特征变量、yi为因变量。

11、进一步的技术方案，一种基于组合模型的农机需求预测方法，其特征在于：

12、所述步骤3构建lstm模型具体步骤如下：

13、划分验证集；

14、参数设置；

15、模型训练评估；

16、输出预测结果；

17、其中以80％为训练数据，20％为测试集，搭建lstm模型选择keras深度学习框架，设置sigmoid(激活函数)，设置input_shape(时间序列)、units(输出维度)、batch_size、buffer_size(批数据大小)、epchs(迭代次数)、选择mean_squared_error(损失函数)，adam(优化函数)；将处理好的特征数据输入模型，采用mape、mae、rmse、mse作为模型评价函数，评价模型，输出预测结果。

18、进一步的技术方案，所述步骤4gscv-svr预测方法，其步骤为：

19、参数寻优；

20、参数设置；

21、模型评估；

22、输出结果。

23、采用python参数寻优过程：

24、设定惩罚系数c和核函数g的初始范围为g∈[2n,2n]，l为初始步长，并获得一个粗网格，网格中的节点为给定范围内所有可能的参数组合；

25、对获得的参数组合使用交叉验证法，找到均方误差最小的参数组合；

26、对刚获得的参数组合，选择其相邻的两个节点网格作为新的范围，并设定搜索步长为m/2i，再次进行交叉验证，确定新的均方误差最小的参数组合(ci,gi)；

27、d.对(ci,gi)的均方误差进行精度判断，满足要求则存储至svr模型中，否则进行第三步，直到满足要求为止；

28、对核函数、拟合优度系数、核函数参数进行设置，构建完成网格搜索与交叉验证的支持向量回归预测模型。支持向量回归方程表达式：

29、

30、式(2)中αi、为拉格朗日乘子，b为位移量，k(xi,xj)为核函数。

31、核函数相关数表达式：

32、k(xi,xj)＝exp(g||xi-xj||2) (3)

33、式(3)中xi、xj为样本数据数据。

34、其中将80％为训练数据，20％为测试数据，设置相关参数，输入处理好的特征变量，使用的评价指标，输出预测结果。

35、进一步的技术方案，包括：1)分别构建特征数据表达矩阵输入到长短期记忆神经网络模型和基于网格搜索与交叉验证的支持向量回归预测模型中；

36、2)分别训练模型，输出预测结果。3)最后将长短期记忆神经网络与基于网格搜索与交叉验证的支持向量回归预测模型的结果进行加权组合，输出最终预测结果；

37、输入数据表达矩阵：

38、

39、x1、x2、x3、x4、x5、x6、x7分别表示产品销量、月份、用户满意度、柴油价格、第一产业人数、农村居民可支配收入、玉米种植面积、农机贴补金额等特征变量；

40、组合公式：

41、xt＝βlstmt+(1-β)svrt (5)

42、式(5)中，xt表示组合预测模型的最终预测结果，lstmt、svrt分别表示长短期记忆神经网络和基于网格搜索与交叉验证的支持向量回归模型的预测输出值；β表示分配的权值系数，介于0-1之间。

43、技术效果

44、(1)结合网格搜索与交叉验证寻找最优参数，设定惩罚系数c和核函数g的初始范围为[2-8,28]，初始步长为1，根据数据集特征设置4折交叉验证，按4.2.2节网格搜索与交叉验证流程进行寻优，获得最优参数对为c＝54，g＝0.004，设置相关参数，将数据集的80％作为训练，20％作为测试，开始训练gscv-svr预测模型，输出mape为8.36％，mae为11.833，rmse为17.512，mse为301。

45、(2)将lstm与gscv-svr进行组合构建，通过不断迭代确定最优权系数为0.83，带入组合预测公式xt＝0.83*svrt+0.17*lstmt，计算评价指标为mape为7.29％，mae为10.583，rmse为14.992。汇总对比各模型误差，发现组合预测模型精度最高。

技术特征：

1.一种基于组合模型的农机需求预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于组合模型的农机需求预测方法，其特征在于：采用pearson相关系数对农机产品相关影响因素进行分析，记为：

3.根据权利要求1所述的一种基于组合模型的农机需求预测方法，其特征在于：

4.根据权利要求1所述的一种基于组合模型的农机需求预测方法，其特征在于：

5.根据权利要求1基于组合预测模型的农机需求量预测，其特征于：包括：1)分别构建特征数据表达矩阵输入到长短期记忆神经网络模型和基于网格搜索与交叉验证的支持向量回归预测模型中；

技术总结
本发明公开一种基于组合模型的农机需求预测方法，所述预测方法包括：分别采用长短期记忆神经网络和支持向回归模型对农机产品销量进行预测，农机产品具有周期性、小样本、非线性等特点，长短期神经网络适合周期性预测，支持向量回归模型对小样本、非线性数据预测，但支持向量回归模型中惩罚系数和核函数参数的选取对预测性能具有关键性影响，基于此添加参数寻优模块，构成基于网格搜索与交叉验证的支持向量回归模型；使用线性加权法将长短期记忆神经网络与基于网格搜索与交叉验证的支持向量回归模型加权组合预测，并得到最终预测结果。本方法提高了预测精度，降低了预测误差，为农机产品需求量预测提供决策依据及技术支撑。

技术研发人员：熊宗慧,胡平平,何志琪,曹东升
受保护的技术使用者：新疆大学
技术研发日：
技术公布日：2024/9/23