资源描述：
《基于神经网络的组合预测模型方法研究》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、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
2、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TheCombinedForecastModelMethodResearchBasedonNeuralNetworkYiLiang,ShihongLIU（InstituteofAgriculturalInformationofCAAS,Beijing,100081;)Abstract：【OBJECTIVE】RaisingthecombinedforecastingmodelwhichstudyontheClassicSwineFeverMorbidi
3、ty;【METHOD】WiththedatainitialprocessingbyARIMAandGM(1,1),theprocessingresultswillbetheinputsofthemajorizingBPneuralnetwork;【RESULTS】Usingcombinedmodeltoanalyzethemonthlydatafrom2000to2009,andtheaccuracyoftheforecastingresultsis97.379%.Thepredictionaccuracyofcombinedmodelincreasedby5.469%,3.4
4、99%,1.188%respectivelycomparedwithBPneuralnetwork,ARIMA,GM(1,1),whichprovesthecombinedmodelismoresteadythantraditionalmethods;【CONCLUSION】ThisresearchsupplytheefficientAnalyticaltoolsforanimalsdiseasesforecastingwork,verifyingthefeasibilityofcombinedmodelappliedtoanimaldiseasesforecastingres
5、earch,andalsoprovidesreferencetootheranimaldiseasesKeywords:CombinedModel,ARIMA,GM(1,1),GeneticAlgorithm,BPneuralnetwork1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
6、许丹宁等人提出的基于自回归滑动平均模型(Auto-RegressiveMovingAverage，ARIMA)的猪瘟作者简介：梁毅（1988-），男，回族，陕西安康人，硕士研究生，研究方向为农业信息技术.Tel.:010-82106265，E-mail:ryuui@126.com;通讯作者，刘世洪（1960-），男，山东临朐人，研究员，博士生导师，研究方向为农业农村信息化发展、计算机农业应用、农业信息标准、知识组织等。Tel.:010-82106265，E-mail:lius@mail.caas.net.cn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]；
7、PengGuan、De-ShengHuang、Bao-SenZhou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7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，
